智慧工地安防系統(tǒng)研發(fā)及運用

李長春，鄭春，黃曉林，王定華

（中建深圳裝飾有限公司）

1 引言

目前建筑業(yè)工地現場監(jiān)督更多的還是依賴傳統(tǒng)的人為巡場、檢查，覆蓋面和時段性較為局限。安全管理比較繁瑣，管理難度較高，很難做到面面俱到。本文通過互聯網和人工智能技術，運用深度學習和基于卷積神經網絡算法，實現施工現場安全監(jiān)督和防范，提高管理效率，真正能做到主動預防安全事故的發(fā)生，可實質性解決安全管理的難題。

2 施工現場安全防范現狀分析

2.1 安全隱患

建筑作業(yè)中涉及專業(yè)較多，交叉作業(yè)復雜，存在較多的安全隱患。施工過程中安全防范和預警機制不完善，存在較多潛在危險源。

2.2 被動監(jiān)控

智慧工地的監(jiān)控系統(tǒng)多在異常情況發(fā)生后進行事后查驗，造成“亡羊補牢”式的“被動監(jiān)控”。不能起到預警和主動安全的作用。

2.3 現場管理

施工現場各個階段危險區(qū)域多，危險類型不同，依靠傳統(tǒng)人力效率低下，難以做到全過程監(jiān)督管理。

2.4 視覺疲勞

智慧工地視頻監(jiān)控主要依靠值班人員實時查看屏幕，做不到全天候監(jiān)管，不能及時察覺安全威脅和防控安全隱患。

3 智慧工地安防系統(tǒng)建設的必要性和迫切性

3.1 智慧工地已是行業(yè)發(fā)展方向

當前人工智能已經成為國家科技發(fā)展的重要戰(zhàn)略，同時也是產業(yè)變革的重要方向。在建筑業(yè)，智慧工地成為所有新開項目的基本要求。

3.2 能防范安全事故隱患

把人工智能和視頻圖像處理技術應用在生產安全中，在事故發(fā)生前或發(fā)生中，實現自動警告預警，可有效降低生產安全事故。

3.3 釋放勞動生產力

將人工智能處理技術運用于視頻分析中，使人工從大量重復、繁瑣的勞動中解放出來，針對計算機檢索出來的視頻進行二次檢查，實現人、計算機的有效結合，減少人工勞動強度，釋放生產力，實現無人值守，全時監(jiān)管預警。

3.4 大數據指導施工現場

通過智能視頻大數據分析技術，一方面查出現場作業(yè)中的問題，另一方面，通過分析出的問題，指導現場施工，不斷優(yōu)化作業(yè)，提高現場作業(yè)質量。

4 深度學習和卷積神經網絡在智慧安防系統(tǒng)的應用

深度學習是機器學習的一個分支，是指從有限樣例中，通過算法總結出一般性的規(guī)律，并可以應用到新的未知數據上。深度學習模型如圖1。

圖1 深度學習的數據處理流程

深度學習是將原始數據特征通過多步特征轉換得到一種特征表示，并進一步輸入預測函數得到最終結果。需要解決的關鍵問題是貢獻度分配問題，即一個系統(tǒng)中不同的組件或其參數對最終系統(tǒng)輸出結果的貢獻或影響。如何更好地解決分配問題則需要依靠神經模型，目前此系統(tǒng)運用的是卷積神經網絡。卷積神經網絡是一種具有局部連接、權重共享等特性的深層前饋神經網絡。當前，卷積神經網絡已經成為計算機視覺領域的主流模型。通過引入跨層的直連邊，可以訓練上百層乃至上千層的卷積網絡。智慧安防系統(tǒng)設計就是借助卷積神經網絡技術，將不同類型的安全隱患，通過圖像輸入→積層→匯聚層···→全連接層→輸出層運行模型，不斷完善安全隱患數據庫，不斷優(yōu)化、提高系統(tǒng)運行的準確性和快速性。

5 智慧安防系統(tǒng)搭建原理

5.1 搭建人工智能檢測算法模型

結合深度學習算法和人工精神網絡理論，基于卷局神經網絡，利用大量機械學習訓練樣本，構建目標檢測模型。

5.2 軟件平臺實時分析異常警告

實時采集前端攝像頭視頻流數據，根據構建的檢測模型自動實時分析視頻流數據，一旦與檢測模型相匹配，實時告警。

5.3 大數據技術深度分析數據價值

系統(tǒng)長時間運行生產大量數據，通過大數據深度分析，二次開發(fā)利用，實現從數據到價值的高效轉化。

5.4 被動值守到無人值守全面轉變

將安全管理人員從周期性、繁瑣性、長期性的巡回工作中解放出來，實現人工智能新技術在智慧工地現場中的應用，實現“電子安全員”的監(jiān)督職能。

6 智慧安防系統(tǒng)總體架構設計

智慧安防系統(tǒng)主要分三個層面，由四個體系組成。三個層面即基礎層、技術層及應用層，四個體系主要是感知采集體系、數據處理體系、計算處理體系及智慧應用體系（見圖2）。

圖2 系統(tǒng)總體框架構造設計圖

7 安防系統(tǒng)技術線路

7.1 建立模型

使用殘差網絡作為深度學習建模的基礎網絡，融入形態(tài)學特征識別算法，建立識別模型。

7.2 樣本提取

從前端視頻數據流中提取試驗建模所需樣本，標繪出待檢測目標，形成實驗建模所需的訓練集、測試集和驗證集。

7.3 機器學習

將標繪好的圖片數據加入該網絡中進行訓練得到模型，通過反復優(yōu)化參數，多次測試，最后得到所需要的模型，用于現場使用。

8 智慧安防系統(tǒng)運行機制

智慧安防系統(tǒng)通過“感知→識別→提取→分析→報警→預案”六步實現安全風險的預控。此系統(tǒng)能通過智能算法，將安全風險進行分析，實現不安全預警和提示，具體運行機制如圖3。

圖3 運行機制

9 智慧安防系統(tǒng)硬件組成

智慧安防系統(tǒng)由前端工地監(jiān)控區(qū)域和后端視頻監(jiān)控中心組成，前端硬件設備主要為攝像頭，后端主要為服務器、主機及顯示器等（見圖4）。

圖4 智慧安防系統(tǒng)硬件組成

10 安防系統(tǒng)優(yōu)勢

10.1 兼容性好

能兼容市場主流攝像機品牌，可充分利用現有攝像頭資源，減少重復投入，無需二次開發(fā)。

10.2 準確性高

可自動檢測準確率高，在小樣本情況下算法引擎的識別準確率在90%以上。

10.3 技術先進

將人工智能與大數據技術相結合，使用深度學習卷積神經網絡技術識別目標。

10.4 實時性

實施采集前端攝像頭視頻流數據，一旦與檢測模型相匹配，實時告警、預警、消除安全隱患。

10.5 適應性強

系統(tǒng)運行穩(wěn)定，可實現集中部署，隨時優(yōu)化改進算法，實現自動更新。

10.6 可靠性好

系統(tǒng)性能可靠，可7x24h不間斷、可靠運行，可承載應用運行負載能力強。

11 安防系統(tǒng)運行及運用

通過AI智能視頻分析軟件平臺，實時采集前端攝像頭視頻流數據，根據構建的檢測模型自動實施分析視頻流數據，一旦與檢測模型相匹配，實施告警，并將檢測結果上傳至中心平臺。

通過大數據分析中心管理平臺，對視頻分析結果進行管理，包括記錄查詢、記錄瀏覽、統(tǒng)計分析、用戶管理、角色管理等，并形成圖像分析大數據平臺。

綜上，在建筑工地可運行的安防場景有勞保穿戴識別、違規(guī)行為檢測、異常行為檢測、危險環(huán)境識別、操作規(guī)范檢測、環(huán)境識別（見表1）。

表1 安全隱患識別示意表

12 智慧安防系統(tǒng)前景

未來人工智能和大數據網絡技術會大量應用到智能建造中，可有效解決被動安全監(jiān)管問題。