基于图像识别技术的高速公路从业人员行为安全智能监护技术及应用探究

基于图像识别技术 的高速公路从业人员行为安全智能监护技术及应用探究

邓佳

1 .公路交通安全与应急保障技术及装备交通运输行业研发中心 广东 广州 510420 ； 2 .广东华路交通科技有限公司 广东 广州 510420

摘要：从施工作业现场安全管理理论及安全技术的研究出发，并结合当下各类图像识别技术在施工作业现场的应用，以期建立一套针对高速公路工程建设项目施工作业现场环境及人员的智能安全监护系统，解决对于高速公路建设工程的特大桥梁、隧道以及“三集中”场所的施工人员的不安全行为监护不到位、作业环境安全监护不足、流动人员管理不到位、大型施工机械设备安全监管不足等问题。

关键词：安全技术；图像识别；安全监护；安全监管；

引言

高速公路工程在建设过程中往往极易因发生生产安全事故,从而造成大批人员生命伤亡严重和直接财产人身损失。在建设施工作业现场中,由于作业安全生产管理的工作面广量大,施工人员的不安全行为无法及时得到纠正以及施工环境中物的不安全状态无法及时发现,使得安全生产事故频发。而随着信息技术的发展,视频监控行业逐渐崛起,智能视频监控技术中目标检测、跟踪和行为识别等功能逐渐被应用到高速公路施工过程中。而对作业人员的不安全行为及施工作业现场不安全状态进行智能识别,判别出是否存在异常,并作相应的报警,是本文的主要研究方向。

1 施工作业现场全员的实名制管理研究

1.1 对固定从业人员的实名制管理研究

固定从业人员范围中主要应包括各类项目建设、监理、施工单位项目管理人员,以及各个施工班组(劳务班组和专业分包班组)。对于此类人员的实名制管理主要包括以下几方面:1)人员的基本信息管理(包括基本身份信息、参保情况和考勤记录);2)人员的教育培训管理(包括岗前分级教育培训、安全技术交底和班前危险预知);3)人员的信用管理(主要为在该建设项目的违章违规记录情况)。

1.2 对临时人员的实名制管理研究

临时人员主要包括材料设备供应商、临时租赁设备操作人员、临时租赁设备指挥（管理）人员、见习生、实习生以及外来检查、参观、指导工作的人员。对于此类人员的实名制管理主要包括以下几方面：1）人员的基本信息管理（包括基本身份信息、进出施工现场时间）；2）见习生、实习生的安全教育培训管理（与固定人员相同）；3）外来检查、参观、指导工作的人员的风险告知管理；4）供货商、设备租赁商人员的教育培训管理（包括安全技术交底和风险告知等）；5）供货商、设备租赁商人员的信用管理（主要为在该建设项目的违章违规记录情况）。

1.3从业人员安全智能监护

智能监控系统对施工现场从业人员进行定位后，可对施工现场所有从业人员进行安全智能监护。针对施工现场特定从业人员如特种设备操作人员以及施工现场的特定场所如管理室、特种设备操作室等，可进行单独的安全智能监护如操作人员的生理状态、操作行为，特殊场所进出入的人员等进行智能监护，从而实现对施工现场安全智能监护的目的。

2 施工作业现场人员个人安全行为智能监护研究

2.1 作业行为简化方法

基于图像分析的施工作业现场的不安全作业行为实时自动识别系统方法研究的关键核心是危险施工行为往往存在的前置动作。根据失误理论(Near miss theory)研究，工人的施工危险行为通常存在前置动作。前置动作通常是识别危险操作行为存在的主要前导识别指标。【1】例如，工人从高空处进行物料投送是危险动作行为，而该行为的前置动作就是在没有临边防护状态的下的双臂抬起。工人如果做出了该危险动作则预示标志着该工人可能即将做出从高处抛物，即前置动作的产生往往伴随着危险行为的发生。又如，在脚手架拆除工程中,未系安全带的工人在工作区域中攀爬脚手架属于一种危险行为，其前置的施工准备动作实际上就是施工人员攀爬上脚手架之后的第一个安全动作,即施工人员双手紧紧握住立杆攀上了脚手架。表1-1归纳了施工现场的高处坠落危险动作。

表1-1 高处坠落危险动作

前置动作的可识别的目标数相对较少,且前置动作一般具有伴随着的较多很牵强的动作规律性。工人行为的识别基本方法一般是可考虑先通过人工建立一个人体骨骼数学模型来实现将人体中前置动作的动作参数直接转化为动作的关键参数。人体骨骼数学模型能够直接模拟将人体结构数据直接转化为人体关节以及连接人体关节数据的人体骨骼,快速准确清晰地表达描述出产生了人体动作数据的各种关节动力学特征。因此,人体动作轨迹能够通过表中的1.2中给出的所在关节处对应的关节和线段的几何参数值来去描述。表1-2 人体骨骼数学模型

施工现场存在多种危险行为，例如倚靠栏杆、高处倾倒垃圾和攀爬梯子等，这三种行为的前置动作的骨骼模型如图1-2所示。

a） 倚靠栏杆 b）高处倾倒垃圾 c）攀爬梯子

图1-2 三种典型危险行为前置动作的骨骼模型

2.2 基于图像的施工行为实时识别方法

图1-3是施工危险行为识别流程图。通过流程图可知，这种实时的识别方式是将目标工人行为动作参数与软件中预先定义好的目标施工人员行为的前置施工动作参数进行对比，分析比较二者中的相关参数值可判断目标工人行为的实时动作参数是否一定是目标施工人行为的前置动作，进而据此判断该工人行为到底是否就属于目标的施工行为。由此,施工的行为判断的问题将转化为相关参数值的判断的问题，因此就可以直接快速的对动作进行识别。

图1-3 施工行为实施识别流程图

3 施工作业现场人员个人安全防护智能监护研究

3.1 安全帽的智能监测

目前安全帽的智能监测场景主要存在于高空防物体打击、碰撞及工地或工厂等复杂场景。其中在防打击方面，目前的检测软件可以通过深度学习模型来对智能训练所计算得出的人脸区域进行定位，当计算机能够自动检测或识别出人型脸时即可直接根据与其面积的一定数值的比例关系来正确估算出佩戴安全帽时区域面积。【2】通过对施工时安全帽上的可能被佩戴的区域图像的分析，并系统区域进行视觉增强及图像处理，对处理后的样本进行特征向量的提取后，利用机器学习对再对施工时人员安全帽配戴人员可能暴露的区域特征进行智能跟踪动态检测,进而实现最终施工人员变化行为的智能实时动态监控与预警。

而另外一种是在工厂等复杂场景下，考虑到工厂中大部分都是佩戴安全帽的工人，所以在复杂监控视频下，基于头部位置的目标能够更好地对工人进行定位，将安全帽+头部当成一个目标框对人体头部的信息进行更精确的标记，另外头部位置相比于人体，受到遮挡、姿态变化、噪音等干扰的影响概率较低，从而提高跟踪模块数据的输出质量及系统鲁棒性。

3.2 防护服规范性检测

防护服的规范性检测存在于防坍塌及电力施工环境下。目前的研究主要集中在基于HSV模型的工作人员衣着规范性检测算法以及卷积神经网络算法（CNN）及其Tensorflow深度学习框架。通常情况下,安全服的款式都比较单一并且普通，因此很难从着装的款式入手对着装的规范性进行判别，所以HSV模型更侧重于从安全服的统一配色入手，建立色彩模型来对工作人员的着装规范性进行识别和判断。而卷积模型更强调是对安全防护服进行数据训练，将工人活动区域范围进行切割为一张张照片，而这次识别的就是工人的着装，如果工人着装不齐全，则会发出警告。

3.3安全带佩戴检测

在众多施工现场安全事故中，工人高空坠落尤其是脚手架工人死亡的比例较高。鉴于此，通常研究以分析不同安全工作条件下的工人是否可以正确的使用安全带为样例，实现了对基于智能手机识别的工人危险动作的可行性验证。研究分别从行为识别特征和动作捕捉过程两部分来出发作为目前进行安全带佩戴检测的重点研究方向。这里的动作识别主要就是根据操作工人提供的运动轨迹信息来分辨操作工人在整个操作的过程中是否在适当时使用了安全带，并标记成“危险”或者是“安全”；而动作识别捕捉主要目的是在于能够将特定的动作从工人一系列动作中捕捉出来【3】。

4 施工作业环境安全智能监护研究

4.1 对施工作业现场特定区域的环境安全智能监护研究

施工作业现场环境复杂且多变，不同的作业环境影响人的安全行为，因而存在不同的安全风险和隐患，因此，本研究将从三个方面的智能监护进行研究，即特定区域的安全智能警戒和示警研究、材料堆放场所的安全智能警戒和示警研究、施工环境的监测与预警研究【4】，研究的施工作业环境主要是特大桥梁施工作业区域、隧道工程施工作业区域和“三集中”场所。

4.2对施工作业现场机械设备的安全智能监护研究

针对特种设备的安全智能监护进行研究，利用现有特种设备如塔吊、龙门吊、架桥机等的安全监控系统，将其纳入安全智能监护平台，通过这些安全监控系统对特定的特种设备进行监控，一旦发现该设备出现异常状况，将及时提醒在场的作业人员进行避险，从而实现机械设备的本质安全管理。同时，也可以通过这些安全监控系统对设备操作人员进行监护，如人员出现违章操作，则将提醒操作人员并进行安全锁定，从操作源头上杜绝违章操作。

4.3对施工作业现场安全防护的环境安全智能监护研究

针对特大桥梁施工作业区域、隧道工程施工作业区域和“三集中”场所（即拌和站、预制场、钢筋加工场）的安全防护设施的安全要点进行研究分析，将各个场所的安全防护设施的控制要点与AI智能图像识别技术相结合进行研究，实现对施工作业现场的施工围蔽板、水马、交通锥、钢管护栏等安全防护设施进行智能监护。

5 改扩建施工现场交通组织及事故预警智能监护研究

5.1交通组织智能监护研究

首先是对车型的识别与监护,常用的方法为图像处理技术,通过图像识别技术可以完成对车辆的自动识别,自动而快速地可实现了对该类机动车发动机身份信息进行的身份识别认证。车型信息身份识别技术的理论技术基础主要是以现代计算机视觉、数字信号处理、模式识别分析智能等多项现代电子技术原理等为研究工作基础，通过计算机视频监控摄像设备或计算机高速摄像机实时拍照视频采集技术等实现自动快速取样并识别【5】。现阶段基于视频图像识别车型采用的主要方法有:基于模板匹配的识别方法；基于统计模式的识别方法;基于仿生模式的识别方法;基于支持向量机的识别方法。通过车型的识别,可以改善施工现场因大小型车比例不均衡而造成交通拥挤的现状。

5.2 施工现场隔离设施监护研究

隔离设施的监护研究主要集中在改扩建过程中交通锥及水马的摆放上，施工现场对交通锥和水马等的正确位置摆放位置的智能识别与监护对提高驾驶人员的通行效率以及减少施工人员的劳动效率很有帮助。通过对目标图形及视频从干扰物中进行提取并优化识别【6】，并将采用算法对预先确定交通锥的间距及水马位置的进行对比，从而确定交通锥及水马位置的合理性。而这种采用提取图像关键点的邻域图像处理技术一般包含两步：首先它需要完全依据所识别的目标物体图像本身存在的信息特征去对系统进行目标建模,建立起来相应的目标模型这样才真正可以进行唯一性比较。建模环境中使用的所描述物体特征既可以是颜色特性也可以是轮廓特性，然后你可以考虑用一个已经被建立了出来的目标模型去尝试和图像资料中的或者可以是视频资料中的目标模型进行匹配,如若这两者最终可以实现完全的匹配并成功,则证明该目标模型可以被识别且建模完成。

结语

综上所述,目前针对图像识别技术在施工作业人员及施工作业环境上的应用较为分散极少有在建项目将这些技术有机融合在一起，而在目前安全管理手段日渐趋于信息化的前提下，通过将图像识别技术有机融合到安全管理的各个阶段，建立出一套针对高速公路工程建设项目施工作业现场环境及人员的智能安全监护系统，不仅可以降低安全管理人员的劳动强度,也极大的提高项目施工监理单位现场安全和管理效率，降低施工过程中造成的人员伤亡事故，从而实现安全管理由"严格监管"走向"独立自主"、"团队互助"的管理模式,实现本质安全。

参考文献

[1]于言滔. 施工现场工人安全状态监测方法研究[D]. 清华大学，2017.

[2]杨莉琼, 蔡利强, 古松. 基于机器学习方法的安全帽佩戴行为检测[J]. 中国安全生产科学技术, 2019, 15(10):6.

[3]苏红果. 机器学习在土木工程施工安全管理中的应用研究[D]. 大连理工大学,2018.

[4]陈思燕. 基于目标检测的视频智能监控系统设计与实现[D]. 厦门大学, 2011.

[5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(01):123-128.

[6]王明慧. 基于视觉的智能汽车道路检测与预警算法的研究[D].北京交通大学,2012