張守甲

為了保障施工安全，對施工現(xiàn)場的危險行為進行實時監(jiān)測和識別至關(guān)重要。近年，計算機視覺技術(shù)在此領(lǐng)域的應(yīng)用逐漸受到研究者的關(guān)注，其中目標(biāo)檢測算法是關(guān)鍵技術(shù)之一。傳統(tǒng)的目標(biāo)檢測算法，如Faster R-CNN、YOLO 等，在識別建筑工程施工現(xiàn)場危險行為時面臨背景復(fù)雜、目標(biāo)多樣、尺度變化大等挑戰(zhàn)，檢測效果不佳。單次多框檢測器（Single Shot MultiBox Detector，SSD）[1]具有較高的檢測精度和速度，但在處理小目標(biāo)及密集分布的目標(biāo)時仍存在不足。筆者根據(jù)施工現(xiàn)場的特性，對SSD 算法進行改進，包括增加特征層次、優(yōu)化默認框設(shè)置、引入非極大值抑制等，以對建筑工程施工現(xiàn)場危險行為進行識別。通過試驗驗證，改進后的算法在建筑工程施工現(xiàn)場危險行為的識別中準(zhǔn)確率和實時性更高。本研究的目的是為建筑施工現(xiàn)場的安全監(jiān)控提供技術(shù)支持，以實現(xiàn)自動識別危險行為并及時預(yù)警，降低施工現(xiàn)場的事故風(fēng)險。

1 提取建筑工程施工現(xiàn)場危險行為

設(shè)置建筑工程施工現(xiàn)場危險行為特征子集為Null 集合，這個操作有添加和刪除2 個選項。使用Wrapper 進行特征抽取。假設(shè)Gaussian 貝葉斯分類器[2]當(dāng)前狀態(tài)（特征子集）的分類準(zhǔn)確度為立即受益，此時可完成建筑工程施工現(xiàn)場危險行為提取。

提取建筑工程施工現(xiàn)場危險行為的步驟如下：第1，將建筑工程施工現(xiàn)場危險行為圖像進行標(biāo)準(zhǔn)化、離散化等預(yù)處理，得到訓(xùn)練樣本。第2，計算各個施工現(xiàn)場危險行為特征的信息熵與信息熵均值，把施工現(xiàn)場危險行為特征信息熵大于信息熵均值的特征標(biāo)記在信息熵表中。第3，計算各施工現(xiàn)場危險行為特征的Pearson 系數(shù)和Pearson 系數(shù)平均值，用Pearson 表對施工現(xiàn)場危險行為進行統(tǒng)計分析。第4，將訓(xùn)練數(shù)據(jù)與Pearson 表、信息熵表[3]一起輸入Agent 中，Agent根據(jù)具有附加和剔除特性的施工現(xiàn)場危險行為的差別利益來判定。第5，Agent 經(jīng)過一段時間的訓(xùn)練之后，可以得到Q表。在對Q表進行分析后按R環(huán)排列，提取施工現(xiàn)場危險行為特征子集。

按照上述5 個步驟，設(shè)定建筑工程施工現(xiàn)場危險行為數(shù)據(jù)集為：

式中：Y為施工現(xiàn)場危險行為數(shù)據(jù)集函數(shù)；（Yj）M×E為M個建筑工程施工現(xiàn)場危險行為和E個樣本特征。

建筑工程施工現(xiàn)場危險行為樣本的種類參量為：

式中：D為建筑工程施工現(xiàn)場危險行為樣本數(shù)量；dj為施工現(xiàn)場j的危險行為樣本。

設(shè)定施工現(xiàn)場危險行為樣本數(shù)據(jù)集為（D1，D2，…，DM）T，那么建筑工程施工現(xiàn)場危險行為特征集可用（g1，g2，…，gE）表示，其中g(shù)∈M。

將現(xiàn)有建筑工程施工現(xiàn)場危險行為特征集輸入改進的SSD 算法中，輸出最優(yōu)施工現(xiàn)場危險行為特性子集的過程為：

1）初始化施工現(xiàn)場危險行為特征子集H=φ，將備選特征集合T設(shè)為T=（g1，g2，…，gE）。

2）通過對個體行為特征進行統(tǒng)計分析，得到個體信息熵度與信息熵度平均值，并用Pearson 表對其進行統(tǒng)計分析。

3）通過分析不同因素之間Pearson系數(shù)和Pearson 系數(shù)平均值，將其大于平均值的數(shù)據(jù)加入Pearson 表中。

4）若H=φ，任意加入一個施工現(xiàn)場危險行為特征W，W∈T。

5）從T中選擇一處建筑工地的特點W，計算特征子集的正確率，并將其設(shè)為SW。找出當(dāng)前工地危害行為特征子區(qū)集H中特征之間相關(guān)性最大的特點，在特征庫中隨機選擇一個特性V，計算出施工現(xiàn)場危害行為特征子集H/{V}的分類準(zhǔn)確率，并將其設(shè)定為SV，將SW與SV中值最大的施工現(xiàn)場危險行為設(shè)成決策[4]，則有：

式中：f為性能轉(zhuǎn)換因子。

根據(jù)以上危險行為的決策結(jié)果，計算Q值，刷新Q表格。

6）判斷是否滿足終止條件，若滿足則終止，并根據(jù)Q表格中最大的Q值輸出所對應(yīng)的子集；如果沒有，則進入第4）步。通過以上6 個步驟，可以得到建筑工程施工現(xiàn)場危險行為特征。

2 危險行為極坐標(biāo)變換

為確保危險行為坐標(biāo)的一致性，必須將各危險行為特性進行坐標(biāo)轉(zhuǎn)換?？梢杂玫芽朳5]坐標(biāo)（x，y），在一張建筑工地危害行為圖片中，對所有行為特性的像素坐標(biāo)進行描述，還可以用極坐標(biāo)（r，θ）加以說明，則r和θ為：

式中：（x0，y0）為坐標(biāo)原點，假定其為（0，0），可以用一個復(fù)數(shù)z來表示：

假 設(shè)：w=l nz=f1（r，θ） +i f2（r，θ） = l nr+iθ，則卡爾坐標(biāo)可由式（7）轉(zhuǎn)換為對數(shù)極坐標(biāo)的變換方程式：

在笛卡爾坐標(biāo)系下，若與坐標(biāo)原點相比，有縮放和旋轉(zhuǎn)現(xiàn)象，則其極坐標(biāo)（r，θ）可表示為（r+r0，θ+θ0），其對數(shù)極坐標(biāo)（u，v）將轉(zhuǎn)換成u=lnr+lnr0，v=θ+θ0。在笛卡爾坐標(biāo)系下，相對于對數(shù)極坐標(biāo)，施工現(xiàn)場危險行為影像變化僅僅是在水平和豎直2 個方向上的平動，并具有對數(shù)極化坐標(biāo)的縮放和轉(zhuǎn)動不變性。

3 建立危險行為識別模型

圍繞獲取的施工現(xiàn)場危險行為特征和危險行為極坐標(biāo)變換，構(gòu)建危險行為識別模型。

筆者將影像中的危險行為作為辨識目標(biāo)。在辨識危險行為之前，必須先擷取出危險行為的輪廓。在此基礎(chǔ)上，以影像中的橫向為X軸、豎向為Y軸，將人體為圓心的坐標(biāo)設(shè)為（x0，y0），則外形等高線的某一點（xb，yb）可以從該點到該中心點的距離來計算該坐標(biāo)位置，因此，在建筑工地上進行危險行為時比較容易判定人體的姿勢，計算公式為：

設(shè)定建筑工程施工現(xiàn)場危險行為模型Bj相應(yīng)的第i個施工現(xiàn)場行為特征是Bji。設(shè)置不同類型的工地危害行為資料，并進行相應(yīng)的行為表征。對于所獲得的Bji的分布式特性，需去除冗余特性，詳細公式為：

式中：r為Bji的樣本數(shù)目，xji、yji為施工現(xiàn)場危險行為特征分布范圍。

利用方差變量對不同行為的特征量進行統(tǒng)一，并對其進行規(guī)范化處理，從而獲得高精度的差別行為。

把建筑工程施工現(xiàn)場危險行為特征集合G={B1，B2，B3，B4}設(shè)定為待辨識對象，并且按照順序辨識G，將標(biāo)準(zhǔn)危害行為模型Bj進行比較，可以得到Bj（G），即：

選取Bj（G）中的最高值，則有：

因為模糊子集B1、B2、B3、B4只屬于域內(nèi)O的一個子集，因此，為提高識別結(jié)果的準(zhǔn)確性，根據(jù)實際的危險行為建設(shè)現(xiàn)場值來測試，設(shè)定從屬度門限值θ。如果Bj（G）超過從屬度門限值θ，那么存在第j類施工現(xiàn)場危險行為；如果Bj（G）低于從屬度門限值θ，那么施工現(xiàn)場不存在危險行為。

4 基于改進的SSD 識別人與危險源空間位置關(guān)系

識別人與危險源常用的方法是目標(biāo)檢測算法，即通過訓(xùn)練一種能自動識別圖像中物體的模型，檢測出圖像中的人和危險源。目前，常用的目標(biāo)檢測算法是SSD。SSD 是一種單次多框檢測器，能夠在單一的神經(jīng)網(wǎng)絡(luò)中完成物體檢測任務(wù)。為了提高檢測的準(zhǔn)確性，可以對SSD 進行改進，例如使用更深的卷積神經(jīng)網(wǎng)絡(luò)，例如VGG16、ResNet 等，來增加訓(xùn)練數(shù)據(jù)的多樣性[7]。

一旦準(zhǔn)確檢測出人和危險源在圖像中的位置，就要確定他們之間的空

除了人和危險源之間的距離，還可以進一步分析他們的相對位置。例如，如果人的位置在危險源的正下方或者正前方，可以認為他們之間存在某種特定的空間關(guān)系。這種關(guān)系的判斷可以通過編寫規(guī)則或者使用機器學(xué)習(xí)算法來實現(xiàn)。

通過上述方法，可以有效識別出建筑工程施工現(xiàn)場中人與危險源之間的空間位置關(guān)系。這不僅有助于及時發(fā)現(xiàn)潛在的安全隱患，而且可以為管理者提供決策支持，如優(yōu)化施工布局、調(diào)整安全措施等。

5 試驗檢測

5.1 試驗準(zhǔn)備

結(jié)合建設(shè)項目實例，收集了近年來在本地同類項目中發(fā)生的各種危害行為的安全事故報道，并對事故報道進行分類和編號。抽取有關(guān)細節(jié)，創(chuàng)建CSV 文件，并將CSV 文件輸入數(shù)據(jù)庫中。試驗所需的儀器設(shè)備參數(shù)如表1 所示。

表1 儀器設(shè)備參數(shù)

5.2 試驗結(jié)果

以工程建設(shè)全過程50 個星期的工地危害行為作為試驗數(shù)據(jù)，選取其中任意6 周數(shù)據(jù)以及兩種已有的危險行為識別方法與文中設(shè)計方法進行對比。將文獻[2]中提出的基于改進OpenPose算法的礦工危險行為識別研究記為方法1，將文獻[6]中提出的基于強化學(xué)習(xí)的建筑工程施工現(xiàn)場危險行為識別方法記為方法2。通過試驗對比，得到不同方法下危險行為識別成功次數(shù)，結(jié)果如表2 所示。由表可知，在連續(xù)6 周的試驗中，本文設(shè)計的方法對危險行為識別成功的次數(shù)均高于方法1和方法2。本文方法的平均識別成功次數(shù)為18.3 次，而方法1 和方法2 的平均識別成功次數(shù)均為13 次。由此可以看出，本文設(shè)計的改進后的SSD 建筑工程施工現(xiàn)場危險行為識別方法，在危險行為識別方面具有更高的準(zhǔn)確性和可靠性，能有效識別施工現(xiàn)場的危險行為，為預(yù)防和應(yīng)對安全事故提供有力支持。

表2 危險行為識別成功次數(shù)

6 結(jié)語

基于改進SSD 的建筑工程施工現(xiàn)場危險行為識別技術(shù)，不僅提高了危險行為的識別率，而且對非危險行為的誤報率也有所降低。這項技術(shù)不僅增強了施工現(xiàn)場的安全性，也為企業(yè)提供了有力的數(shù)據(jù)支持，幫助管理者做出更準(zhǔn)確的決策。然而，技術(shù)的進步永無止境，未來還需要進一步研究更高效、更精確的危險行為識別方法，以應(yīng)對更為復(fù)雜多變的施工現(xiàn)場環(huán)境。期待更多的技術(shù)創(chuàng)新為建筑工程安全保駕護航。