基于AI技术的公路水运工程施工安全风险智能监测技术研究

2023-01-15李亚军

工程建设与设计 2022年23期

李亚军

（苏交科集团股份有限公司，南京 211112）

1 引言

公路水运工程作为高危行业领域，固有风险多，常有施工人员的不安全行为造成的事故出现。这些事故不仅干扰企业正常生产秩序，而且给人民的生命财产安全造成巨大的影响[1-3]。怎样做好施工现场安全管理工作，减少安全事故的发生，防止各类违章作业和不文明行为，提升建设工程质量，是摆在各级政府部门、建筑行业人员以及广大学者们面前的一个重大研究课题。2020年7月，住建部颁布《关于推动智能建造与建筑工业化协同发展的指导意见》，意见中明确提出要大力推进先进制造设备、智能设备及智慧工地相关装备的研发、制造和推广应用，提升各类施工机具的性能和效率，提高机械化施工程度[4]。

本文就目前的现场检查、视频监测等技术手段，无法准确判定公路水运工程现场的违规行为，缺乏事中和事后管控措施的弊端，提出在对施工作业现场安全风险进行系统辨识分析与评估的基础上，运用图像识别算法YOLO算法[5-7]，对施工现场人员风险行为的检测与识别展开深入研究，并在施工现场进行示范应用，实现对施工安全生产的超前预警与全视角监控，满足新时期施工领域的安全生产管理要求。

2 作业安全分析

2.1 作业安全风险辨识

引起公路水运工程施工安全事故的因素众多，包括作业现场、工作环境、机械设备、人力等，几种要素相互耦合。一般，人的不安全行为和物的不安全性状况是导致事件产生的最直接的影响因素。因此，通过对施工或生产过程进行安全风险分析，寻找可能产生的致险因素和可能导致发生的危险性事件，是进行风险分级控制的重要基石和关键环节，而风险分析的全面性和准确性，将直接影响防范安全生产风险的成效。

本文运用了JHA方法论[8]，根据风险类型（单位工程）→作业类型（分部工程）→作业单元（分项工程）的次序，将作业流程分类为不同作业类型，不同的作业类型对应不同作业单元，编制形成风险作业单元分解表。通过现场研究与评价小组讨论的方法，系统分析了各种生产作业单元中人、设备、环境与管理原因之间的相互关系，识别研究出重要的致险因素，编写形成安全生产风险清单，如表1所示。

表1 安全生产风险清单样表

2.2 安全风险评价

在风险辨识的基础上需用科学评价方式，判断风险事件出现的概率以及事件发生后事故严重程度，确定风险大小和风险等级。考虑施工现场实际情况，本研究构建了M-PEC风险评估模型，综合考虑影响风险事件发生人、设备、环境和管理等因素，以及事件可能造成的后果。通过对各指标数据的定性分析和量化评估，最终评价出各风险等级，以便实施分级管控。评估模型如下：

式中，Mr为管理因素；P为人、机、工艺的影响；E为环境因素，包括自然、作业环境；C为后果，包括人员伤亡、财产损失。

3 智能监测系统构架设计

3.1 基本流程

公路水运工程施工环境安全风险智能监控管理系统以整个工地范围为主要监测对象，首先使用布控的视频监测仪，获取了作业人员图像制作模型的数据集，在对数据集预处理后，基于目标检测算法实现对作业人员未戴安全帽的情况实时监测。以对现场的违规行为形成威慑，树立一道防火墙。

3.2 系统设计

公路水运工程施工安全风险智能监测系统采用分层设计，总体框架主要由监控和提醒部分组成。监控部分主要包括基础数据的采集以及目标检测算法的执行；提醒部分是通过计算机控制系统对算法识别出未按规定佩戴安全帽等风险行为的对象，进行智能提醒，同时系统记录具有风险行为的工人时间、地点和视频截图，以便工程负责人要在后期对违规人员进行安全教育。系统从总体上来说，可以分为5大模块层次，从上至下，依次是功能展示层、业务模块层、数据处理层、数据采集层以及基础资源层，如图1所示。

图1 系统架构图

系统共有6个功能模块，包括系统配置、人员管理、摄像头管理、资源视图、告警记录、报表管理。

1）系统配置模块，包括人物权限管理系统，主要用来管理各个人物的权限，模块内可自定义系统角色，关联系统权限，（如普通工人、区域负责人、领导等）。

2）人员管理模块，帮助管理员便捷管理工程中所有人员，管理员可以对所有人员进行增加、编辑、停复职、分配权限、预警短信通知人员设置等操作。

3）摄像头管理模块，对工地的所有摄像头进行按区域登记，从而为AI智能分析风险提供素材，可查看各摄像头状态。

4）资源视图模块：用于调配视频解码服务和AI智能识别服务（模型训练、发布管理）。

5）预警记录模块，将记录AI识别到的所有不安全风险行为，包括时间、地点和视频截图。提供查询功能，可以通过时间/摄像头来查询指定的违章记录。

6）报表管理模块，提供按不同时间单位统计风险预警发生的频率，生成相应的报表。统计拟包含历史违规行为统计，如时间段统计、分类统计、行为增幅减幅、分监控区域统计等以及AI识别率增幅表（用于体现识别准确趋势）。

3.3 系统功能开发

3.3.1 安全帽检测数据集建立

要对施工现场工作人员未佩戴安全帽的进行实时检测，就应首先建立检测数据集。该研究利用监控视频文件按时段截取帧，以提取原始图像数据信息，并以图像格式文档进行保存。

鉴于未佩戴安全帽行为检测属于检测任务，使用labelImg标注工具将图像中未戴安全帽的人和正确佩戴安全帽的人分别标注出来，并保存为xml格式，记为负数据集、正数据集。如图2和图3所示。

图2 labe lImg标注图

图3 x m l格式图

3.3.2 安全帽检测算法

由于安全帽颜色各异且现场施工环境多变，传统的检测方式很难兼顾解决上述问题。近年来，随着人工智能的不断发展，其分支的图像识别技术也受到了众多学者的密切关注。

图像识别技术作为图像处理与模式识别技术的综合产物，是一门利用计算机对图像区别不同目标对象的科学技术。本文依据建立的检测数据集，采用图像识别技术中的目标检测算法YOLO算法对施工现场作业人员的安全帽佩戴行为进行了识别研究。

YOLO[9]算法由Redmon J在2016年提出，是能够实现端到端的检测深度神经网络模型。该算法将输入特征图划分成S×S的网格，每个网格会预测B个目标检测框，并用4个特征值来表征目标检测框的大小与位置，其中（x，y）表示中心坐标，（w，h）表示宽、高。当网格数S取值为7，对图中49个的网格的位置和包含的信息来进行预测，其中目标中心点坐标所在的网格负责目标的检测。

YOLO算法在检测的过程中，有两个重要的指标，分别是置信度和类别概率值。置信度包括目标检测框中含有目标物体的可能性大小和目标检测框的准确度，用目标检测框与实际框的交并比IoU表示。类别概率值是指由某个网格负责预测的边界框目标属于各个类别的概率。实际上，这些概率值是在不同边界框置信度下的条件概率。

4 工程示范应用

南槽航道治理工程监控区域广、涉及人员设备多，而现有的人工监控无法及时判别违规行为、仅能在发生事故后提供视频回放缺少事中视频监管、缺少自动识别以及智能分类的功能。通过整合作业区域内的视频监控设备，开发“南槽一期工程施工现场安全风险智能监测系统”，如图4所示，运用安全帽检测算法实时检测作业人员安全帽佩戴状态，并对违规行为，及时发出违章报警信息，抓拍违章情况。