ICT支持的塔吊安全管理框架——回顧與展望

段 銳，鄧 暉，鄧逸川,2

ICT支持的塔吊安全管理框架——回顧與展望

段 銳1，鄧 暉1，鄧逸川1,2

(1. 華南理工大學土木與交通學院，廣東 廣州 510640；2. 亞熱帶建筑科學國家重點實驗室，廣東 廣州 510640)

塔吊是建筑工程中使用頻率最高的垂直運輸工具。由于塔吊的運行風險較高，提高其安全管理水平成為業界亟待解決的問題。近年來，信息與通信技術(ICT)逐漸被應用于塔吊安全管理，但目前該領域的應用多為單點開發且智能化水平偏低，未能很好地滿足現有的塔吊安全管理需求。通過查閱近十幾年的塔吊安全管理領域的相關文獻，將國內外學者對塔吊安全管理研究現狀進行梳理，分析了現有研究對象、關鍵技術、關注度和優劣勢。此外，通過對現有方法的分析，提出了未來塔吊安全管理的目標和框架。將ICT技術中有潛力的建筑信息模型(BIM)與計算機視覺技術(CV)融入塔吊安全管理框架中，有利于實現對塔吊運行過程的實時監控和危險預警，有效減少事故的發生。該框架有望促進塔吊安全管理向智能化和信息化轉變，為我國建筑工程事業的健康發展提供一些啟發。

塔吊;安全管理；建筑信息模型; 計算機視覺技術；建筑事故

1 概 述

據不完全統計，2010—2019年，我國至少發生塔吊生產安全事故382起[1]。唐凱等[2]指出，在建筑行業較大及以上生產安全事故中以土方坍塌、模板坍塌、塔吊傾覆等類型事故居多。李曉東和陳琦[3]指出高處墜落坍塌和物體打擊在各類建筑生產安全事故中發生頻率最高，且與塔吊有關。因此研究塔吊的安全管理方法，提升其安全管理水平，具有重要意義。

1990年REASON[4]提出事故的瑞士奶酪模型。其將安全系統看似一疊奶酪，每塊奶酪代表一層防線。奶酪本身內部具有許多不規則的孔洞，代表潛在的系統漏洞，不同奶酪上洞口的大小及位置決定危險源射線能否通過該模塊。如果一疊奶酪的孔洞剛好可以被危險射線直穿，即可演變成事故。根據該模型，結合塔吊安全管理實際，總結得出塔吊事故致因模型，如圖1所示。

圖1 塔吊事故致因模型

由于塔吊的結構特點和高風險屬性，在運行過程中需要多方人員的配合操作。不僅消耗大量的人力物力，且難以達到良好的安全管理效果。根據施工現場的動態性及勞動力密集的特點，模型中的4個屏障存在許多不可控的漏洞，導致危險源射線通過屏障并形成事故。

信息通信技術(information communications technology，ICT)涵蓋了如計算機、大數據、云計算、物聯網、區塊鏈、人工智能等信息、通信技術及相關的應用軟件。發揮ICT的優勢，可實現對施工場地和塔吊的實時精確監測，在塔吊事故致因模型各個屏障上有效地填補孔洞，減小事故發生的可能性，滿足施工現場數字化、標準化、精細化的管理需求，提高建造效率和精度，提升塔吊安全管理能力。

目前，尚未有學者對基于ICT的塔吊安全管理研究進行總結性梳理。本文基于上述背景，對相關文獻進行搜集和梳理，以事故致因理論為落腳點，揭示塔吊的安全隱患及其深層原因，總結現有研究的不足并討論未來塔吊安全管理的目標和ICT的應用方向，為施工全過程的塔吊安全管理提供新的思路，研究流程如圖2所示。

圖2 綜述流程圖

2 塔吊事故類型及其原因

2.1 常見的塔吊事故類型及其直接原因

塔吊安全事故的類型較多，主要有傾翻、折斷臂、碰撞、構件脫落、吊物墜落、工人事故及其他事故，但以傾翻、斷脫繩和碰撞事故為主[5]。如圖3所示，本文將塔吊運動狀態分為靜止事故和運動事故。

圖3 塔吊事故劃分及其直接原因

2.2 塔吊事故深層原因

圖4將塔吊事故致因理論與塔吊安全管理實際相結合，分析并梳理塔吊事故的深層原因。

2.2.1 設備缺陷

(1) 塔吊設計及制造缺陷。如圖5所示，塔吊事故類型中塔吊倒塌為66.05%，塔臂折斷為9.88%[6]。這2類事故均與塔吊質量有關。企業為了賺取利潤而降低成本，使得產品質量得不到保證、設計缺少人性化、安全防護裝置不齊全。

(2) 未調試檢測直接使用。施工單位為了加快施工進程，對新塔吊未經調試與檢測就立即投入使用，致使塔吊使用過程中發生機械故障而造成事故。

(3) 長期使用造成的損耗。焊縫生銹、電氣元件損壞、鋼絲繩磨損、螺栓松動等損耗，使塔吊故障和事故頻發。

2.2.2 工作環境

(1) 惡劣環境等不可抗力因素。塔吊在露天環境下作業，受環境的影響較大。風雨使塔臂轉動造成碰撞事故，甚至造成塔吊結構失穩。霧霾會影響塔吊操作人員的視線，高溫或寒冷天氣也會影響操作人員的身體狀況。

(2) 塔吊作業半徑內有高壓線。部分施工場地處于市區，施工范圍有限。高空作業時塔臂觸碰高壓線而使塔吊機體通電或傾翻。

(3) 多塔吊協同作業不當。在同一個施工現場有2臺或多臺塔吊實行群塔施工時，塔臂之間的回轉范圍容易有交叉，若協作不當極易造成碰撞事故。

2.2.3 管理制度

(1) 安全監督和管理不足。若施工過程中安全監管足夠且有效，可消除絕大部分塔吊事故[6]。根據安全生產月的經驗，加強施工安全監管有助于在短期內減少塔吊事故的發生。

(2) 安全培訓和考核不足。在工程建設中，專業知識需要不斷更新，同時工人的安全意識也需要逐步提升。因此，安全培訓和考核工作不可或缺。

(3) 安拆隊伍的監管不足。無資質的團隊進場進行安裝、頂升和拆除工作，導致無法進行專業的操作，方案不符合實際工程狀況，為后期的塔吊使用埋下隱患。

圖4 塔吊事故深層原因

圖5 塔吊事故直接原因(內)和塔吊事故類型(外)

2.2.4 個人行為

(1) 人員專業知識和技能不足。如圖5所示，塔吊事故發生的主要原因為操作不當(35.59%)[6]。誤操作導致了較大比例的塔吊事故，因此培養具備專業知識和技能的高素質塔吊操作人員有利于減少塔吊事故。

(2) 人員故意違規或疲勞操作。施工人員為了搶施工進度，未遵守塔吊“十不吊”原則，故意違規操作，或操作人員疲勞操作造成失誤。

(3) 人員協調不當造成誤操作。塔吊司機、地面建筑工人和指揮人員的協調出現問題或誤判而造成誤操作。

3 基于ICT支持的塔吊安全研究綜述

為了分析塔吊事故的原因，本文在知網(CNKI)、萬方等國內知名數據庫，以“塔吊”“吊裝”“起吊”“安全”“管理”“信息與通信技術”和“計算機”等關鍵詞進行查詢研究，同時在Web of Science (WoS)、Engineering Village2 (EV2)等國外知名數據庫以“tower crane”“lifting”“elevator”“elevating”“safety”“management”“ICT”和“computer”等為關鍵詞同期進行相關研究，收集了2007—2021年的相關期刊論文(31篇)和碩士學位論文(10篇)并進行了分類和總結。分析結果顯示，塔吊安全管理技術大致經歷了4個發展階段。

3.1 早期傳統建筑工地監控記錄系統

早期的塔吊管理，僅依賴于建筑工地傳統的監控系統，簡單記錄塔吊施工情況，未能將其合理地應用到塔吊安全防范方面。塔吊的保護裝置指當某一監控指標超限時，其保護裝置自動切斷電源。然而突然斷電會對塔吊的電氣元件造成較大損傷，縮短使用年限。此外，還存在無法預測風險、缺乏顯示及人機交互功能、適應性差等缺陷[7]。

3.2 基于嵌入式平臺的塔吊安全監控系統

嵌入式系統是軟件和硬件的綜合體，可以用來控制、監視或輔助各種設備的運行，從而實現嵌入對象的智能化。嵌入式處理器具有體積小巧、數據處理快速、成本低廉、易于實現無線通信的優點，所以早期的塔吊智能化安全管理研究基本利用嵌入式技術來設計塔吊工作狀態監測裝置。楊山虎[8]介紹了基于嵌入式平臺(advance RISC machines，ARM)的塔吊圖像監控系統。該系統將Open-CV庫引入嵌入式Linux系統，開發了吊鉤動作跟蹤算法，實現了吊鉤動作的智能跟蹤。該系統在圖像采集與無線傳輸已部分達到產業化水平，但嵌入式設備運算能力限制了吊鉤智能跟蹤模塊的性能，在形狀較為復雜的背景中，智能跟蹤算法很容易失效。張兵[9]詳細地分析了塔吊的防碰撞問題，建立了以嵌入式設備為基礎的群塔防碰撞控制系統。劉俊亮[10]提出基于ARM的單臺塔吊防傾翻監控儀的總體設計方案，實現了塔吊防傾翻預警功能。王旭[11]開發了基于嵌入式平臺和機器視覺庫的吊鉤動作實時跟蹤算法，通過標定實時跟蹤吊鉤，從而減緩駕駛員的視覺疲勞。

3.3 基于BIM與WSN技術的塔吊安全管理研究

建筑信息模型(building information modeling，BIM)是以三維數字技術為基礎，對工程項目設施實體和功能特性的數字化表達[12]。無線傳感網絡(wireless sensor networks，WSN)是一種分布式傳感網絡，可以利用無線網自行組織網絡通訊，使用戶可以靈活、多變地設置所需要的網絡結構和狀態。WSN技術也被建筑業的研究人員所青睞，其主流技術如超寬帶(ultra wide band，UWB)、射頻識別(radio frequency identification，RFID)、無線通信技術(Wi-Fi)、紫蜂(ZigBee)、藍牙(Bluetooth)等[13]均被應用于相關研究中，使建筑業的效率不斷提高。

CHAE和YOSHIDA[14]開發了基于RFID技術的防碰撞系統，其利用該技術獲得塔機等重型設備的工作區域，從而估算工人合適的工作區域，以防止人與設備發生碰撞事故。LEE等[15]開發了塔吊導航系統，該系統使用激光傳感器和BIM模型實時輸出有關建筑物及其周圍環境的三維信息和吊物的實時位置。針對施工現場環境復雜多變、工人行為難以監控等問題，郭紅領等[16]通過對施工安全規范的分析和事故案例的調查，對施工現場危險區域進行了定義、識別與分類，建立了基于BIM和RFID的施工現場工人實時定位與安全預警系統模型。其通過數據處理和預警模塊能自動分析塔吊運行產生的危險區域，判斷工人所處位置是否安全并進行實時預警。劉文平[17]提出了適用于施工現場的綜合定位方法。并引入UWB和GPS定位技術對施工現場室內外目標進行定位，開發了施工事故預警原型系統，有效預防了塔吊碰撞事故。江帆[18]將BIM和RFID技術應用到施工安全問題研究中，開發了建設項目安全管理系統。其系統實現了施工前的模擬，避免了起重機與塔吊的碰撞。ZHONG等[19]結合WSN與物聯網開發了SMS-TC的塔吊群安全管理系統，使用定制傳感器檢測塔吊的運行狀態，使用短距離Zigbee無線網絡和長距離無線GPRS網絡實現終端無線通訊，保證多塔吊運行安全。FANG等[20]利用傳感器和點云數據的實時主動安全輔助框架，并將其運用于移動式起重機吊裝作業中。文獻[13]聚焦于塔吊高處墜物事故，應用WSN技術采集的數據，結合BIM技術的數據集成功能，實現施工人員進入危險區域時，自動觸發系統的報警裝置。文獻[21-23]基于BIM和RFID開發了不同的塔吊安全事故預警系統，對現場的工人和塔吊進行實時定位監控，當人與塔吊的距離達到危險閾值時系統會自動預警，以減少塔吊事故的發生。

3.4 基于計算機視覺技術的塔吊安全管理研究

計算機視覺(computer vision，CV)技術是人工智能領域的一個重要組成部分。圖像采集設備模擬人眼接受客觀世界的信息再轉換成數字信息，CV技術則對數字信息進行深度加工，通過算法模擬人腦對信息的處理及判別方式，分析圖像并做出相應的判斷[24]。從工程的角度來看，其能使人類視覺系統完成任務的自動化，有效地提高生產效率。采用CV技術，可以實現WSN技術所擁有的感知功能，并擁有無接觸式信息感知、布設成本低、智能化水平高等優點。

YIN[25]針對塔吊的位置跟蹤問題，結合多特征的支持向量機(support vector machine，SVM)的檢測方法，實現了較高精度和召回率的塔吊圖像檢測。孫宏軍等[26]提出了塔吊吊臂安全監控系統，其利用視覺傳感技術為塔吊吊臂的運行范圍劃定一片安全區域，即“電子圍欄”。通過運行(tracking learning detection，TLD)視覺跟蹤算法對圖像傳感器采集到的信息進行分析處理，實現對塔臂運動軌跡的定位、判斷和預警。FANG等[27]提出了由起重機運動監測和荷載搖擺監測2個傳感模塊組成的可視化技術框架，引入了一種基于CV的方法來跟蹤荷載位置，用于荷載搖擺監測。該框架實時監控和可視化起重機狀態，以減少盲吊過程中的不安全狀況。汪濤和張建德[28]以深度學習的卷積神經網絡(convolutional neural networks，CNN)為基礎，針對指揮員的吊運手勢，構建了由靜態和動態手勢模塊組成復合的神經網絡模型，并應用于提取特征進行吊運手勢的識別。REDMON等[29]于2015年提出YOLO (you only look once)檢測算法。其較之前的深度學習算法更快，Fast YOLO可以達到155 f/s[30]，促進了圖像處理領域深度學習的發展。張銳[31]運用YOLO算法，在塔吊的空間坐標系中標定、矯正和立體匹配，以確定吊物的深度信息。其局限性在于諸多因素(如攝像頭的功能、參數、環境等)使吊鉤位置信息存在一定的誤差。申耀華[32]利用機器視覺對塔吊構件等典型拼裝結構件進行焊縫缺陷檢測，采用KNN (k-nearestneighbor)和BP (back propagation)神經網絡與SVM分類器對缺陷識別進行對比研究。實驗發現采用SVM分類器進行缺陷識別是最優選擇。YANG等[33]使用掩模區域卷積神經網絡(Mask-RCNN)方法，建立了塔吊安全距離的自動采集、分析和預警系統。并對視頻數據進行了識別，對掩模層進行RGB顏色提取，獲得危險區域及工人的坐標，最后將坐標和實際距離進行轉換得到安全距離。該方法添加了掩膜層，允許相機和識別對象之間存在扭曲角度，使識別精度得到提高。KANG和WANG[34]針對吊運過程中吊鉤與鋼包耳軸不匹配的安全隱患，提出了使用Mask-RCNN的解決方法。與人工獲取匹配狀態相比，其方法能快速準確地確定吊鉤匹配狀態。LUO等[35]開發了使用CV技術識別施工設備的框架，從攝像機采集的信息來自動估計不同施工設備的整體姿態。黃宏安等[36]使用YOLOv3，Faster-RCNN和SSD算法對塔吊的裂縫進行識別，并對比分析了3種算法的優缺點。

3.5 基于ICT的塔吊安全研究分析

3.5.1 研究對象及技術

如圖6所示，塔吊安全管理研究對象主要集中于吊鉤及吊裝監測、危險區域的定位監測、工人監測和塔臂及碰撞監測等方面，而其他對象的研究較少。目前常用的3類ICT技術手段逐漸從嵌入式平臺向BIM結合WSN和CV轉變，呈現出智能化發展趨勢，見表1。

圖6 塔吊安全管理研究對象

表1 塔吊安全管理研究對象及對應方案

注：1. 嵌入式設備；2. BIM與WSN技術；3. CV技術

塔吊導航系統使用BIM結合RFID技術實時輸出導航信息，但在實際吊裝任務中未達到實用水平；塔吊傾翻研究中，嵌入式設備還有待實現遠程實時性精確監控；在工人和危險區域監測及定位中，使用BIM結合RFID技術實現了危險區域劃分、工人實時定位和實時預警，但是相對于使用視覺的Mask-RCNN方案，定位成本較高且精度不足；在吊鉤吊裝監測上以目標檢測算法的視覺方案為主，實現了實時、快速獲取吊鉤的深度信息。局限在于諸多因素干擾了視覺定位的準確性；塔臂碰撞監測則以BIM結合WSN技術為主，使用傳感器獲得目標定位信息并使用BIM進行碰撞檢查，但在復雜施工的條件下適用性不高。

BIM與WSN結合主要利用布設各類傳感器采集的數據表示塔吊的不安全狀況。CV通過攝像機采集現場數據，利用搭建各類機器視覺算法獲取施工現場物體的坐標信息，再設定危險閾值，從而實現施工現場的定位監測。或通過將攝像頭采集的信息進行預處理再將其送入端到端的網絡中檢測圖像目標的質量缺陷，從而提高檢測效率和精度。

3.5.2 研究關注度分布

(1) 與塔吊事故類型對應。結合圖4塔吊事故類型占比排序，分析其與現有塔吊安全管理研究對象和技術方法在數量上基本成正比例關系。未來繼續利用CV技術，在圖6中現有研究對象的空白處尋找研究塔吊安全管理的突破點，實現無死角監控管理。

(2) 與塔吊事故深層次原因對應。現有研究與塔吊事故致因理論對應關注度分布如圖7所示。在研究較為集中的個人行為和工作環境的監測中，利用BIM結合WSN與CV技術能有效地彌補人力方法的弊端。通過獲取設備的深度信息用于輔助人員的操作，可提升效率和可靠度。或分析施工環境和工人位置，但復雜場景下的動作檢測尚未實現；對于焊縫生銹、裂紋出現和螺栓松動等設備缺陷，一般仍由專業工人定期檢測、維修和保養，既耗費人力，存在漏檢、錯檢的可能性，且無法達到持續的實時性。用CV輔助塔吊缺陷和損耗的檢測，克服了人工檢測的局限，但目前仍缺少高精度的缺陷檢測模型，難以對塔吊構件缺陷進行定量判斷；對于管理制度的執行和改進更依賴于工作人員的行動、知識和經驗。

圖7 與塔吊事故深層次原因對應研究關注度分布

未來若能在設備缺陷和管理制度上利用ICT展開研究，可以彌補現有研究的不足，提升塔吊安全管理的水平。

3.5.3 研究總結

傳統建筑工地監控記錄系統僅是簡單記錄塔吊施工運行過程，不僅需要大量的人工干預，且難以達到良好的安全防范效果。

基于嵌入式平臺的塔吊安全監控系統開創了塔吊安全管理智能化的先河，減少了塔吊管理的人工干預。但是受制于其設備運算能力，監控系統的準確性和應用的廣泛性還有待提高。

隨之，有學者提出使用BIM技術結合WSN技術進行塔吊的管理，實現了實時采集、精準定位、傳輸快速和可視化的安全管理功能。但由于傳感器的布設成本較高，且布設會影響項目的執行，因此限制了其長遠的發展。

CV技術在工程領域的應用研究經歷了很長一段時間的探索，并在缺陷檢查[37]、安全監測[38]和性能分析[39]方面取得了卓越的研究成果[40]。但使用CV技術進行提升塔吊安全管理的研究相對較少，相關研究與應用檢測范圍較局限，系統參數的準確性和算法的魯棒性有待提升。塔吊的安全監控涉及多環節和多構件的狀態判定，對CV技術而言仍是很大地挑戰。

4 討論與展望

4.1 基于ICT的塔吊安全管理目標建立

從現有的塔吊安全管理研究中發現，未來的研究應該利用ICT，從經驗管理向智能化、自動化管理升級。在技術更新的同時還需注意在塔吊事故致因模型與塔吊安全管理之間尋求最佳的平衡，最大化完善塔吊事故致因模型各個屏障，實現“全方位、全過程”“精細化”“自學習改進”“實時響應”和“人機協同”5大管理目標。

4.1.1 全方位全過程

塔吊使用周期長，任何環節出現紕漏都將引起嚴重的安全隱患。在其使用過程中，應做好全過程、全方位管理工作，規范每一個環節，完善每一項內容。結合塔吊事故致因理論，未來的塔吊安全管理系統應能最大化地填補各個屏障的漏洞，實現塔身、塔臂、吊鉤等構件和人員的全方位監測，以及安裝、作業和拆卸等階段的全過程管理。

4.1.2 精細化

塔吊結構復雜、構件繁多，其安全管理包含人員、物體、過程等多個方面，所以必須從傳統建筑行業的粗放型管理轉向精細化管理。利用計算機代替人工操作，避免人為因素造成對塔吊管理的不確定性，提高管理精度和效率。

4.1.3 自學習改進

擁有自學習能力的安全管理系統可以不斷利用被采集的信息推測出新的不安全狀態發生條件，完善現有管理知識，逐漸擺脫依賴管理人員隱性知識經驗進行健全和完善管理制度的現狀，持續提升塔吊安全管理的智能化水平。

4.1.4 實時響應

施工現場情況復雜多變，事故往往瞬間發生，所以安全系統的實時響應十分重要。安全管理系統實時通知管理人員并在特定條件下發出預警，形成“發現-分析-預警-處理-反饋-學習”的完整流程。

4.1.5 人機協同

將現場施工人員與塔吊機械關聯，協同工作。例如識別塔吊工作姿態為現場施工人員劃定安全工作區域。人機協同目標可以將人機關系從“人控制機械”向“人機聯動”轉換，開啟人機協作建造的新可能。

4.2 基于BIM與計算機視覺的塔吊安全管理優勢

隨著BIM研究的逐步深入，可以利用其更好地整合管理信息，不斷完善現有管理制度，減少塔吊事故致因理論中的管理制度的漏洞，阻止事故的發生。2015年，目標檢測算法Faster-RCNN的出現，將深度學習在目標檢測領域的應用推向了一個新高度，以此為理論基礎，出現了如Mobile-Net，YOLO和Center-Net等分類算法。這些算法在檢測速度和精度上均有了極大地提升，在恰當的應用場景下，識別準確率高達98%以上。同時基于深度學習的CV技術無論是在檢測精度還是算法魯棒性，都遠遠優于傳統圖像處理方法。所以將CV深度學習方法引入建筑工程管理領域的塔吊目標檢測，是極具應用前景的研究方向。CV可以替代大多數人工監測的工作，連續不間斷地監控物體，可增強在事故致因理論的設備缺陷、工作環境和個人行為3個屏障的管理效果。

技術層面上，基于WSN技術的相關研究存在依賴傳感器的弊端，CV技術可在施工現場原有視頻監控的基礎上進行拓展，其安裝成本低、維護方便，在監測過程中無需與觀測對象接觸，不影響被觀測者正常工作等優點。BIM技術具有信息集成功能，CV技術則具有強大的感知、認知、數據分析處理和學習功能，二者結合可以提供嵌入式設備和WSN技術無法比擬的優勢。同時，在事故致因理論方面，大多數研究尚未覆蓋事故致因理論的各個環節。BIM結合CV的方案不僅可以在事故致因理論每一個環節都發揮相應的作用，且具備實現塔吊安全管理目標的能力，促使塔吊安全管理水平實現大幅度提升。

4.3 基于ICT技術的塔吊安全管理系統框架

為了實現塔吊安全管理目標，彌補現有塔吊安全管理研究的不足，可以將ICT中的BIM和CV技術相結合，以開發塔吊事故安全預警系統。

4.3.1 框架結構

如圖8所示，該系統框架由BIM，CV和現有規則3大模塊構成，利用BIM平臺成熟的數據交互功能進行API的對接和整合，以實現不規范作業的行為檢測、實時定位監控和危險預警功能。

圖8 基于BIM與CV的塔吊事故安全預警系統

4.3.2 技術手段

(1) 利用BIM技術的數據集成功能，建立施工現場布置的三維動態模型并進行實時更新。利用BIM平臺數據交互功能，可以直觀地掌握施工現場各類建筑物及設施的布置情況，實現對施工場地的動態管理。

(2) 利用深度學習框架搭建自定義的神經網絡，對物體進行檢測分類，實現不規范作業行為的檢測、現場工人及物體的實時定位監控。引入目標檢測算法，通過端對端的算法，無需額外處理，直接將現場視頻或圖像數據輸入神經網絡進行識別，得到目標的種類及位置信息。

目標檢測領域的算法已經從雙階段的算法(RCNN-fastRCNN-fasterRCNN)發展到更快、更精確的單階段算法(YOLOv1-v5)。在工程應用研究領域，已有學者提出一種名為video2entities[41]的新穎框架，該框架將通用知識圖譜當作先驗信息結合零樣本學習(zero shot learning，ZSL)技術多次迭代去發現新的實體，再更新到知識圖譜中。其研究表明利用ZSL技術可以在傳統目標檢測任務的基礎上，實現對未知目標的檢測任務，有效提升目標檢測算法的學習能力。

利用目標檢測算法識別出目標，實現實時定位監控，另外在檢測識別出吊物種類后，可進一步精確計算其體積。再根據預先建立的建材密度數據庫進行重量計算，從而確認吊物是否符合起吊標準，進行塔吊作業的監測。

4.3.3 運行流程

該系統在現有建筑工程規則庫的基礎上進行BIM模塊和CV模塊的運行。CV模塊不僅可以實現施工現場人和物的實時定位，還可以監控塔吊操作人員的不規范作業行為。BIM模塊將施工現場進行可視化顯示，生成危險區域，并計算人員和危險區域的距離。結合現代土木工程知識，制定預警規則，當危險達到閾值時，系統將預警信號實時反饋給現場管理人員，提醒相關人員采取措施，以此減少施工現場塔吊事故的發生。

5 結 論

本文對基于ICT的塔吊安全管理研究現狀進行了梳理分類和總結。列舉了常見的塔吊事故類型及其直接原因，并將塔吊安全事故和事故奶酪模型進行實際結合，提出了塔吊事故致因模型及發生事故的深層次原因。對現有研究進行了分析，得出研究的4個技術發展階段、對象及技術方案，并且將現有研究與塔吊事故致因理論對應得出研究關注度分布，指出了現有研究對象的空白區域和未來研究可繼續深入之處。

此外，本文展望了未來塔吊安全管理的5個目標，并根據其目標提出了基于BIM與CV技術結合的塔吊安全管理框架。ICT在塔吊的安全管理領域已經取得了卓越的成績，但仍然存在一定瓶頸，有待進一步發掘。將有潛力的BIM與CV技術融入塔吊安全管理框架，充分發揮其技術優勢，并卓有成效地提高塔吊安全管理效率，促進我國工程建設事業的健康發展，創造更多的社會經濟效益。

[1] 趙挺生, 胡俊杰, 師玉棟, 等. 基于FRAM的塔吊作業系統安全管理分析[J]. 工程管理學報, 2020, 34(6): 131-136.

ZHAO T S, HU J J, SHI Y D, et al. Safety management analysis of tower crane operation system based on FRAM[J]. Journal of Engineering Management, 2020, 34(6): 131-136 (in Chinese).

[2] 唐凱, 陳陸, 張洲境, 等. 我國建筑施工行業生產安全事故統計分析及對策[J]. 建筑安全, 2020, 35(9): 40-43.

TANG K, CHEN L, ZHANG Z J, et al. Statistical analysis and countermeasures of production safety accidents in our country's construction industry[J]. Construction Safety, 2020, 35(9): 40-43 (in Chinese).

[3] 李曉東, 陳琦. 我國建筑生產安全事故的主要類型及其防范措施[J]. 土木工程學報, 2012, 45(S2): 245-248.

LI X D, CHEN Q. Main types and prevention measures on construction production safety accidents in China[J]. China Civil Engineering Journal, 2012, 45(S2): 245-248 (in Chinese).

[4] REASON J. Human error: models and management[J]. BMJ: Clinical Research Ed, 2000, 320(7237): 768-770.

[5] 張瀟, 張偉. 塔式起重機安全事故統計分析[J]. 工業安全與環保, 2019, 45(9): 24-29.

ZHANG X, ZHANG W. Statistical analysis of tower crane safety accidents[J]. Industrial Safety and Environmental Protection, 2019, 45(9): 24-29 (in Chinese).

[6] 余群舟, 孫博文, 駱漢賓, 等. 塔吊事故統計分析[J]. 建筑安全, 2015, 30(11): 10-13.

YU Q Z, SUN B W, LUO H B, et al. Statistical analysis of tower crane accidents[J]. Construction Safety, 2015, 30(11): 10-13 (in Chinese).

[7] 張南慶. 塔式起重機安全監控系統的研究與實現[D]. 重慶: 重慶大學, 2014.

ZHANG N Q. Research on monitoring system for tower crane's safety[D]. Chongqing: Chongqing University, 2014 (in Chinese).

[8] 楊山虎. 基于嵌入式ARM9平臺的塔式起重機圖像監控系統設計與實現[D]. 上海: 上海交通大學, 2010.

YANG S H. Design and implimentation of a surveillance system for tower cranes based on ARM9 embedded system[D]. Shanghai: Shanghai Jiao Tong University, 2010 (in Chinese).

[9] 張兵. 基于ARM的塔式起重機智能監測與防護系統研究[D]. 長沙: 中南大學, 2010.

ZHANG B. Research on intelligent monitoring and protection system of tower crane based on ARM[D]. Changsha: Central South University, 2010(in Chinese).

[10] 劉俊亮. 基于ARM的塔機防傾翻監控儀的研究與設計[D]. 青島: 中國海洋大學, 2013.

LIU J L. The research and design of tower crane anti-tipping monitor based on ARM[D]. Qingdao: Ocean University of China, 2013 (in Chinese).

[11] 王旭. 塔吊視頻監控系統設計[D]. 南京: 南京信息工程大學, 2014.

WANG X. Design of tower crane video monitoring system[D]. Nanjing: Nanjing University of Information Science & Technology, 2014 (in Chinese).

[12] 張建平. BIM在建設工程中演繹不凡[J]. 中國公路, 2016(20): 52-54.

ZHANG J P. BIM plays an extraordinary role in construction projects [J]. China Highway, 2016(20): 52-54 (in Chinese).

[13] 侯宇. 基于BIM與WSN技術的塔吊安全事故預警的理論與方法研究[D]. 徐州: 中國礦業大學, 2017.

HOU Y. Research on the theory and method of early warning for safety accident of tower crane based on BIM and WSN[D]. Xuzhou: China University of Mining and Technology, 2017 (in Chinese).

[14] CHAE S, YOSHIDA T. Application of RFID technology to prevention of collision accident with heavy equipment[J]. Automation in Construction, 2010, 19(3): 368-374.

[15] LEE G, CHO J, HAM S, et al. A BIM- and sensor-based tower crane navigation system for blind lifts[J]. Automation in Construction, 2012, 26: 1-10.

[16] 郭紅領, 于言滔, 劉文平, 等. BIM和RFID在施工安全管理中的集成應用研究[J]. 工程管理學報, 2014, 28(4): 87-92.

GUO H L, YU Y T, LIU W P, et al. Integrated application of BIM and RFID in construction safety management[J]. Journal of Engineering Management, 2014, 28(4): 87-92 (in Chinese).

[17] 劉文平. 基于BIM與定位技術的施工事故預警機制研究[D]. 北京: 清華大學, 2015.

LIU W P. The schematic studies of construction accident warning system based on BIM and positioning technology[D]. Beijing: Tsinghua University, 2015 (in Chinese).

[18] 江帆. 基于BIM和RFID技術的建設項目安全管理研究[D]. 哈爾濱: 哈爾濱工業大學, 2014.

JIANG F. Research on the construction project safety management based on the BIM and RFID technology[D]. Harbin: Harbin Institute of Technology, 2014 (in Chinese).

[19] ZHONG D, LV H, HAN J, et al. A practical application combining wireless sensor networks and internet of things: safety management system for tower crane groups[J]. Sensors, 2014, 14(8): 13794-13814.

[20] FANG Y H, CHO Y K, CHEN J D. A framework for real-time pro-active safety assistance for mobile crane lifting operations[J]. Automation in Construction, 2016, 72: 367-379.

[21] LI H, DONG S, SKITMORE M, et al. Intrusion warning and assessment method for site safety enhancement[J]. Safety Science, 2016, 84: 97-107.

[22] 張彬彬. 基于BIM與WSN技術的塔吊安全管理實施監測與預警系統研究[J]. 項目管理技術, 2018, 16(6): 46-51.

ZHANG B B. Research on safety management system of tower crane in real-time monitoring and early warning based on BIM and WSN technology[J]. Project Management Technology, 2018, 16(6): 46-51 (in Chinese).

[23] 謝晨晨, 劉欣. 基于BIM和定位技術的塔吊安全事故預警[J]. 建筑安全, 2020, 35(11): 34-38.

XIE C C, LIU X. Safety accident warning of tower crane based on BIM and positioning technology[J]. Construction Safety, 2020, 35(11): 34-38 (in Chinese).

[24] 鮑躍全, 李惠. 人工智能時代的土木工程[J]. 土木工程學報, 2019, 52(5): 1-11.

BAO Y Q, LI H. Artificial Intelligence for civil engineering[J]. China Civil Engineering Journal, 2019, 52(5): 1-11 (in Chinese).

[25] YIN H M. Detecting tower crane with multi-features[J]. Applied Mechanics and Materials, 2014, 488-489: 854-857.

[26] 孫宏軍，趙作霖，徐冠群. 塔吊機器視覺監控系統設計[J]. 傳感器與微系統, 2016, 35(8): 70-73.

SUN H J, ZHAO Z L, XU G Q. Design of computer vision surveillance system for tower cranes[J]. Transducer and Microsystem Technologies, 2016, 35(8): 70-73 (in Chinese).

[27] FANG Y H, CHEN J D, CHO Y K, et al. Vision-based load sway monitoring to improve crane safety in blind lifts[J]. Journal of Structural Integrity and Maintenance, 2018, 3(4): 233-242.

[28] 汪濤, 張建德. 基于深度學習的起重機吊運手勢識別[J]. 現代電子技術, 2018, 41(23): 127-129, 133.

WANG T, ZHANG J D. Crane?s lifting gestures recognition based on deep learning[J]. Modern Electronics Technique, 2018, 41(23): 127-129, 133 (in Chinese).

[29] REDMON J, DIVVALA S, GIRSHICK R, et al. You only look once: unified, real-time object detection[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE Press, 2016: 779-788.

[30] SHAIFEE M J, CHYWL B, LI F, et al. Fast YOLO: a fast You only look once system for real-time embedded object detection in video[EB/OL]. (2017-10-14) [2021-03-15].https:// openjournals.uwaterloo.ca/index.php/vsl/article/view/171.

[31] 張銳. 基于機器視覺的塔式起重機控制策略研究[D]. 合肥: 合肥工業大學, 2019.

ZHANG R. Study on control strategy of tower crane based on machine vision[D]. Hefei: Hefei University of Technology, 2019 (in Chinese).

[32] 申耀華. 基于機器視覺的拼裝結構件焊縫表面缺陷檢測算法研究[D]. 天津: 天津理工大學, 2019.

SHEN Y H. Research on detection algorithms of weld surface defects based on machine vision for assemble structural parts[D]. Tianjin: Tianjin University of Technology, 2019 (in Chinese).

[33] YANG Z, YUAN Y B, ZHANG M Y, et al. Safety distance identification for crane drivers based on mask R-CNN[J]. Sensors, 2019, 19(12): 2789.

[34] KANG S, WANG H B. Crane hook detection based on mask R-CNN in steel-making plant[J]. Journal of Physics: Conference Series, 2020, 1575: 012151.

[35] LUO H, WANG M Z, WONG P K Y, et al. Full body pose estimation of construction equipment using computer vision and deep learning techniques[J]. Automation in Construction, 2020, 110: 103016.

[36] 黃宏安, 陳國棟, 張神德. 深度學習在塔吊裂縫識別中的應用[J]. 佳木斯大學學報: 自然科學版, 2021, 39(1): 13-16.

HUANG H A , CHEN G D , ZHANG S D. Application of deep learning in crack identification of tower crane[J]. Journal of Jiamusi University: Natural Science Edition, 2021, 39(1): 13-16 (in Chinese).

[37] KOCH C, GEORGIEVA K, KASIREDDY V, et al. A review on computer vision based defect detection and condition assessment of concrete and asphalt civil infrastructure[J]. Advanced Engineering Informatics, 2015, 29(2): 196-210.

[38] SEO J, HAN S, LEE S, et al. Computer vision techniques for construction safety and health monitoring[J]. Advanced Engineering Informatics, 2015, 29(2): 239-251.

[39] GONG J, CALDAS C H. Computer vision-based video interpretation model for automated productivity analysis of construction operations[J]. Journal of Computing in Civil Engineering, 2010, 24(3): 252-263.

[40] ZHONG B T, WU H T, DING L Y, et al. Mapping computer vision research in construction: developments, knowledge gaps and implications for research[J]. Automation in Construction, 2019, 107: 102919.

[41] PAN Z L, SU C, DENG Y C, et al. Video2Entities: a computer vision-based entity extraction framework for updating the architecture, engineering and construction industry knowledge graphs[J]. Automation in Construction, 2021, 125: 103617.

Information communications technology assisted tower crane safety management-review and prospect

DUAN Rui1, DENG Hui1, DENG Yi-chuan1,2

(1. School of Civil Engineering and Transportation, South China University of Technology, Guangzhou Guangdong 510640, China;2. State Key Laboratory of Subtropical Building Science, Guangzhou Guangdong 510640, China)

Tower cranes are the most frequently used vertical transportation tools in construction projects. Due to the high operating risks of tower cranes, it remains urgent to improve its safety management level in the industry. In recent years, information and communication technology (ICT) has gradually been applied to the safety management of tower cranes, but the current applications in this field are mostly single-point development, and the level of intelligence is low, which fails to meet the existing safety management requirements of tower cranes. By investigating the relevant literature in the field of tower crane safety management in the past decade, the current research status of tower crane safety management by domestic and foreign scholars was sorted out and summarized, and analyses were made on the object, core technology, attention, and advantages and disadvantages of the existing research. In addition, through the analysis of the existing methods, objectives and framework were proposed for the future tower crane safety management. The potential building information modeling (BIM) and computer vision (CV) in ICT were integrated into the tower crane safety management framework, so as to realize the real-time monitoring and early risk-warning of the tower crane operation process, and to effectively reduce the occurrence of accidents. The proposed framework is expected to promote the intelligentization and informatization of the tower crane safety management, and to provide some inspiration for the healthy development of construction engineering.

tower crane; safety management; building information modeling; computer vision technology; construction accident

21 May，2021；

TP 391

10.11996/JG.j.2095-302X.2022010011

A

2095-302X(2022)01-0011-10

2021-05-21；

2021-06-16

16 June，2021

廣東省自然科學基金項目(2018A030310363，2017A030313393)；廣州市科技計劃項目重點項目(20181003SF0059)；亞熱帶建筑科學國家重點實驗室自主課題(2017KB12)

s：Natural Science Foundation of Guangdong Province (2018A030310363, 2017A030313393); Key Project of Guangzhou Science and Technology Plan Project (20181003SF0059); Independent Project of State Key Laboratory of Subtropical Building Science (2017KB12)

段 銳(1998–)，男，碩士研究生。主要研究方向為建筑信息模型、計算機視覺。E-mail：khalilduan@163.com

DUAN Rui (1998–), master student. His main research interests cover BIM, CV. E-mail：khalilduan@163.com

鄧逸川(1989–)，男，助理教授，博士。主要研究方向為建筑信息模型、計算機視覺。E-mail：ctycdeng@scut.edu.cn

DENG Yi-chuan (1989–), assistant professor, Ph.D. His main research interests cover BIM, CV. E-mail：ctycdeng@scut.edu.cn