建筑业被认为是全球最危险的行业之一．近年来，尽管工地上的安全问题已得到企业和社会的高度重视，但是建筑事故导致的伤亡人数仍然居高不下[1]．根据美国职业安全与健康管理局(OSHA)统计发现，2018年美国建筑业死亡人数高达1 008人．据住建部2018年房屋市政工程生产安全事故统计，全国在2018年共发生房屋市政工程生产安全事故734起、死亡840人．建筑安全事故严重危害人民的生命财产安全，且一直是困扰业界、学者和社会的重大难题．众多学者研究发现工人的不安全行为是导致事故发生的主要原因．行为安全(behavior-based safety，BBS)被认为是有效协助改善组织安全绩效的管理方法．它通过一系列反馈和学习的过程，鼓励相关人员自我承担责任，并对自身的不安全行为负责[2]．在BBS实施过程中，现场管理人员首先观察和记录工人的不安全行为，然后将观察结果反馈给做出不安全行为的工人，并对其不安全行为进行干预和矫正[3-5]．尽管BBS已经在工人不安全行为的矫正与管理方面取得了不错的效果，但是，当前基于BBS的行为管理仍属于被动、回溯式的管理模式．这种管理模式无法实现对现场工人不安全行为的实时记录、主动控制与管理[6-7]．这主要是由于当前BBS在实施过程中存在不安全行为数据未充分利用、分析能力不足和矫正缺乏针对性等缺陷．数字建造以数字化技术为基础，推动着项目资源组织形式、生产建造方式及工程产品形态的变革[8-9]．在这种建造模式下，各类新兴数字化技术的使用使得海量工程大数据被采集，其中包括实时视频监控数据、施工文本等数据．相比于施工现场其他类型的数据，图像数据包涵了施工现场的要素信息、空间信息和时间信息，能够更全面且实时地反映现场工人行为的动态性和复杂性．新兴技术的发展促使工程大数据中隐含的知识得到有效地深度挖掘．机器视觉、深度学习等人工智能技术的蓬勃发展，为泛场景下工人不安全行为的自动智能识别与干预提供了技术可能[8-10]．尽管当前的研究方法已经能从特定场景中识别建筑工人的部分不安全行为，然而在如何实现泛场景上下文场景信息感知和推理的不安全行为识别、如何挖掘和解析工人不安全行为规律，以及如何个性化矫正和控制工人不安全行为仍然是当前面临的挑战．因此，本研究建立工人不安全行为智能识别与矫正框架体系，改善当前BBS的被动与回溯式管理模式．该研究为基于BBS的现场工人行为主动控制与管理开拓了新思路，有利于推动我国工程建造的转型升级和高质量发展．1 研究框架以BBS为基础理论，以机器视觉与深度学习为关键技术，构建现场工人不安全行为智能识别与矫正框架体系，如图1所示．该体系以现场工人为中心，以现场工人不安全行为自动识别为前提，以矫正现场工人不安全行为为目的．同时，通过现场工人行为预测，一方面能够提前预警和识别现场不安全行为，并提前采取措施对现场工人不安全行为进行干预和矫正；另一方面，通过行为预测的方法可以加强对现场工人不安全行为矫正效果的评估，对于仍存在大概率不安全行为的现场工人，则会对其进行二次培训，最终实现对现场工人不安全行为的主动控制．该体系具体包括以下三个层面．10.13245/j.hust.220817.F001图1工人不安全行为智能识别与矫正框架层面1：从BBS理论出发，识别施工现场工人不安全行为是第一步．因此，本研究提出基于机器视觉和场景本体的现场工人不安全行为自动识别方法，该方法能够自动捕捉和识别施工现场工人的不安全行为，客观地记录不安全行为数据，为基于BBS的行为干预和矫正提供数据支撑．层面2：BBS的最终目的是矫正现场工人的不安全行为．在实际施工过程中，普遍存在现场工人因自身经验或相关知识不足而产生的不安全行为，而安全培训是帮助现场工人了解相关风险和行为规则的有效途径．因此，根据机器视觉技术客观记录的现场工人不安全行为数据，有针对性地安排安全培训，可以支持不安全行为的矫正．层面3：为提前感知和预测施工现场中可能发生的不安全行为，并及时采取措施降低或控制现场工人不安全行为的发生，须要进行基于机器视觉的现场工人不安全行为实时预测．一方面，能够支持验证现场工人安全培训的效果，并针对性地安排二次培训以强化安全知识学习；另一方面，可以提前感知和预测现场工人不安全行为，帮助现场管理人员及时采取措施降低或控制现场工人不安全行为的发生，从而有效地保证施工现场安全．2 不安全行为智能识别方法工人不安全行为是指因违反相关安全规定造成或者有可能造成安全事故的行为．施工现场是一个复杂的人、机械和环境耦合系统，在这个复杂系统下，工人的不安全行为是普遍存在的，例如高处作业的工人没有按照规定要求系安全带，工人进入危险区域(如工人进入挖掘机工作半径范围内)等．施工现场中大部分工人行为须要在特定施工场景下才能被认定为不安全行为．例如：高空作业场景下，工人不系安全带，就属于不安全行为；非高空作业场景下，工人不系安全带属于安全行为．基于课题组研究成果，本研究提出了基于机器视觉的工人不安全行为智能识别方法[11-14]，该方法主要包括以下三个关键步骤．步骤1 构建工人不安全行为本体语义模型．由于工人不安全行为涉及人-机-环境耦合，直接提取不安全行为语义模型会导致过程较为复杂，因此在实现工人不安全行为知识表示之前，须要构建不安全行为知识框架，规范不安全行为知识中的基本语义概念．结合施工现场工人行为规范中涉及到的不安全行为概念及概念属性，构建工人不安全行为知识语义框架．结合施工现场安全规范、事故报告、文献阅读及现场专家经验等，建立施工现场工人不安全行为本体语义模型．将人、材料、机械及环境定义为工人不安全行为实体，将活动抽象为活动类型，将地点抽象为位置；同时，为了进一步丰富知识体系，对人、机械、材料、环境增加属性描述，对活动增加时间和空间描述．因此，本研究将工人不安全行为知识基础语义节点分为不安全行为实体、活动类型、位置、时间与属性五大类．例如，“工人不戴安全帽”这一不安全行为实体为工人和安全帽．步骤2 研究基于机器视觉的知识抽取方法．工人不安全行为实体划分为人、机械、材料与环境．利用机器视觉与深度学习方法从图片中自动检测人、机械、材料与施工场景，抽取对应的属性，并进一步结合属性建立不安全行为实体与实体、实体与属性的语义关系．例如，可以通过Faster R-CNN算法从图片中识别施工现场中工人、挖掘机、塔吊等工程实体，通过Mask R-CNN算法从图片中分割出施工场景(如基坑、脚手架等)，通过图神经网络(GNN)算法判断图像/视频中实体与实体之间的空间关系．步骤3 建立基于知识推理的工人不安全行为自动识别方法．将上述抽取的工人不安全行为知识进行建模，从而实现施工现场工人不安全行为语义自动推理、查询与识别．3 行为安全个性化培训方法现场工人的安全认知能力、安全认知风格、安全培训动机、安全态度等不尽相同，亟须提供个性化安全培训方法，通过推送与其安全认知水平、能力、风格相适应的培训资源，提供更有针对性的培训，提高安全培训的有效性．因此，本研究提出基于自适应学习的工人行为安全个性化培训方法，该方法主要包括以下三个核心部分．a. 基于场景的不安全行为知识库从监控图像识别出基于场景的不安全行为后，可将其与规范文本、事故案例、现场记录中的行为安全规则进行匹配，通过异质异构的知识建模，形成场景敏感的施工不安全行为知识库．b. 工人学习者模型评估结合现场工人认知经验不足、流动性大等特点，构建工人安全培训的学习者模型，从施工场景、认知偏好、动机、群体影响等多维度刻画现场工人的行为安全认知水平．c. 基于自适应学习的安全培训资源推送方法基于自适应学习的不安全行为个性化培训将面向施工场景的不安全行为知识按现场工人所在工作场景与其认知水平进行推送．通过建立基于贝叶斯的认知跟踪模型，实现工人安全知识点掌握概率的有效预测与自适应推荐．该模型将历史成绩作为观测变量，将知识点掌握与否作为状态变量，并考虑猜测和失误概率，利用贝叶斯概率公式计算在当前观测变量下学习者的知识掌握概率，即P(Ln)=P(Ln|c)Ci+P(Ln|w)Ni，式中：P(Ln)为学习者知识掌握情况；P(Ln|c)为学习者答对的概率；P(Ln|w)为学习者答错的概率，在计算中均同时考虑学习者在没有掌握知识点的情况下猜对的概率及学习者在掌握知识点的情况下答错的概率；Ci为正确率；Ni为错误率．4 不安全行为智能预测方法在施工现场，工人常见的不安全行为常常与危险区域有关，例如，工人站在无防护的临边洞口(电梯井口、通道口、楼梯口、预留洞口等)．这类工人的不安全行为主要涉及到工人运动轨迹与危险区域的碰撞．因此，针对工人轨迹类的不安全行为，提出了基于工人运动轨迹的工人不安全行为自动预测与跟踪方法．该方法包括以下三个关键步骤．步骤1 基于SiamMask网络的施工人员运动轨迹跟踪．SiamMask网络以SiamFC网络为基础．图像经过卷积网络生成候选窗口响应，大小为1×1×256．SiamMask网络后面有三个分支，分别为预测目标位置的分支、预测目标出现概率的分支和预测目标二值掩码(Mask)分支．首先手动标注视频第一帧中现场工人的位置，然后采用SiamMask方法实时跟踪视频中的现场工人，计算出该工人在每一帧图片的坐标位置．对于模板和搜索照片的图像块像素点分别为127×127和255×255．模型在ImageNet-1k上预训练，采用梯度下降的方法进行训练．步骤2 基于改进Social LSTM的工人运动轨迹实时预测．Social LSTM网络通过加入Social池化层，提取周围工人的运动轨迹信息，将该运动信息与目标工人的运动信息合并，作为下一帧LSTM的输入用于目标工人的预测轨迹．基于步骤1中提取的现场工人运动轨迹坐标，采用Social LSTM方法预测工人的移动轨迹，然后采用卡尔曼滤波器对Social-LSTM结果进行校正，以增强预测方法的鲁棒性．在训练工人轨迹预测模型中，采用Pytorch框架，学习率为0.003．步骤3 基于PNPoly算法的工人不安全行为预测与识别．基于第二步中预测的现场工人运动轨迹，利用PNPoly算法判断现场工人的预测轨迹与施工现场危险区域的关系，从而预测现场工人不安全行为的发生概率，以提前采取相应的安全管控措施．该方法主要细节参考文献[15]．5 案例分析5.1　工程背景两湖隧道位于武昌中心城区南北向中轴线位置，是世界上规模最大的城市湖底、双层超大直径隧道．项目分为东湖、南湖两段，其中东湖段施工正酣．由于本项目建设规模大、参与方多、环境复杂，须加强现场人员管理，避免安全事故的发生．各个工区布设了高清摄像头，进行大场景下视频监控覆盖．图2为本项目二标段始发井工区的视频监控系统，摄像头分辨率为1 920×1 080(1 080P)，其他工区也针对其作业内容和管理要求进行摄像头布设．10.13245/j.hust.220817.F002图2项目视频监控系统5.2　结果分析为减少仅靠人工观察现场视频流难以避免的效率低、工作量大等弊端，本项目运用前文所描述的不安全行为主动控制方法，进行现场不安全行为自动监控．结合安全生产事故隐患排查治理清单及现场调研，确定本项目除未戴安全帽等常规不安全行为以外，须重点关注现场工人和施工机械的危险交互．图3为平台的预警效果．当平台从视频流中发现现场工人进入履带式起重机作业范围时，能够以自动截图加文字描述的方式在平台中记录．安全管理人员能对记录数据进一步筛选，保证自动监测结果的精确度．在此基础上，管理人员定期对安全隐患进行统计分析，得到现场关键的不安全行为及相关规律(见图4)，对经常出现的隐患提出针对性的个性化安全培训(见图5)．同时，基于工人不安全行为智能预测方法提前感知和预测不安全行为，如图6所示．10.13245/j.hust.220817.F003图3现场工人不安全行为智能识别预警效果10.13245/j.hust.220817.F004图4现场工人不安全行为相关规律10.13245/j.hust.220817.F005图5工人行为安全培训系统10.13245/j.hust.220817.F006图6现场工人不安全行为智能预测6 结论本研究提出的基于BBS和机器视觉的工人不安全行为智能识别与矫正框架能有效改善当前被动与回溯式不安全行为管理的低效现状，实现基于BBS的工人不安全行为智能识别与矫正．该框架在武汉两湖隧道工程施工现场的实际应用表明：基于场景的不安全行为自动化识别方法能有效识别现场常见的工人不安全行为；基于自适应学习的行为安全个性化培训方法能对现场工人提供更有针对性的培训，提升现场工人的安全知识水平，降低不安全行为发生的概率；基于现场工人运动轨迹的不安全行为预测方法能有效提前感知和预测可能发生的不安全行为．要实现施工现场工人不安全行为的识别与矫正，未来的研究可以从以下几个方面展开：a. 结合采集的工人不安全行为数据，从工人心理安全层面分析和理解工人做出不安全行为的原因；b. 耦合工人不安全行为历史数据和工人与现场环境实时交互模型，以及考虑工人对实时环境的行为选择及对行为习惯的依从度，进一步预测工人不安全行为．