施工现场安全智能化管控应用研究

李凡 潘新春 陈文 王佳伟 贺翔 向宏健

基金项目：武汉品道建筑园林工程有限公司2023科研项目（2023JSZN4KJ-YL2-B-007）

第一作者简介：李凡（1984-），男，一级建造师。研究方向为建筑设计。

*通信作者：潘新春（1969-），男，副主任研究员。研究方向为施工项目管理。

DOI：10.19981/j.CN23-1581/G3.2024.13.043

摘  要：为预防建筑业施工安全事故的发生，减少大量的施工安全事故所造成的生命财产损失和社会负面影响，该文采用Springboot框架和YOLOv5技术，搭建监测平台进行智能化管控，重点关注施工现场人员的资质审核和不安全行为检测，提高施工现场安全监管的效率和准确性。

关键词：施工现场安全；智能管控；人工智能；机器学习；建筑安全

中图分类号：TU71       文献标志码：A          文章编号：2095-2945（2024）13-0179-04

Abstract： In order to prevent the occurrence of construction safety accidents in the construction industry， reduce the loss of life and property and negative social impact caused by a large number of construction safety accidents. This paper uses Spring Boot framework and YOLOv5 technology to build a monitoring platform for intelligent management and control， focusing on the construction site personnel qualification audit and unsafe behavior detection， to improve the efficiency and accuracy of construction site safety supervision.

Keywords： construction site safety; intelligent management and control; artificial intelligence; machine learning; building safety

隨着新兴技术的快速发展，基于计算机技术、传感技术、信号处理技术以及人工智能等新技术的推动，施工现场监测系统得到了极大的关注和研究。借助这些新技术，能够搭建智能管控平台，建立自动、实时、高效的施工现场监测系统，从而更快速、准确地处理监测数据。这使得管理人员能够长期在线监测复杂施工现场的安全状况和建筑物的建设、运营过程中可能出现的问题，及时发现事故隐患并快速反馈，可以协助管理人员进行更加有效的监管，确保施工现场的安全。

1  施工现场安全管理模式分析

1.1  传统安全管理模式短板

常见的传统安全管理模式有：制定安全规章和政策，进行人员的安全培训和教育[1]，提供必要人员的安全设备和装备[2]，安排安全监督与巡视，制订安全事故的紧急应对计划[3]等。这些管理策略的制定对施工现场的安全管理提供了一定的保障。然而在实际施工现场，人员流动性大，安全措施无法得到有效执行。安全监督员的人数有限，也无法实现实时的监管，施工过程中安全事故依然频发。2017—2021年全国发生房屋市政工程生产安全事故3 622起，死亡人数4 198人[4]，如图1所示。

图1  2017—2021年全国房屋市政工程生产平安事故数据图

1.2  智能化安全管理模式

随着5G时代的到来，人工智能、大数据等技术快速发展，施工工地开始引入智能化管理技术手段，建立监控平台打造三维立体建筑模型，实现对施工全过程可视化。

当前，国内外的许多学者已经进行了相关课题研究，探索基于人工智能的智慧工地施工安全预警与管理。Fang等[5]使用Faster R-CNN方法检测施工现场工人是否佩戴安全帽，并验证了在各种视觉条件下的有效性。熊若鑫等[6]在施工现场动态且复杂的场景下，建立了一个数据集，并建立了模型，实现了对施工现场工人姿态的实时检测。高寒等[7]使用卷积神经网络构建了双模单高斯模型，然后利用摄像头获取施工现场图像，并使用建立好的模型进行施工人员侵入行为判别，丰富了施工安全管理手段。任中杰等[8]将计算机视觉与火灾预警相结合，建立了一个定量烟火预警模型，并在实际场景中验证了其准确性。Chen等[9]提出了一种基于深度学习的安全带检测算法，主要应用于复杂道路背景。Luo等[10]采用深度学习模型自动估算施工现场视频中机械设备的状态，以评估施工现场的安全状况。这些研究丰富了智慧工地施工安全管理的方法，提高了工地安全管理的效率和准确性。智能化管理方式相比较传统安全管理方式，具有实时监控，降低人为错误，减少成本付出等优点。

2  研究方法

Spring Boot技术是一个快速开发、基于Spring框架的微服务框架，适用于各种类型的应用程序，包括 Web应用程序、表现层状态转换接口（REST API）、批处理应用程序、消息队列应用程序和移动应用程序等。JavaWeb是用Java技术来解决相关Web互联网领域的技术栈。Java在服务器端的应用非常的丰富，比如服务连接器（Servlet），java服务器页面（JSP）、第三方框架等等。Java技术对Web领域的发展注入了强大的动力。本文采用该技术来实现施工人员的安全管理和系统平台搭建。

YOLOv5模型是YOLO（You 0ny Look 0nce）系列算法，其能够在图像中实时检测多个对象。YOLOv5具有更高的检测精度和更快的检测速度。本文采用YOLOv5技术实现施工现场的不安全行为的监测和预警。

3  实现过程

3.1  施工现场智能化管理平台

施工现场智能化管理平台使用Springboot+Vue技术开发完成，其中PC端为管理端，管理员通过登录系统进行查看用户信息。通过点击每一条记录则可查看用户上传的信息，包含用户上传日期、地点、用户基本信息、证件图片及个人图片。还可以查看用户上传的记录以及对历史记录页面进行查看历史的提交记录等操作。整体框架流程图如图2所示。

图2施工现场智能化管理平台整体框架图

施工现场智能化管理平台前端使用MVVM框架进行设计，模型层（Model）负责处理业务逻辑以及和服务器端进行交互，视图层（View）负责将数据模型转化为UI展示出来，视图模型层（ViewModel）用来连接Model和View，是Model和View之间的通信桥梁。图3为MVVM框架下的业务逻辑图。

图3  MVVM框架图

施工现场智能化APP使用Springboot+Uniapp技术搭建完成，实现智能现场智能化手机端的开发和运用。Uniapp是一个使用Vue.js开发所有前端应用的框架，可以兼容多种平台。Uniapp框架如图4所示，通过Uniapp内置组件，不同平台接口（API）以及开发所有前端应用的框架（uni）扩展组件为底层，兼容APP平台、小程序平台等多种平台。

图4  Uniapp框架图

施工现场智能化APP作为施工人员上传个人信息的途径，用户本身可以填写个人信息包括个人姓名、年龄、身份证号码和手机号码等去注册属于自己的账号。施工人员登录进入小程序主页后，可进行点击上传个人照片以及用户证件照片上传等操作。当施工人员进入施工现场时须戴头盔进入。当识别出人员信息时，通过判断施工人员是否已经具备信息，如果有则能够进入施工现场，如果无法识别，则通过将信息发送到管理端进行审核再进行后续操作。图5为施工人员身份审核模块的时序图。

3.2  施工现场安全行为检测算法

施工现场智能化通过使用施工现场安全行为检测算法进行对施工人员安全行为的检测，主要使用YOLOv5（You Only Live Once）技术进行优化算法模型。图6是Yolov5 5个模型网络结构对比。

图6  YOLOv5不同网络结构图

本项目使用YOLOv5m网络结构实现检测功能。Yolov5m的输入端采用了Mosaic数据增强的方式，大大增加了数据多样性，通过混合多种抓取的模型数据从而增强模型鲁棒性，通过使用加强批归一化（Batch Normalization）的效果让训练效果更佳，并且有利于提升小目标检测性能。在YOLOv5m中，使用的是CSPDarknet53或ResNet骨干网络，通过使用骨干网络进行提取图像特征的网络，将原始的输入图像转化为多层特征图，以便后续的目标检测任务使用，保证较高检测精度的同时，尽可能地减少计算量和内存占用。Backbone中的主要结构有Conv模块、C3模块、SPP模块。

1）Conv模块是卷积神经网络中常用的一种基础模块，其主要由卷积层、BN层和激活函数组成，如图7所示。

图7  Conv模块图

卷积层是卷积神经网络中最基础的层之一，用于提取輸入特征中的局部空间信息。

BN层是在卷积层之后加入的一种归一化层，用于规范化神经网络中的特征值分布。

激活函数是一种非线性函数，用于给神经网络引入非线性变换能力。

2）C3模块是YOLOv5网络中的一个重要组成部分，其主要作用是增加网络的深度和感受野，提高特征提取的能力。C3模块是由3个Conv块构成的，其中第一个Conv块的步幅为2，可以将特征图的尺寸减半，第二个Conv块和第三个Conv块的步幅为1。C3模块中的Conv块采用的都是3x3的卷积核。在每个Conv模块之间，还加入了BN层和LeakyReLU激活函数，以提高模型的稳定性和泛化性能。

3）SPP模块是一种池化模块，通常应用于卷积神经网络中，旨在实现输入数据的空间不变性和位置不变性，以便于提高神经网络的识别能力，如图8所示。其主要思想是将不同大小的感受野应用于同一张图像，从而能够捕捉到不同尺度的特征信息。在SPP模块中，首先对输入特征图进行不同大小的池化操作，以得到一组不同大小的特征图。然后将这些特征图连接在一起，并通过全连接层进行降维，最终得到固定大小的特征向量。

施工现场安全行为检测算法分为3个阶段，数据采集阶段，数据处理阶段和应用阶段。首先通过在施工现场进行图像数据识别，将收集的数据进行处理，如果工地安全，没有危险行为发生的工程可以继续进行。但如果存在潜在危险，例如吸烟或未佩戴安全帽等行为，系统则自动向管理端发出警报，以及时预防各类安全事故的发生。其算法在施工现场安全系统中的运用流程图如图9所示。

图8  SPP模块图

4  结束语

人工智能技术的出现，为施工建筑行业日趋繁琐和复杂的施工管理办法带来了智能化的转变。本文以施工现场的安全管理和智能化管控的应用为课题，采用机器视觉与图像识别技术结合，依托智能终端软件开发技术，针对施工现场人员的不安全行为和施工人员流动性大问题进行分析，设计了施工现场安全行为检测平台来优化管理模式，展示了智慧施工场景安全管理典型应用效果，该技术成果在一定程度上丰富了建筑行业的预警研究。

参考文献：

[1] 高芬，张新生，黄晓一，等.建筑工程项目施工管理探析[J].城市建设理论研究（电子版），2023（29）：79-81，54.

[2] 王利.淺析建筑工程项目施工安全管理的问题与对策[J].低碳世界，2023，13（9）：61-63.

[3] 张晓海.建筑工程土建施工现场管理的优化策略探究[J].城市建设理论研究（电子版），2023（28）：69-71.

[4] 李中帆.慧朴精益建造公众号[EB/OL].https：//zhuanlan.zhihu.com/p/562479748.

[5] FANG Q， LI H， LUO X C， et al. Detecting non-hardhat-use by a deep learning method from far-field surveillance videos[J].Automation in construction，2018，85：1-9.

[6] 熊若鑫，宋元斌，王宇轩，等.基于CNN的3D姿势估计在建筑工人行为分析中的应用[J].中国安全科学学报，2019，29（7）：64-69.

[7] 高寒，骆汉宾，方伟立.基于机器视觉的施工危险 区域侵入行为识别方法[J].土木工程与管理学报，2019，36（1）：123-12.

[8] 任中杰，李思成，王辉辉.基于机器学习的高层建筑火灾风险评估[J].消防科学与技术，2018，37（11）：1471-1474.

[9] CHEN Y，TAO G，REN H，et al.Image generation via latent space learning using improved combination[J].Neuro computing，2019，340（7）：8-18.

[10] LUO H，WANG M Z，WONG K Y，et al.Full body pose estimation of construction equipment using computer vision and deep learning techniques[J].Automation in construction，2020，110103016-103016.