基于机器视觉的施工人员危险行为监测与识别技术——以某矿坑公园为例

超过80%的建筑安全事故源于施工人员的危险行为，而传统人工管理方式的滞后性限制了监测效果，迫切需要引入智能算法以提高监测精度和实时性。本文首先通过事故报告的统计数据对施工危险行为的进行了评估和分类。以某矿坑公园为实证案例，提出了一套监测点优化布置方案。在此基础上，采用YOLO v5和CNN-LSTM算法实现了危险行为的精准识别。研究结果表明，监测点布置方案经优化后，各覆盖参数均取得不同程度的提升，监测覆盖率提高了2.17%，崖壁监测覆盖长度增加了40.33%。在状态类行为识别方面，采用YOLO v5算法实现了高达97.2%的识别精度。对于动作类行为，引入CNN-LSTM算法，其准确率达到95.8%，视频帧数达到30帧/s，满足实时监测需求。该研究在实际应用场景中为施工人员危险行为监测提供了有效的技术支持。

施工管理在建筑工程领域扮演至关重要的角色，超过80%的建筑安全事故源于人的主动或无意识的不安全行为[1] [2]。然而，传统的人工管理方式已明显滞后于时代要求。为进一步规范施工人员的行为， 降低安全事故发生率，亟需采用先进的监测和预警技术，以适应施工管理智能化的要求[3]。

传统监测方法在处理施工人员不安全行为方面存在对人工监测的过度依赖，效率低下以及在复杂多变的施工环境中适应性受到限制的问题。为克服这些挑战，引入智能算法成为提高施工人员危险行为监测与识别效果的必然选择。Ludl 等人[4]将场景内人群的动作特征编码为人体姿态图像，在姿态识别的基础上实现了实时动作检测。

徐守坤等人[5]采用YOLO v3 对施工人员是否佩戴安全帽进行检测， 并根据语义规则生成了基于检测结果的图像描述语句。

林创鲁等人[6]采用YOLO v4 对自动扶梯出入口场景下乘客的异常行为进行识别和预警。王琼等人[7]提出一种改进的密集轨迹算法，通过选择性搜索算法剔除人体行为轨迹的干扰，提高了人体行为识别分类结果的准确性。上述研究所涉及的检测目标皆处于视觉角度较佳的情境，然而，随着工程的不断推进，施工场地内的环境日益复杂，监测盲区不断增加。在此施工环境中，为有效监测施工人员的行为，合理布置监控点和应用精准算法缺一不可。

本文旨在讨论基于机器视觉的施工人员危险行为监测与识别技术，首先基于事故报告对关键的施工危险行为进行了统计分析，然后针对矿坑工程特殊的地形条件优化监控摄像头的布置方案，最后分别采用YOLO v5 和CNN-LSTM 对施工人员状态类和动作类的行为进行了监测识别。本文的研究内容为改善施工工地的整体安全性提供先进的解决方案。