基于深度学习的建筑安全事故预防策略综述

陆卫忠， 曹 燕， 宋正伟， 周 楠

（1.苏州科技大学 电子与信息工程学院，江苏 苏州215009；2.江苏省建筑智慧节能重点实验室，江苏 苏州215009；3.苏州市虚拟现实智能交互及应用技术重点实验室，江苏 苏州215009）

建筑安全问题一直困扰着众多的建筑企业，根据中华人民共和国住房和城乡建设部的最新统计数据显示，从2014 年到2018 年房屋市政工程生产安全事故共3 024 起，死亡3 584 人，平均每天死亡1.964 人，见表1。 此外，建筑行业非致命性职业伤害或疾病的发生率比行业平均水平高出30%，这导致该行业被认定为我国最危险的行业之一。 而值得注意的是，这些事故中有超过90%的事故被认为是由于不安全的操作行为和工作条件造成的[1]。 因此，如果能够提前纠正人们的不安全行为并改善工人的作业环境，那么建筑安全事故发生率自然会降低。

表1 2014 年到2018 年房屋市政工程生产安全事故

近年来，随着建筑信息模型（Building Information Modeling，BIM）和人工智能技术的兴起和发展，信息技术已逐渐应用于建筑安全领域。 在建筑工程和建筑安全事故预防中引入信息技术，可以提早排除或预防某些安全隐患，以避免或减少建筑施工过程中的安全问题[2-5]，同时管理人员还可以掌握施工现场工人和设备的工作状态，提前解除危害或从源头上降低建筑安全事故发生的概率。 这不仅是避免安全事故的创新方法，也是建筑安全行业未来发展的必然趋势。 其中，深度学习技术以其成本适中和可移植性强等特点迅速成为研究者关注的焦点。

深度学习是利用多层神经网络结构将隐含在高层中的信息进行建模的方法[6]，随着深度学习技术在计算机视觉、自然语言处理（Natural Language Processing，NLP）、语音识别领域取得的突破性进展，借助深度学习技术对建筑安全事故进行预防是目前一种主流的做法。 由于深度学习技术具备自动理解和持续监测施工现场能力，研究人员已将深度学习技术广泛用于工人个人防护设备检测、不安全姿态估计、不安全环境检测、基坑等局部形变预测、物料质量检测以及建筑物后期质量检测等[7-8]。 该文旨在以综述的形式阐明深度学习技术在建筑安全事故预防领域的应用。 文章组织结构如下：第一部分，分析建筑安全事故产生的危险源；第二部分，总结深度学习技术如何在建筑安全事故预防领域发挥作用；第三部分，从技术和实践的角度出发，对现有技术存在的弊端进行剖析，并对未来的研究方法和发展趋势做出预测。

1 建筑安全事故源分类

建筑工程是一个庞大的人机工程。 这一工程的安全性和可靠性不仅取决于施工人员的行为，还取决于各种施工机具、材料以及建筑物的状态[9]。 因此，建筑工程的安全事故源可分为以下六个方面。 （1）建筑工人自身问题。 建筑工人缺乏自我防护意识，没有正确佩戴相应的安全防护设备，如安全帽，安全背心，高空作业时必备安全带、手套、安全镜等[10-13]；施工人员未遵循安全程序。 施工人员可能在施工过程中存在不安全行为，如违规攀爬。（2）施工环境安全问题。建筑施工过程中缺乏必要的设备，或设备存在一定的安全问题，如脚手架、模板、支撑板、起重塔、物料提升机、施工电梯等存在问题，势必会对施工人员的安全造成一定的影响。（3）孔桩、基坑等局部结构工程失稳。如基坑发现形变、位移、坍塌等造成安全事故。（4）施工过程中物料的质量问题。 如混凝土如果抗压强度不够，那么后期施工人员不论做何种努力，对建筑物造成的质量安全损伤都是不可逆转的。（5）建筑物竣工后的质量问题。由于时间、压力、自然灾害等不可抗力造成建筑物老化而出现的安全问题[14]。 如地震后导致建筑的倾斜和裂缝，桥梁拉索由于承重出现质量安全问题，若未及时发现并进行修补势必会导致建筑物的坍塌造成安全事故。（6）监督过程问题。传统的人对人、人对物的监督方式存在不全面、不实时的问题，很容易导致施工人员在施工过程中发生意外事故。

2 基于深度学习的预防策略

采用深度学习技术预防建筑安全事故的发生[15-16]，主要是通过识别危险源，并及时解除危险源以达到预防的目的。 根据建筑安全事故的危险源分类，基于深度学习技术的建筑安全事故预防策略主要有以下六类。

2.1 个人防护设备检测

近年来随着计算机视觉技术的进步，人们在个人防护设备上的研究已经取得了很好的进展[17]，建筑工人个人防护设备检测是一个目标检测（Object Detection）的过程，目标检测可以评估在工作场所搜集的视频数据，检测建筑工人是否规范穿戴了防护服、安全帽等防护设备[18]。 这一过程的实现首先通过摄像头实时采集数据，然后后端采用预先训练好的模型对数据进行实时解析，不仅节省了人力，还可以对整个工地的作业状态进行实时监管，很大程度上规避了那些因未正确进行防护或错误的作业姿势而产生的建筑安全事故[19]。表2 是部分专家学者近年来在个人防护设备监测上的研究情况。

表2 工人防护设备检测研究情况

2.2 工人危险动作检测

对工人危险动作的识别是危险源检测的一个关键环节，利用人体姿态估计技术可以对建筑工人的姿态进行实时的检测估计。 若检测到不安全的作业方式，检测系统就会及时地发出警报，有效避免建筑工人陷入危险。Ray[25]等人开发了一种基于姿态的深度卷积模型以自动识别工人姿势，该模型通过人体姿态估计技术得到建筑工人的15 个关节点而获取局部特征， 然后对根据局部特征的加权以确定工人 “站立”、“弯曲”、“坐着”和“爬行”等四种姿势。 Walther[26]等人提出了一种无监督学习多人检测的工人姿势自主学习模型，该模型克服了以往需要背景简单、工人需穿着紧身类服装的限制。张明媛[27]等人提出了基于ANN 识别建筑工人跌落险兆的学习模型，模型以三轴加速度和三轴角度信息描述工人不同的状态，为保障建筑安全生产提供了新视角， 结合LSTM 方法的不安全行为的识别过程如图1 所示。 熊若鑫[28]等人采用CNN 检测3D 人体姿势，通过建立生物力学模型快速识别工人是否存在危险姿势，模型可允许对象存在部分遮挡。

2.3 不安全环境检测

根据中华人民共和国住房和城乡建设部最新发布的统计数据，2014 年到2018 年房屋市政工程生产安全事故占比较高的是高处坠落和物体打击，见表3。这些事故的发生往往是由于施工人员对自己作业环境的谬判造成，对此有学者开发了一种基于属性的框架，这种框架可以找出导致该建筑安全事故发生的所有属性，这些属性也被称为安全事故前兆，具有可解释性和物理意义，与建造方法和手段、建筑工人的行为以及环境条件有关[29-30]。 采用NLP 从原始事故报告中提取基本属性，得到的结果用于进一步训练模型来预测建筑安全事故。

图1 结合LSTM 方法的不安全行为识别过程

表3 2014 年到2018 年房屋市政工程生产安全事故类型

Tixier[31]提出了一种迭代的编码和测试过程的方法，该方法利用NLP 对数字安全事故报告进行属性提取，然后分析这些属性与安全事故之间的关联。 这种方式可以高速、自动地扫描100 个以上的属性和非结构化的建筑安全事故报告，为建筑安全管理提供了一种新的方法。 所提出的NLP 模型主要贡献在于：（1）它能够从非结构化建筑安全事故报告中自动且高精度的提取有意义的结构化属性和数据。 这种结构化数据代表了应用数据挖掘和统计建模算法所需的输入特征。（2）它克服了非结构化的解码问题。但它也存在一定的缺陷：模型的结果好坏与输入文本的质量有很大的关系，它既不能检测输入文本的拼写错误，也不能预测输入数据之外的事故原因。 Baker[32]等人在Tixier 开发出的模型的基础上根据属性组合提出了预测建筑安全事故模型，该模型增加了训练数据集并且引入了XGBoost 和线性SVM 两个新算法，此外，该模型还采用了模型堆叠策略提高模型的性能。 此类模型的建立可防止相似事故的重复出现，为建筑安全事故的发生提供可靠的规避方法。

2.4 基坑等局部结构形变检测

近年来在经济发展的推动下，我国城市化的步伐也在不断地加快，各大建筑项目也在逐渐增多，基坑工程也不断向超大、超深规模扩展[33-34]。 由于基坑安全是建筑工程后续安全问题的重要保障，因此，利用科学手段对在现代化的大型基坑工程进行形变预测具有重要意义。 基坑形变主要分三类：维护结构水平与竖直的变形、坑底隆起以及周围土体的水平与沉降位移。

2014 年孟凡丽[35]等人提出了基于BP 神经网络的深基坑围护形变预测方法，该方法旨在通过层次分析法建立深基坑围护形变的评价指标体系，方法通过48 个网络模型实现了不同深度情况下对基坑围护结构进行水平位移预测。 该方法虽然考虑了16 种基坑形变的因素，但是未将冻土、土质及深度等因素考虑进去，使得该方法的适用范围较小。 2015 年曹净[36]等人提出了一种基于离子群和最小二乘法支持向量机的基坑形变时间序列预测算法。 该算法将时间序列分析模型中的自回归滑动平均模型（Auto Regressive Integrated Moving Average，ARMA）与BP 神经网络相结合对基坑的形变位移进行预测，其结合了相空间重构原理对数据进行预处理，实现了位移特征预测。 但该模型仅适用于时间间隔较小的形变预测，另外模型的预测结果也存在一定的滞后性。

2.5 物料质量安全检测

在建筑施工中，混凝土的28 d 抗压强度是其质量优劣的重要参数。 若能在较短的时间内获得28 d 的抗压强度值，就能提前获得建筑物质量优劣。 传统的混凝土质量预测方法通常为基于数理统计的线性回归法。然而对于混凝土来讲，由于掺入了大量的粉煤灰，其抗压强度的大小和混凝土组成材料之间呈高度非线性关系，采用回归得到的线形函数并不适用。

2005 年天津大学的赵胜利[37]比较了3 种不同输入模型的RBF 神经网络的预测效果并与传统的只考虑了原材料用量或只考虑材料之前得到相对大小的BP 网络模型进行比较，提出了RBF 网络模型。该模型将输入指标增加到9 项，具有很高的预测精度和较强的泛化能力，可作为一种有效的混凝土性能分析新方法。 但是该方法的预测结果标签比较简单，不能对抗压的等级进行详细判断。 自回归模型（Auto Regressive，AR）模型是时间序列常用的模型之一。 2019 年杨雪华[38]等人提出了一种基于BP-AR 的深度预测组合算法对混凝土抗压强度进行预测。 该方法首先利用BP 神经网络做初步预测，然后将结果输入时间序列模型，模型对结果进行修正和调整，使得结果具有更高的准确率。 但该模型未将自然环境和工业生产对传感器可能造成的干扰数据进行处理，后续需要进一步完善。

2.6 建筑物后期质量检测

建筑物后期的质量检测主要是路面裂缝检测、砌体结构裂缝检测、房屋裂缝检测、桥梁裂缝检测等。检测到裂缝时，应按照相应的工程建设标准化章程要求对裂缝进行修补处理和加固处理以保障建筑的安全[39-41]。以桥梁为例，随着桥梁的建成通车，桥梁的维护和管理成为保障桥梁安全运营的关键。桥梁垮塌的原因往往都是由于没有进行科学的、及时的桥梁病害检测，因此，对桥梁裂缝进行检测至关重要[42-43]。

基于图像处理的裂缝检测主要分为5 类：Broberg[44]、Jahanshahi[45]、Merazi-Meksen[46]、Sinha[47]等人采用的形态学方法，Brooks[48]、Hamrat[49]等人采用的矫正分析方法，Alam[50]等人采用的基于实践的方法，以及集成法和基于渗透模型算法。 在图像处理中，裂缝检测一直比较困难，因为建筑物表面微小的杂质较多、光源不足等都会导致伪影，这种伪影会对真实的裂缝产生暗像素干扰，影响实验结果。 针对此问题，Robabeh[51]等人提出了一种两步跟踪检测方法：第一步，利用模版匹配在3D 数据集中找到移除增强体；第二步，在没有增强体的3D 数据集中进行裂缝检测。 这种分步做法可达到快速可视化检测的目的。

3 挑战和展望

深度学习的世界已经扩展到许多不同的垂直领域，其中一个是建筑业[52-53]。 目前基于深度学习的建筑安全预防策略已经取得了较理想的效果，但是仍旧存在精度和速度难以做到统一、模型通用性差、参数寻优时间过长等方面的问题，要想突破这些瓶颈就必须对现有状态做出改进。首先是数据集问题。目前还没有公开的建筑安全事故类的基准数据集，这就使得研究人员在进行模型训练时需要自行采集数据集。 这一方面增加了研究人员的工作难度；另一方面，参差不齐的数据集使得研究者得到的实验结果对比性较差。直观而言，同一深度学习算法，采用不同质量的数据集进行训练，最后在应用中表现出的检测效果会差异很大，甚至超过简单算法与高级算法的差异[54-55]，方法的验证和评价缺乏统一的标准。 虽然国内外学者已经训练出了许多建筑安全预防策略模型，但是目前却没有一个统一的评价标准，这使得研究者很难对不同的模型进行客观比对[56-57]，也难以证明改进的模型真正优于不同算法训练出的同类模型。

总之，未来深度学习技术在建筑安全事故预防领域的应用需要做一个整体的改进，实现模型精度与速度的最大化统一，以应对复杂的施工现场环境、多变的建筑工人以及建筑物本身的健康和安全检测。 考虑到整个国家对建筑工人生命健康的重视和基础设施的质量需求，以及深度学习技术在建筑安全事故预防领域已取得的技术优势和应用潜力，相信未来建筑行业的健康安全自动化管理水平会逐步提高。