李凡 潘新春 陳文 王佳偉 賀翔 向宏健

基金項(xiàng)目：武漢品道建筑園林工程有限公司2023科研項(xiàng)目（2023JSZN4KJ-YL2-B-007）

第一作者簡(jiǎn)介：李凡（1984-），男，一級(jí)建造師。研究方向?yàn)榻ㄖO(shè)計(jì)。

*通信作者：潘新春（1969-），男，副主任研究員。研究方向?yàn)槭┕ろ?xiàng)目管理。

DOI：10.19981/j.CN23-1581/G3.2024.13.043

摘? 要：為預(yù)防建筑業(yè)施工安全事故的發(fā)生，減少大量的施工安全事故所造成的生命財(cái)產(chǎn)損失和社會(huì)負(fù)面影響，該文采用Springboot框架和YOLOv5技術(shù)，搭建監(jiān)測(cè)平臺(tái)進(jìn)行智能化管控，重點(diǎn)關(guān)注施工現(xiàn)場(chǎng)人員的資質(zhì)審核和不安全行為檢測(cè)，提高施工現(xiàn)場(chǎng)安全監(jiān)管的效率和準(zhǔn)確性。

關(guān)鍵詞：施工現(xiàn)場(chǎng)安全；智能管控；人工智能；機(jī)器學(xué)習(xí)；建筑安全

中圖分類號(hào)：TU71? ? ? ?文獻(xiàn)標(biāo)志碼：A? ? ? ? ? 文章編號(hào)：2095-2945（2024）13-0179-04

Abstract： In order to prevent the occurrence of construction safety accidents in the construction industry， reduce the loss of life and property and negative social impact caused by a large number of construction safety accidents. This paper uses Spring Boot framework and YOLOv5 technology to build a monitoring platform for intelligent management and control， focusing on the construction site personnel qualification audit and unsafe behavior detection， to improve the efficiency and accuracy of construction site safety supervision.

Keywords： construction site safety; intelligent management and control; artificial intelligence; machine learning; building safety

隨著新興技術(shù)的快速發(fā)展，基于計(jì)算機(jī)技術(shù)、傳感技術(shù)、信號(hào)處理技術(shù)以及人工智能等新技術(shù)的推動(dòng)，施工現(xiàn)場(chǎng)監(jiān)測(cè)系統(tǒng)得到了極大的關(guān)注和研究。借助這些新技術(shù)，能夠搭建智能管控平臺(tái)，建立自動(dòng)、實(shí)時(shí)、高效的施工現(xiàn)場(chǎng)監(jiān)測(cè)系統(tǒng)，從而更快速、準(zhǔn)確地處理監(jiān)測(cè)數(shù)據(jù)。這使得管理人員能夠長(zhǎng)期在線監(jiān)測(cè)復(fù)雜施工現(xiàn)場(chǎng)的安全狀況和建筑物的建設(shè)、運(yùn)營(yíng)過程中可能出現(xiàn)的問題，及時(shí)發(fā)現(xiàn)事故隱患并快速反饋，可以協(xié)助管理人員進(jìn)行更加有效的監(jiān)管，確保施工現(xiàn)場(chǎng)的安全。

1? 施工現(xiàn)場(chǎng)安全管理模式分析

1.1? 傳統(tǒng)安全管理模式短板

常見的傳統(tǒng)安全管理模式有：制定安全規(guī)章和政策，進(jìn)行人員的安全培訓(xùn)和教育[1]，提供必要人員的安全設(shè)備和裝備[2]，安排安全監(jiān)督與巡視，制訂安全事故的緊急應(yīng)對(duì)計(jì)劃[3]等。這些管理策略的制定對(duì)施工現(xiàn)場(chǎng)的安全管理提供了一定的保障。然而在實(shí)際施工現(xiàn)場(chǎng)，人員流動(dòng)性大，安全措施無法得到有效執(zhí)行。安全監(jiān)督員的人數(shù)有限，也無法實(shí)現(xiàn)實(shí)時(shí)的監(jiān)管，施工過程中安全事故依然頻發(fā)。2017—2021年全國(guó)發(fā)生房屋市政工程生產(chǎn)安全事故3 622起，死亡人數(shù)4 198人[4]，如圖1所示。

圖1? 2017—2021年全國(guó)房屋市政工程生產(chǎn)平安事故數(shù)據(jù)圖

1.2? 智能化安全管理模式

隨著5G時(shí)代的到來，人工智能、大數(shù)據(jù)等技術(shù)快速發(fā)展，施工工地開始引入智能化管理技術(shù)手段，建立監(jiān)控平臺(tái)打造三維立體建筑模型，實(shí)現(xiàn)對(duì)施工全過程可視化。

當(dāng)前，國(guó)內(nèi)外的許多學(xué)者已經(jīng)進(jìn)行了相關(guān)課題研究，探索基于人工智能的智慧工地施工安全預(yù)警與管理。Fang等[5]使用Faster R-CNN方法檢測(cè)施工現(xiàn)場(chǎng)工人是否佩戴安全帽，并驗(yàn)證了在各種視覺條件下的有效性。熊若鑫等[6]在施工現(xiàn)場(chǎng)動(dòng)態(tài)且復(fù)雜的場(chǎng)景下，建立了一個(gè)數(shù)據(jù)集，并建立了模型，實(shí)現(xiàn)了對(duì)施工現(xiàn)場(chǎng)工人姿態(tài)的實(shí)時(shí)檢測(cè)。高寒等[7]使用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建了雙模單高斯模型，然后利用攝像頭獲取施工現(xiàn)場(chǎng)圖像，并使用建立好的模型進(jìn)行施工人員侵入行為判別，豐富了施工安全管理手段。任中杰等[8]將計(jì)算機(jī)視覺與火災(zāi)預(yù)警相結(jié)合，建立了一個(gè)定量煙火預(yù)警模型，并在實(shí)際場(chǎng)景中驗(yàn)證了其準(zhǔn)確性。Chen等[9]提出了一種基于深度學(xué)習(xí)的安全帶檢測(cè)算法，主要應(yīng)用于復(fù)雜道路背景。Luo等[10]采用深度學(xué)習(xí)模型自動(dòng)估算施工現(xiàn)場(chǎng)視頻中機(jī)械設(shè)備的狀態(tài)，以評(píng)估施工現(xiàn)場(chǎng)的安全狀況。這些研究豐富了智慧工地施工安全管理的方法，提高了工地安全管理的效率和準(zhǔn)確性。智能化管理方式相比較傳統(tǒng)安全管理方式，具有實(shí)時(shí)監(jiān)控，降低人為錯(cuò)誤，減少成本付出等優(yōu)點(diǎn)。

2? 研究方法

Spring Boot技術(shù)是一個(gè)快速開發(fā)、基于Spring框架的微服務(wù)框架，適用于各種類型的應(yīng)用程序，包括 Web應(yīng)用程序、表現(xiàn)層狀態(tài)轉(zhuǎn)換接口（REST API）、批處理應(yīng)用程序、消息隊(duì)列應(yīng)用程序和移動(dòng)應(yīng)用程序等。JavaWeb是用Java技術(shù)來解決相關(guān)Web互聯(lián)網(wǎng)領(lǐng)域的技術(shù)棧。Java在服務(wù)器端的應(yīng)用非常的豐富，比如服務(wù)連接器（Servlet），java服務(wù)器頁(yè)面（JSP）、第三方框架等等。Java技術(shù)對(duì)Web領(lǐng)域的發(fā)展注入了強(qiáng)大的動(dòng)力。本文采用該技術(shù)來實(shí)現(xiàn)施工人員的安全管理和系統(tǒng)平臺(tái)搭建。

YOLOv5模型是YOLO（You 0ny Look 0nce）系列算法，其能夠在圖像中實(shí)時(shí)檢測(cè)多個(gè)對(duì)象。YOLOv5具有更高的檢測(cè)精度和更快的檢測(cè)速度。本文采用YOLOv5技術(shù)實(shí)現(xiàn)施工現(xiàn)場(chǎng)的不安全行為的監(jiān)測(cè)和預(yù)警。

3? 實(shí)現(xiàn)過程

3.1? 施工現(xiàn)場(chǎng)智能化管理平臺(tái)

施工現(xiàn)場(chǎng)智能化管理平臺(tái)使用Springboot+Vue技術(shù)開發(fā)完成，其中PC端為管理端，管理員通過登錄系統(tǒng)進(jìn)行查看用戶信息。通過點(diǎn)擊每一條記錄則可查看用戶上傳的信息，包含用戶上傳日期、地點(diǎn)、用戶基本信息、證件圖片及個(gè)人圖片。還可以查看用戶上傳的記錄以及對(duì)歷史記錄頁(yè)面進(jìn)行查看歷史的提交記錄等操作。整體框架流程圖如圖2所示。

圖2施工現(xiàn)場(chǎng)智能化管理平臺(tái)整體框架圖

施工現(xiàn)場(chǎng)智能化管理平臺(tái)前端使用MVVM框架進(jìn)行設(shè)計(jì)，模型層（Model）負(fù)責(zé)處理業(yè)務(wù)邏輯以及和服務(wù)器端進(jìn)行交互，視圖層（View）負(fù)責(zé)將數(shù)據(jù)模型轉(zhuǎn)化為UI展示出來，視圖模型層（ViewModel）用來連接Model和View，是Model和View之間的通信橋梁。圖3為MVVM框架下的業(yè)務(wù)邏輯圖。

圖3? MVVM框架圖

施工現(xiàn)場(chǎng)智能化APP使用Springboot+Uniapp技術(shù)搭建完成，實(shí)現(xiàn)智能現(xiàn)場(chǎng)智能化手機(jī)端的開發(fā)和運(yùn)用。Uniapp是一個(gè)使用Vue.js開發(fā)所有前端應(yīng)用的框架，可以兼容多種平臺(tái)。Uniapp框架如圖4所示，通過Uniapp內(nèi)置組件，不同平臺(tái)接口（API）以及開發(fā)所有前端應(yīng)用的框架（uni）擴(kuò)展組件為底層，兼容APP平臺(tái)、小程序平臺(tái)等多種平臺(tái)。

圖4? Uniapp框架圖

施工現(xiàn)場(chǎng)智能化APP作為施工人員上傳個(gè)人信息的途徑，用戶本身可以填寫個(gè)人信息包括個(gè)人姓名、年齡、身份證號(hào)碼和手機(jī)號(hào)碼等去注冊(cè)屬于自己的賬號(hào)。施工人員登錄進(jìn)入小程序主頁(yè)后，可進(jìn)行點(diǎn)擊上傳個(gè)人照片以及用戶證件照片上傳等操作。當(dāng)施工人員進(jìn)入施工現(xiàn)場(chǎng)時(shí)須戴頭盔進(jìn)入。當(dāng)識(shí)別出人員信息時(shí)，通過判斷施工人員是否已經(jīng)具備信息，如果有則能夠進(jìn)入施工現(xiàn)場(chǎng)，如果無法識(shí)別，則通過將信息發(fā)送到管理端進(jìn)行審核再進(jìn)行后續(xù)操作。圖5為施工人員身份審核模塊的時(shí)序圖。

3.2? 施工現(xiàn)場(chǎng)安全行為檢測(cè)算法

施工現(xiàn)場(chǎng)智能化通過使用施工現(xiàn)場(chǎng)安全行為檢測(cè)算法進(jìn)行對(duì)施工人員安全行為的檢測(cè)，主要使用YOLOv5（You Only Live Once）技術(shù)進(jìn)行優(yōu)化算法模型。圖6是Yolov5 5個(gè)模型網(wǎng)絡(luò)結(jié)構(gòu)對(duì)比。

圖6? YOLOv5不同網(wǎng)絡(luò)結(jié)構(gòu)圖

本項(xiàng)目使用YOLOv5m網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)檢測(cè)功能。Yolov5m的輸入端采用了Mosaic數(shù)據(jù)增強(qiáng)的方式，大大增加了數(shù)據(jù)多樣性，通過混合多種抓取的模型數(shù)據(jù)從而增強(qiáng)模型魯棒性，通過使用加強(qiáng)批歸一化（Batch Normalization）的效果讓訓(xùn)練效果更佳，并且有利于提升小目標(biāo)檢測(cè)性能。在YOLOv5m中，使用的是CSPDarknet53或ResNet骨干網(wǎng)絡(luò)，通過使用骨干網(wǎng)絡(luò)進(jìn)行提取圖像特征的網(wǎng)絡(luò)，將原始的輸入圖像轉(zhuǎn)化為多層特征圖，以便后續(xù)的目標(biāo)檢測(cè)任務(wù)使用，保證較高檢測(cè)精度的同時(shí)，盡可能地減少計(jì)算量和內(nèi)存占用。Backbone中的主要結(jié)構(gòu)有Conv模塊、C3模塊、SPP模塊。

1）Conv模塊是卷積神經(jīng)網(wǎng)絡(luò)中常用的一種基礎(chǔ)模塊，其主要由卷積層、BN層和激活函數(shù)組成，如圖7所示。

圖7? Conv模塊圖

卷積層是卷積神經(jīng)網(wǎng)絡(luò)中最基礎(chǔ)的層之一，用于提取輸入特征中的局部空間信息。

BN層是在卷積層之后加入的一種歸一化層，用于規(guī)范化神經(jīng)網(wǎng)絡(luò)中的特征值分布。

激活函數(shù)是一種非線性函數(shù)，用于給神經(jīng)網(wǎng)絡(luò)引入非線性變換能力。

2）C3模塊是YOLOv5網(wǎng)絡(luò)中的一個(gè)重要組成部分，其主要作用是增加網(wǎng)絡(luò)的深度和感受野，提高特征提取的能力。C3模塊是由3個(gè)Conv塊構(gòu)成的，其中第一個(gè)Conv塊的步幅為2，可以將特征圖的尺寸減半，第二個(gè)Conv塊和第三個(gè)Conv塊的步幅為1。C3模塊中的Conv塊采用的都是3x3的卷積核。在每個(gè)Conv模塊之間，還加入了BN層和LeakyReLU激活函數(shù)，以提高模型的穩(wěn)定性和泛化性能。

3）SPP模塊是一種池化模塊，通常應(yīng)用于卷積神經(jīng)網(wǎng)絡(luò)中，旨在實(shí)現(xiàn)輸入數(shù)據(jù)的空間不變性和位置不變性，以便于提高神經(jīng)網(wǎng)絡(luò)的識(shí)別能力，如圖8所示。其主要思想是將不同大小的感受野應(yīng)用于同一張圖像，從而能夠捕捉到不同尺度的特征信息。在SPP模塊中，首先對(duì)輸入特征圖進(jìn)行不同大小的池化操作，以得到一組不同大小的特征圖。然后將這些特征圖連接在一起，并通過全連接層進(jìn)行降維，最終得到固定大小的特征向量。

施工現(xiàn)場(chǎng)安全行為檢測(cè)算法分為3個(gè)階段，數(shù)據(jù)采集階段，數(shù)據(jù)處理階段和應(yīng)用階段。首先通過在施工現(xiàn)場(chǎng)進(jìn)行圖像數(shù)據(jù)識(shí)別，將收集的數(shù)據(jù)進(jìn)行處理，如果工地安全，沒有危險(xiǎn)行為發(fā)生的工程可以繼續(xù)進(jìn)行。但如果存在潛在危險(xiǎn)，例如吸煙或未佩戴安全帽等行為，系統(tǒng)則自動(dòng)向管理端發(fā)出警報(bào)，以及時(shí)預(yù)防各類安全事故的發(fā)生。其算法在施工現(xiàn)場(chǎng)安全系統(tǒng)中的運(yùn)用流程圖如圖9所示。

圖8? SPP模塊圖

4? 結(jié)束語(yǔ)

人工智能技術(shù)的出現(xiàn)，為施工建筑行業(yè)日趨繁瑣和復(fù)雜的施工管理辦法帶來了智能化的轉(zhuǎn)變。本文以施工現(xiàn)場(chǎng)的安全管理和智能化管控的應(yīng)用為課題，采用機(jī)器視覺與圖像識(shí)別技術(shù)結(jié)合，依托智能終端軟件開發(fā)技術(shù)，針對(duì)施工現(xiàn)場(chǎng)人員的不安全行為和施工人員流動(dòng)性大問題進(jìn)行分析，設(shè)計(jì)了施工現(xiàn)場(chǎng)安全行為檢測(cè)平臺(tái)來優(yōu)化管理模式，展示了智慧施工場(chǎng)景安全管理典型應(yīng)用效果，該技術(shù)成果在一定程度上豐富了建筑行業(yè)的預(yù)警研究。

參考文獻(xiàn)：

[1] 高芬，張新生，黃曉一，等.建筑工程項(xiàng)目施工管理探析[J].城市建設(shè)理論研究（電子版），2023（29）：79-81，54.

[2] 王利.淺析建筑工程項(xiàng)目施工安全管理的問題與對(duì)策[J].低碳世界，2023，13（9）：61-63.

[3] 張曉海.建筑工程土建施工現(xiàn)場(chǎng)管理的優(yōu)化策略探究[J].城市建設(shè)理論研究（電子版），2023（28）：69-71.

[4] 李中帆.慧樸精益建造公眾號(hào)[EB/OL].https：//zhuanlan.zhihu.com/p/562479748.

[5] FANG Q， LI H， LUO X C， et al. Detecting non-hardhat-use by a deep learning method from far-field surveillance videos[J].Automation in construction，2018，85：1-9.

[6] 熊若鑫，宋元斌，王宇軒，等.基于CNN的3D姿勢(shì)估計(jì)在建筑工人行為分析中的應(yīng)用[J].中國(guó)安全科學(xué)學(xué)報(bào)，2019，29（7）：64-69.

[7] 高寒，駱漢賓，方偉立.基于機(jī)器視覺的施工危險(xiǎn) 區(qū)域侵入行為識(shí)別方法[J].土木工程與管理學(xué)報(bào)，2019，36（1）：123-12.

[8] 任中杰，李思成，王輝輝.基于機(jī)器學(xué)習(xí)的高層建筑火災(zāi)風(fēng)險(xiǎn)評(píng)估[J].消防科學(xué)與技術(shù)，2018，37（11）：1471-1474.

[9] CHEN Y，TAO G，REN H，et al.Image generation via latent space learning using improved combination[J].Neuro computing，2019，340（7）：8-18.

[10] LUO H，WANG M Z，WONG K Y，et al.Full body pose estimation of construction equipment using computer vision and deep learning techniques[J].Automation in construction，2020，110103016-103016.