基于计算机视觉的施工现场工人不安全行为识别方法研究.pdfVIP

摘 要 摘 要 建筑业安全事故频发，工人不安全行为是安全事故发生的主要原因之一。传 统的不安全行为管控措施主要依赖人工方式，力度不足、效果不佳，且监控相机 拍摄的大量图像未能得到有效处理。近年来，新兴技术的快速发展为不安全行为 的自动识别提供了有效支持。特别是，计算机视觉技术不需要在工人身上附着设 备，对其作业影响较小，且能够对大量图像数据进行及时快速处理，因此更适用 于施工现场环境。然而，当前相关研究主要聚焦于生产率分析，对不安全行为识 别的研究较少，且局限于个别不安全行为的识别。同时，不安全行为识别对特征 细度、识别实时性等要求较高，这也为不安全行为识别研究带来了挑战。 本研究的目的是从系统性、实时性和精细性的角度研究并构建基于计算机视 觉技术的工人不安全行为识别方法。首先，在文献综述的基础上，从行为识别 视角对工人不安全行为进行分类，选取支撑行为识别的关键元素 （工人基本信 息、工人动作和实体间关系）对不安全行为进行结构化描述。然后，针对实体 间关系与工人动作，分别选取 Mask R-CNN (Region-Convolutional Neural Networks )和 LSTM （Long Short-Term Memory ）网络构建其识别方法。最后， 选取施工现场两项常见的不安全行为，即在梯子上爬得过高与安全带使用不当， 分别对构建的方法进行实证分析。结果显示：1）在梯子实验中，所训练的实 体识别模型在0.85 的置信度阈值下，工人的精确率与召回率分别达到了97.3% 与 92.4% ，梯子的精确率与召回率分别达到了 97.1%与 9 1.4% ；通过比较膝盖 关节点与梯子顶部点而识别出的安全关系的精确率与召回率均为92% ，危险关 系的精确率与召回率均为 73.5% 。2 ）在安全带实验中，选取特征动作以支持 安全带使用情况的判别，其中三类行走动作的平均精确率为 90.5% ，挂安全带 动作与解安全带动作的精确率分别为 50%和 75% 。尽管挂安全带动作的识别 精度稍低，但通过与其他动作的综合应用可以辅助判别安全带使用情况。由上 述结果可以看出，本研究构建的不安全行为识别方法是适用的、可行的。 本研究通过对施工现场工人不安全行为的识别，一方面有助于现场危险行为 的管控与预警，另一方面长期收集的大量数据可辅助安全管理决策，从而减少施 工现场安全事故的发生，提升安全管理水平。 关键词：施工工人；不安全行为；关系识别；动作识别；计算机视觉 I 目 录 目录 第 1 章 引言 1 1.1 研究背景 1 1.2 研究目的及意义 4 1.2.1 研究目的 4 1.2.2 研究意义 4 1.3 国内外研究现状分析 4 1.3.1 施工现场实体及实体间关系识别 4 1.3.2 工人PPE 使用情况识别 7 1.3.3 工人动作识别 9 1.3.4 相关深度学习算法 11 1.4 主要研究内容 13 1.5 研究方法与技术路线 14 1.5.1 研究方法 14 1.5.2 技术路线 16 第2 章 工人不安全行为分类与结构化描述方法 18 2.1 不安全行为分类方法 18 2 .2 不安全行为结构化描述方法 19 2.2 .1 场景解析与元素梳理 20 2.2 .2 关键元素选取 22 2.2 .3 元素组合与行为描述 25 2.3 本章小结 28 第3 章 基于Mask R -CNN 的动态实体间关系识别方法 29 3.1 实体间关系识别逻辑框架 29 3.2 实体数据采集方法 30 3.2.1 动态实体分类清单 30 3.2.2 数据采集原则 31 3.2.3 采集设备选取与布置方法 32 3.