基于改進SSD 的建筑工程施工現場危險行為識別

張守甲

為了保障施工安全，對施工現場的危險行為進行實時監測和識別至關重要。近年，計算機視覺技術在此領域的應用逐漸受到研究者的關注，其中目標檢測算法是關鍵技術之一。傳統的目標檢測算法，如Faster R-CNN、YOLO 等，在識別建筑工程施工現場危險行為時面臨背景復雜、目標多樣、尺度變化大等挑戰，檢測效果不佳。單次多框檢測器（Single Shot MultiBox Detector，SSD）[1]具有較高的檢測精度和速度，但在處理小目標及密集分布的目標時仍存在不足。筆者根據施工現場的特性，對SSD 算法進行改進，包括增加特征層次、優化默認框設置、引入非極大值抑制等，以對建筑工程施工現場危險行為進行識別。通過試驗驗證，改進后的算法在建筑工程施工現場危險行為的識別中準確率和實時性更高。本研究的目的是為建筑施工現場的安全監控提供技術支持，以實現自動識別危險行為并及時預警，降低施工現場的事故風險。

1 提取建筑工程施工現場危險行為

設置建筑工程施工現場危險行為特征子集為Null 集合，這個操作有添加和刪除2 個選項。使用Wrapper 進行特征抽取。假設Gaussian 貝葉斯分類器[2]當前狀態（特征子集）的分類準確度為立即受益，此時可完成建筑工程施工現場危險行為提取。

提取建筑工程施工現場危險行為的步驟如下：第1，將建筑工程施工現場危險行為圖像進行標準化、離散化等預處理，得到訓練樣本。第2，計算各個施工現場危險行為特征的信息熵與信息熵均值，把施工現場危險行為特征信息熵大于信息熵均值的特征標記在信息熵表中。第3，計算各施工現場危險行為特征的Pearson 系數和Pearson 系數平均值，用Pearson 表對施工現場危險行為進行統計分析。第4，將訓練數據與Pearson 表、信息熵表[3]一起輸入Agent 中，Agent根據具有附加和剔除特性的施工現場危險行為的差別利益來判定。第5，Agent 經過一段時間的訓練之后，可以得到Q表。在對Q表進行分析后按R環排列，提取施工現場危險行為特征子集。

按照上述5 個步驟，設定建筑工程施工現場危險行為數據集為：

式中：Y為施工現場危險行為數據集函數；（Yj）M×E為M個建筑工程施工現場危險行為和E個樣本特征。

建筑工程施工現場危險行為樣本的種類參量為：

式中：D為建筑工程施工現場危險行為樣本數量；dj為施工現場j的危險行為樣本。

設定施工現場危險行為樣本數據集為（D1，D2，…，DM）T，那么建筑工程施工現場危險行為特征集可用（g1，g2，…，gE）表示，其中g∈M。

將現有建筑工程施工現場危險行為特征集輸入改進的SSD 算法中，輸出最優施工現場危險行為特性子集的過程為：

1）初始化施工現場危險行為特征子集H=φ，將備選特征集合T設為T=（g1，g2，…，gE）。

2）通過對個體行為特征進行統計分析，得到個體信息熵度與信息熵度平均值，并用Pearson 表對其進行統計分析。

3）通過分析不同因素之間Pearson系數和Pearson 系數平均值，將其大于平均值的數據加入Pearson 表中。

4）若H=φ，任意加入一個施工現場危險行為特征W，W∈T。

5）從T中選擇一處建筑工地的特點W，計算特征子集的正確率，并將其設為SW。找出當前工地危害行為特征子區集H中特征之間相關性最大的特點，在特征庫中隨機選擇一個特性V，計算出施工現場危害行為特征子集H/{V}的分類準確率，并將其設定為SV，將SW與SV中值最大的施工現場危險行為設成決策[4]，則有：

式中：f為性能轉換因子。

根據以上危險行為的決策結果，計算Q值，刷新Q表格。

6）判斷是否滿足終止條件，若滿足則終止，并根據Q表格中最大的Q值輸出所對應的子集；如果沒有，則進入第4）步。通過以上6 個步驟，可以得到建筑工程施工現場危險行為特征。

2 危險行為極坐標變換

為確保危險行為坐標的一致性，必須將各危險行為特性進行坐標轉換?？梢杂玫芽朳5]坐標（x，y），在一張建筑工地危害行為圖片中，對所有行為特性的像素坐標進行描述，還可以用極坐標（r，θ）加以說明，則r和θ為：

式中：（x0，y0）為坐標原點，假定其為（0，0），可以用一個復數z來表示：

假 設：w=l nz=f1（r，θ） +i f2（r，θ） = l nr+iθ，則卡爾坐標可由式（7）轉換為對數極坐標的變換方程式：

在笛卡爾坐標系下，若與坐標原點相比，有縮放和旋轉現象，則其極坐標（r，θ）可表示為（r+r0，θ+θ0），其對數極坐標（u，v）將轉換成u=lnr+lnr0，v=θ+θ0。在笛卡爾坐標系下，相對于對數極坐標，施工現場危險行為影像變化僅僅是在水平和豎直2 個方向上的平動，并具有對數極化坐標的縮放和轉動不變性。

3 建立危險行為識別模型

圍繞獲取的施工現場危險行為特征和危險行為極坐標變換，構建危險行為識別模型。

筆者將影像中的危險行為作為辨識目標。在辨識危險行為之前，必須先擷取出危險行為的輪廓。在此基礎上，以影像中的橫向為X軸、豎向為Y軸，將人體為圓心的坐標設為（x0，y0），則外形等高線的某一點（xb，yb）可以從該點到該中心點的距離來計算該坐標位置，因此，在建筑工地上進行危險行為時比較容易判定人體的姿勢，計算公式為：

設定建筑工程施工現場危險行為模型Bj相應的第i個施工現場行為特征是Bji。設置不同類型的工地危害行為資料，并進行相應的行為表征。對于所獲得的Bji的分布式特性，需去除冗余特性，詳細公式為：

式中：r為Bji的樣本數目，xji、yji為施工現場危險行為特征分布范圍。

利用方差變量對不同行為的特征量進行統一，并對其進行規范化處理，從而獲得高精度的差別行為。

把建筑工程施工現場危險行為特征集合G={B1，B2，B3，B4}設定為待辨識對象，并且按照順序辨識G，將標準危害行為模型Bj進行比較，可以得到Bj（G），即：

選取Bj（G）中的最高值，則有：

因為模糊子集B1、B2、B3、B4只屬于域內O的一個子集，因此，為提高識別結果的準確性，根據實際的危險行為建設現場值來測試，設定從屬度門限值θ。如果Bj（G）超過從屬度門限值θ，那么存在第j類施工現場危險行為；如果Bj（G）低于從屬度門限值θ，那么施工現場不存在危險行為。

4 基于改進的SSD 識別人與危險源空間位置關系

識別人與危險源常用的方法是目標檢測算法，即通過訓練一種能自動識別圖像中物體的模型，檢測出圖像中的人和危險源。目前，常用的目標檢測算法是SSD。SSD 是一種單次多框檢測器，能夠在單一的神經網絡中完成物體檢測任務。為了提高檢測的準確性，可以對SSD 進行改進，例如使用更深的卷積神經網絡，例如VGG16、ResNet 等，來增加訓練數據的多樣性[7]。

一旦準確檢測出人和危險源在圖像中的位置，就要確定他們之間的空

除了人和危險源之間的距離，還可以進一步分析他們的相對位置。例如，如果人的位置在危險源的正下方或者正前方，可以認為他們之間存在某種特定的空間關系。這種關系的判斷可以通過編寫規則或者使用機器學習算法來實現。

通過上述方法，可以有效識別出建筑工程施工現場中人與危險源之間的空間位置關系。這不僅有助于及時發現潛在的安全隱患，而且可以為管理者提供決策支持，如優化施工布局、調整安全措施等。

5 試驗檢測

5.1 試驗準備

結合建設項目實例，收集了近年來在本地同類項目中發生的各種危害行為的安全事故報道，并對事故報道進行分類和編號。抽取有關細節，創建CSV 文件，并將CSV 文件輸入數據庫中。試驗所需的儀器設備參數如表1 所示。

表1 儀器設備參數

5.2 試驗結果

以工程建設全過程50 個星期的工地危害行為作為試驗數據，選取其中任意6 周數據以及兩種已有的危險行為識別方法與文中設計方法進行對比。將文獻[2]中提出的基于改進OpenPose算法的礦工危險行為識別研究記為方法1，將文獻[6]中提出的基于強化學習的建筑工程施工現場危險行為識別方法記為方法2。通過試驗對比，得到不同方法下危險行為識別成功次數，結果如表2 所示。由表可知，在連續6 周的試驗中，本文設計的方法對危險行為識別成功的次數均高于方法1和方法2。本文方法的平均識別成功次數為18.3 次，而方法1 和方法2 的平均識別成功次數均為13 次。由此可以看出，本文設計的改進后的SSD 建筑工程施工現場危險行為識別方法，在危險行為識別方面具有更高的準確性和可靠性，能有效識別施工現場的危險行為，為預防和應對安全事故提供有力支持。

表2 危險行為識別成功次數

6 結語

基于改進SSD 的建筑工程施工現場危險行為識別技術，不僅提高了危險行為的識別率，而且對非危險行為的誤報率也有所降低。這項技術不僅增強了施工現場的安全性，也為企業提供了有力的數據支持，幫助管理者做出更準確的決策。然而，技術的進步永無止境，未來還需要進一步研究更高效、更精確的危險行為識別方法，以應對更為復雜多變的施工現場環境。期待更多的技術創新為建筑工程安全保駕護航。