基于AI技術的公路水運工程施工安全風險智能監測技術研究

李亞軍

（蘇交科集團股份有限公司，南京 211112）

1 引言

公路水運工程作為高危行業領域，固有風險多，常有施工人員的不安全行為造成的事故出現。這些事故不僅干擾企業正常生產秩序，而且給人民的生命財產安全造成巨大的影響[1-3]。怎樣做好施工現場安全管理工作，減少安全事故的發生，防止各類違章作業和不文明行為，提升建設工程質量，是擺在各級政府部門、建筑行業人員以及廣大學者們面前的一個重大研究課題。2020年7月，住建部頒布《關于推動智能建造與建筑工業化協同發展的指導意見》，意見中明確提出要大力推進先進制造設備、智能設備及智慧工地相關裝備的研發、制造和推廣應用，提升各類施工機具的性能和效率，提高機械化施工程度[4]。

本文就目前的現場檢查、視頻監測等技術手段，無法準確判定公路水運工程現場的違規行為，缺乏事中和事后管控措施的弊端，提出在對施工作業現場安全風險進行系統辨識分析與評估的基礎上，運用圖像識別算法YOLO算法[5-7]，對施工現場人員風險行為的檢測與識別展開深入研究，并在施工現場進行示范應用，實現對施工安全生產的超前預警與全視角監控，滿足新時期施工領域的安全生產管理要求。

2 作業安全分析

2.1 作業安全風險辨識

引起公路水運工程施工安全事故的因素眾多，包括作業現場、工作環境、機械設備、人力等，幾種要素相互耦合。一般，人的不安全行為和物的不安全性狀況是導致事件產生的最直接的影響因素。因此，通過對施工或生產過程進行安全風險分析，尋找可能產生的致險因素和可能導致發生的危險性事件，是進行風險分級控制的重要基石和關鍵環節，而風險分析的全面性和準確性，將直接影響防范安全生產風險的成效。

本文運用了JHA方法論[8]，根據風險類型（單位工程）→作業類型（分部工程）→作業單元（分項工程）的次序，將作業流程分類為不同作業類型，不同的作業類型對應不同作業單元，編制形成風險作業單元分解表。通過現場研究與評價小組討論的方法，系統分析了各種生產作業單元中人、設備、環境與管理原因之間的相互關系，識別研究出重要的致險因素，編寫形成安全生產風險清單，如表1所示。

表1 安全生產風險清單樣表

2.2 安全風險評價

在風險辨識的基礎上需用科學評價方式，判斷風險事件出現的概率以及事件發生后事故嚴重程度，確定風險大小和風險等級?？紤]施工現場實際情況，本研究構建了M-PEC風險評估模型，綜合考慮影響風險事件發生人、設備、環境和管理等因素，以及事件可能造成的后果。通過對各指標數據的定性分析和量化評估，最終評價出各風險等級，以便實施分級管控。評估模型如下：

式中，Mr為管理因素；P為人、機、工藝的影響；E為環境因素，包括自然、作業環境；C為后果，包括人員傷亡、財產損失。

3 智能監測系統構架設計

3.1 基本流程

公路水運工程施工環境安全風險智能監控管理系統以整個工地范圍為主要監測對象，首先使用布控的視頻監測儀，獲取了作業人員圖像制作模型的數據集，在對數據集預處理后，基于目標檢測算法實現對作業人員未戴安全帽的情況實時監測。以對現場的違規行為形成威懾，樹立一道防火墻。

3.2 系統設計

公路水運工程施工安全風險智能監測系統采用分層設計，總體框架主要由監控和提醒部分組成。監控部分主要包括基礎數據的采集以及目標檢測算法的執行；提醒部分是通過計算機控制系統對算法識別出未按規定佩戴安全帽等風險行為的對象，進行智能提醒，同時系統記錄具有風險行為的工人時間、地點和視頻截圖，以便工程負責人要在后期對違規人員進行安全教育。系統從總體上來說，可以分為5大模塊層次，從上至下，依次是功能展示層、業務模塊層、數據處理層、數據采集層以及基礎資源層，如圖1所示。

圖1 系統架構圖

系統共有6個功能模塊，包括系統配置、人員管理、攝像頭管理、資源視圖、告警記錄、報表管理。

1）系統配置模塊，包括人物權限管理系統，主要用來管理各個人物的權限，模塊內可自定義系統角色，關聯系統權限，（如普通工人、區域負責人、領導等）。

2）人員管理模塊，幫助管理員便捷管理工程中所有人員，管理員可以對所有人員進行增加、編輯、停復職、分配權限、預警短信通知人員設置等操作。

3）攝像頭管理模塊，對工地的所有攝像頭進行按區域登記，從而為AI智能分析風險提供素材，可查看各攝像頭狀態。

4）資源視圖模塊：用于調配視頻解碼服務和AI智能識別服務（模型訓練、發布管理）。

5）預警記錄模塊，將記錄AI識別到的所有不安全風險行為，包括時間、地點和視頻截圖。提供查詢功能，可以通過時間/攝像頭來查詢指定的違章記錄。

6）報表管理模塊，提供按不同時間單位統計風險預警發生的頻率，生成相應的報表。統計擬包含歷史違規行為統計，如時間段統計、分類統計、行為增幅減幅、分監控區域統計等以及AI識別率增幅表（用于體現識別準確趨勢）。

3.3 系統功能開發

3.3.1 安全帽檢測數據集建立

要對施工現場工作人員未佩戴安全帽的進行實時檢測，就應首先建立檢測數據集。該研究利用監控視頻文件按時段截取幀，以提取原始圖像數據信息，并以圖像格式文檔進行保存。

鑒于未佩戴安全帽行為檢測屬于檢測任務，使用labelImg標注工具將圖像中未戴安全帽的人和正確佩戴安全帽的人分別標注出來，并保存為xml格式，記為負數據集、正數據集。如圖2和圖3所示。

圖2 labe lImg標注圖

圖3 x m l格式圖

3.3.2 安全帽檢測算法

由于安全帽顏色各異且現場施工環境多變，傳統的檢測方式很難兼顧解決上述問題。近年來，隨著人工智能的不斷發展，其分支的圖像識別技術也受到了眾多學者的密切關注。

圖像識別技術作為圖像處理與模式識別技術的綜合產物，是一門利用計算機對圖像區別不同目標對象的科學技術。本文依據建立的檢測數據集，采用圖像識別技術中的目標檢測算法YOLO算法對施工現場作業人員的安全帽佩戴行為進行了識別研究。

YOLO[9]算法由Redmon J在2016年提出，是能夠實現端到端的檢測深度神經網絡模型。該算法將輸入特征圖劃分成S×S的網格，每個網格會預測B個目標檢測框，并用4個特征值來表征目標檢測框的大小與位置，其中（x，y）表示中心坐標，（w，h）表示寬、高。當網格數S取值為7，對圖中49個的網格的位置和包含的信息來進行預測，其中目標中心點坐標所在的網格負責目標的檢測。

YOLO算法在檢測的過程中，有兩個重要的指標，分別是置信度和類別概率值。置信度包括目標檢測框中含有目標物體的可能性大小和目標檢測框的準確度，用目標檢測框與實際框的交并比IoU表示。類別概率值是指由某個網格負責預測的邊界框目標屬于各個類別的概率。實際上，這些概率值是在不同邊界框置信度下的條件概率。

4 工程示范應用

南槽航道治理工程監控區域廣、涉及人員設備多，而現有的人工監控無法及時判別違規行為、僅能在發生事故后提供視頻回放缺少事中視頻監管、缺少自動識別以及智能分類的功能。通過整合作業區域內的視頻監控設備，開發“南槽一期工程施工現場安全風險智能監測系統”，如圖4所示，運用安全帽檢測算法實時檢測作業人員安全帽佩戴狀態，并對違規行為，及時發出違章報警信息，抓拍違章情況。

圖4 系統界面

隨著現場隱患整治的逐步深入以及安全風險智能監測系統的不斷高效運轉（見圖5），4個預制現場隱患數實現連續8個月遞減，下降了41.94%，其中靖江預制場的隱患數量連續4個月降為零?？梢?，安全風險得到了有效控制，有效地提升了現場管理水平，確保了工程項目的正常施工進度。

圖5 運行效果展示

5 結論

本文采用機器學習的方法，通過建立未佩戴安全帽的正負數據集，利用YOLO目標檢測算法對公路水運工程施工現場作業人員安全帽行為進行檢測，并在南槽工程進行了示范應用。

1）綜合運用了物聯網、傳感器、計算機視覺等前沿科技，為公路水運工程施工作業安全+信息化融合做了較好示范。

2）通過對施工現場的數據采集、動態監控、即時數據分析、智慧警示，實現了公路水運工程施工作業流程中安全風險的全鏈條管理。