基于KanBIM 和物联网的电力工程现场安全行为识别方法研究

贾云博，张永炘，黄伟文，何东城，蔡岱翰

（广东创成建设监理咨询有限公司，广东 广州520000，E-mail：yunbo.jia@qq.com）

电力事业的发展，决定了经济技术的进步和发展。无论是经济欠发达地区还是东部沿海地区，电力工程的建设遍布各地。为了保证电力工程施工的质量，需要对电力工程现场施工进行安全管理，提高对施工工人的安全保障能力[1]。但是仅依靠人员现场管理，信息传递的效率低下、方式落后，无法兼顾施工生产的全部环节[2]。

通过精细化管理，将信息技术与安全行为识别有机结合，可在保证工程质量的同时，确保施工人员的行为安全[3]。Wei 等[4]研究了一种基于深度学习的视频不安全行为捕捉方法，利用注意力机制，提高工人身份识别的效率，保证其在电力施工的现场行为具有安全性。FANG 等[5]研究了基于计算机视觉的信息化安全管理方法，通过与信息处理技术的融合，开发了一种应用于施工安全的管理框架，有效保障了施工过程中的安全监管效果。

针对电力施工现场的安全行为监管识别问题，本文研究了基于KanBIM 和物联网技术的电力工程现场安全行为识别方法。利用目标识别技术，以安全帽识别和违规行为识别等作为研究对象，并利用BIM 平台，构建安全管理模型，加强对施工现场工人行为的安全性识别管理能力，为保障施工人员的安全提供了新的思路。

1 KanBIM 与物联网技术

1.1 KanBIM

KanBIM 技术是一种软硬件结合的信息管理系统，结合信息技术和运行程序管理，能够有效实现对于施工质量和施工安全等方面的精益建设[6]。在此基础上，结合信息建设技术，促进信息融合管理，能够提供详细的关于工程施工和人员管理的流程，从而实现对现场操作人员的行为安全性管理[7]。

1.2 物联网技术

物联网技术是一种智能化的网络系统，涵盖了信息采集、信息传感、数据交换和网络通信等多个方面[8]。可以有效实现对于工人的行为和着装等进行监管。物联网技术主要包括4 个层次，分别为感知层、网络层、管理层和应用层[9]。其中最主要的技术包括RFID 技术（Radio Frequency Identification，视频识别技术）和WSN 技术（Wireless Sensor Network，无线传感网络）。

1.3 KanBIM 与物联网技术结合

KanBIM 将项目计划层层分解，通过工程的日施工计划安排，对施工人员的工作范围进行大致规划，从而可以有效辨别出位于非工作区域的人员。结合物联网的监控技术，对于施工人员的行为是否规范和安全进行识别，及时示警并进行全方位管理。施工现场会出现各种各样的数据，大量的数据会造成识别效率的降低[10]。而通过数据处理技术，利用数据融合和聚集函数的设定，实现多源异构数据的融合，提高行为识别的准确性，降低冗余信息干扰，提高系统处理速度，做到及时高效。

2 基于KanBIM 和物联网的安全行为识别系统架构

电力施工的安全行为识别管理系统，主要由四部分组成，分别为KanBIM、RFID 和WSN 监控传感网络、信息融合处理系统、预警系统等，其结构图如图1 所示。

图1 安全识别系统结构图

2.1 卷积神经网络

施工现场的安全行为识别工作，可以通过构建网络模型，来提高系统工作效率。最常用到的网络模型主要为卷积神经网络模型（Convolutional Neural Networks，CNN）。卷积神经网络主要包括3 个层，即输入层、输出层和隐藏层[11]。

隐藏层位于输入和输出层的中间，正向传播中，其对应的输入可以表示为：

式中，nj表示隐藏层中第j个神经元的输入；aji为对应神经元的权重系数；Xi为输入层中第i个神经元给隐藏层的输入。

隐藏层的输出可以表示为：

式中，Cj表示隐藏层中第j个神经元的输出；f为系统激活函数。

输出层接受的输入数据可以表示为：

式中，nk表示输出层中第k个神经元的输入；bkj为对应神经元的权重系数；

输出层的输出可以表示为：

式中，Ok表示输出层中第k个神经元的输出。

当神经网络进行反向传播时，可以得到系统代价函数E的表示式：

式中，Yk为输出层输出中对应第k个神经元的期望。

输出层的残差δo可以表示为：

对应隐藏层的残差δC可以表示为

从输入层到隐藏层的权重增量可以表示为：

式中，μ为权重增量的下降步长。

从隐藏层到输出层的权重增量可以表示为：

更新后的权重表示式为：

式中，上标i+1 表示更新后的数据，上标i对应更新之前的数据。

在CNN 卷积神经网络中，其正向传播可以获得网络各节点的数据值，反向传播的优势在于可以避免重复计算，提高系统运行效率，较好地完成训练工作。为了提高卷积神经网络在目标识别算法中的效率，人们开发了Faster R-CNN 网络。Faster R-CNN 是在CNN 网络的基础上，通过候选区域选择算法和降低冗余特征操作过程等，极大地提高模型的计算效率[12]。

2.2 改进Faster R-CNN 网络

尽管Faster R-CNN 网络具有极高的工作效率，但是将其应用于安全行为识别时，还是存在误检率高的问题[13]。为了提高模型对于安全行为的识别效率，需要对Faster R-CNN 网络框架进行改进，改进方法主要包括增加锚点数量、改进损失函数和特征图像插值预测等。

（1）锚点数量增加。锚点数量是卷积网络中的一个重要参数，直接决定和影响了特征图像的生成情况，默认网络架构中的锚点数量为9 个，主要包括3 种图像尺寸和3 种图像纵横比，从而确定出复杂施工现场中的检测区域，如安全帽、手机等物体。对于这些影响作业安全的小物体，9 个锚点数量不足以精确描述其位置和图像情况，算法的召回难度高，难以进行回归和分类等处理。因此需要加入更细致的锚点，从而完成对于小目标物体的检测，提高系统的检测能力。

（2）损失函数改进。损失函数的大小，决定了在复杂的电力工程现场中，目标图像数据集中样本比例不均衡问题。根据样本训练中的难易程度，对其赋予一定的权重系数，可以有效增强模型便于对特征物体的辨识能力，便于对安全行为进行监控。

改进后的损失函数基于交叉熵的理论，损失函数L的表示式为：

式中，p为样本值为1 的概率情况，y为标签；γ为模型损失函数的调节系数；α为模型平衡因子。

与交叉熵函数相比，改进的损失函数增加了调节系数γ，通过调节系数的设置，可以有效提高模型对于困难样本的挖掘能力，减少对于简单样本的专注损失。平衡因子α的作用在于，解决模型数据集中目标类别不够均衡和全面的问题。

（3）特征图像插值预测。由于样本量化后的数据，预测区域和实际区域之间出现了较大的误差，进而影响了模型的检测精度。因此需要对区域选择部分进行插值处理，利用双线性插值数据代替原始模型的插值数据，通过获得候选框浮点量化数据，提升模型预测结果的准确度。

2.3 模型性能指标

（1）准确率。表示式为：

式中，TP为正样本数量，FP为负样本数量。

（2）召回率。表示式为：

式中，FN为正样本被预测为负样本的数量。

（3）F1 值。F1 值的作用在于对召回率和准确率两个指标进行综合考虑。表示式为：

（4）平均准确率。表示式为：

式中，MAP主要对于各种检查目标在模型中检测效果加以评价；Nc为所有检测目标类别的数量；Ni为数据集中i类数据的目标数量。

2.4 基于目标识别的安全行为识别

将目标识别技术应用于电力现场的安全管理中，可以有效发挥KanBIM 和物联网技术的优势。利用目标识别技术，有效识别现场工人的位置信息、着装信息、操作信息等。及时发现施工过程中的违规和安全隐患问题，对这些行为加以示警，防患于未然，有效确保施工现场的人员生命安全。以安全帽为例，作为施工现场中必不可少的设备，通过RFID、BIM 及物联网通信技术，可以把工人安全帽佩戴是否正确，着装是否规范等管理，结合到统一的平台中，及时通知、及时处理、及时纠正。对于现场工人的其他不规范操作，如玩手机、注意力不集中等行为，同样可以通过视频监控加以识别，通过示警、通告等方式，及时加以教育和纠正，提高整个现场的管理效率。

3 实验结果与数据分析

3.1 实验环境设定

基于Tensor Flow 学习框架对模型的识别效果加以验证，本文主要研究关于施工现场中安全帽的佩戴识别和工人违规操作的识别两个方面。

在安全帽的识别方面，对于数据集的建立，需要采集足够多的图像，本文共采集7662 张图像，包括各种复杂作业现场场景中安全帽的佩戴图像和未佩戴图像。由于本文网络模型的训练要求，通过本文改进Faster R-CNN 网络模型的不断完善，可以有效实现目标的检测，大幅提高系统检测精度。

对于违规行为的数据集建立，同样需要根据分类情况加以收集，保证数据集的建立涵盖多个分类，且图像数据尽量均衡，避免出现由于分类不清导致的模型错检情况。本文共采集图像19822 张，涵盖工人操作过程中看手机、打电话、扶眼镜、视线偏离、正常操作等多种情况。

安全行为识别管理过程中图像识别的流程如图2 所示。

图2 图像识别流程图

3.2 安全帽识别结果

3.2.1 改进后模型与原模型对比

将经过训练后的模型，在相同的数据情况下，利用原Faster R-CNN 模型与本文改进模型进行对比，比较其识别精度情况，对比结果如表1 所示。

表1 模型精度情况对比

由表1 中结果可以看到，本文改进后的模型与原始网络架构相比，在各方面均有了不同程度的提高，MAP提高了约15%左右，对于佩戴安全帽人员的检测准确率提高约5%，未佩戴人员的检测准确率提高了接近25%。检测精度方面，原模型的检测精度为91.51%，本文模型的检测精度为99.99%，大幅提高了检测模型的精度。可知本文模型的检测效果更好，且适用于小目标的检测，包括工程现场的安全帽、手机、多目标、小个体的识别，对于吸烟、打电话等不规范行为的识别精度更高。

3.2.2 锚点数量的影响

为了验证本文模型改进的效果，在原始模型的基础上，单纯改变算法中锚点的数量，对比不同数量情况下的识别效果，其结果如图3 所示。

图3 锚点数量对于图像精度的影响

图3 中可以看到，随着锚点数量的上升，MAP值逐渐增大，证明其可以有效提高模型识别能力。其原因在于，锚点的增加，可以有效提高模型对于小目标的识别能力，从而提高对于安全帽佩戴不规范、不佩戴安全帽等行为的管理能力和管理效果。

3.2.3 损失函数和特征图像插值预测的改进效果

在相同的锚点数量为12 的情况下，选择不同的损失函数和不同的插值策略，其对比结果如表2所示。

表2 不同改进方案效果

表2 中可以看到，当其他条件相同，仅仅是改变损失函数时。本文改进后算法的MAP值均优于原先的模型，未改变插值策略时，两者的差约为9.04%，而改变插值算法后，两者的差约为3.9%。说明损失函数的优化，能够有效提高模型的识别效果。

同理，在相同的损失函数情况下，改变插值策略，同样能够有效提高模型的识别效果。损失函数优化前，相同条件下，MAP的差为9.95%。而使用优化后的损失函数时，两者的差为5.05%。同样说明本文的插值策略是有利于跳过模型识别能力的。

3.2.4 不同模型对比

相同条件下，比较本文改进后算法与其他算法之间的效果。计算结果如表3 所示。

表3 不同模型方案效果对比

表3 中可以看到，对比不同的网络模型，本文算法得到MAP值依然是最高的，优于其他算法，对于传统Faster R-CNN 模型的改进效果明显，MAP值提高15%。

3.3 违规行为识别

将本文算法应用于工程施工中的安全行为监控。利用大量的图像数据作为算法的训练集和测试集，避免由于样本量的不足而导致的算法偏差。使用本文网络模型进行训练，设定学习率为0.001，周期为100，得到的各识别参数结果如表4 所示。

表4 各行为的识别结果

表4 中可以看到，利用本文模型对于施工现场的工人行为进行监测，常见的行为识别准确率为99%，模型召回率为98%，F1 值大小为98%。说明本文算法对于工人的行为具有很好的识别率，对于看手机和打电话等行为的识别率甚至达到100%，其他行为的识别也在98%以上，可以有效监管和避免工作过程中的不安全行为。

相同条件下，将本文算法与其他算法模型进行对比，对比结果如表5 所示。

表5 不同模型方案效果F1 值对比

由表5 可以看到，本文算法模型的识别率，均高于轻型CNN 结构和HOG-RF 网络模型。对于所有的工人常规操作，本文算法几乎可以识别出全部的行为，识别准确率超过99%。

根据行为识别，可以有效对工人的不规范着装和非正常行为等进行标记和识别，对于在非工作区域和非安全区域进行活动也能够及时处理。可以证明，本文基于KanBIM 和物联网的安全行为识别方法，能够有效提高施工现场安全行为管理，保障人员的生命财产安全。

4 结语

对于工程施工来说，保证现场的安全性，是其重中之重。基于KanBIM 和物联网的安全行为识别方法，通过网络模型实现对工人的安全行为进行识别和管理。利用改进的Faster R-CNN 模型对工人的安全行为进行监控，并将该模型应用到施工人员的安全帽佩戴和行为规范性识别方面，实验结果证明该模型具有极高的识别精度和识别效率，对不安全行为的识别准确度超过99%，具有重要的应用价值。且将该模型与其他经典模型进行对比，结果证明该模型具有明显的优势，识别的准确率更高，可用于施工现场的安全行为规范管理工作。