基于KanBIM 和物聯(lián)網(wǎng)的電力工程現(xiàn)場(chǎng)安全行為識(shí)別方法研究

賈云博，張永炘，黃偉文，何東城，蔡岱翰

（廣東創(chuàng)成建設(shè)監(jiān)理咨詢有限公司，廣東 廣州520000，E-mail：yunbo.jia@qq.com）

電力事業(yè)的發(fā)展，決定了經(jīng)濟(jì)技術(shù)的進(jìn)步和發(fā)展。無論是經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)還是東部沿海地區(qū)，電力工程的建設(shè)遍布各地。為了保證電力工程施工的質(zhì)量，需要對(duì)電力工程現(xiàn)場(chǎng)施工進(jìn)行安全管理，提高對(duì)施工工人的安全保障能力[1]。但是僅依靠人員現(xiàn)場(chǎng)管理，信息傳遞的效率低下、方式落后，無法兼顧施工生產(chǎn)的全部環(huán)節(jié)[2]。

通過精細(xì)化管理，將信息技術(shù)與安全行為識(shí)別有機(jī)結(jié)合，可在保證工程質(zhì)量的同時(shí)，確保施工人員的行為安全[3]。Wei 等[4]研究了一種基于深度學(xué)習(xí)的視頻不安全行為捕捉方法，利用注意力機(jī)制，提高工人身份識(shí)別的效率，保證其在電力施工的現(xiàn)場(chǎng)行為具有安全性。FANG 等[5]研究了基于計(jì)算機(jī)視覺的信息化安全管理方法，通過與信息處理技術(shù)的融合，開發(fā)了一種應(yīng)用于施工安全的管理框架，有效保障了施工過程中的安全監(jiān)管效果。

針對(duì)電力施工現(xiàn)場(chǎng)的安全行為監(jiān)管識(shí)別問題，本文研究了基于KanBIM 和物聯(lián)網(wǎng)技術(shù)的電力工程現(xiàn)場(chǎng)安全行為識(shí)別方法。利用目標(biāo)識(shí)別技術(shù)，以安全帽識(shí)別和違規(guī)行為識(shí)別等作為研究對(duì)象，并利用BIM 平臺(tái)，構(gòu)建安全管理模型，加強(qiáng)對(duì)施工現(xiàn)場(chǎng)工人行為的安全性識(shí)別管理能力，為保障施工人員的安全提供了新的思路。

1 KanBIM 與物聯(lián)網(wǎng)技術(shù)

1.1 KanBIM

KanBIM 技術(shù)是一種軟硬件結(jié)合的信息管理系統(tǒng)，結(jié)合信息技術(shù)和運(yùn)行程序管理，能夠有效實(shí)現(xiàn)對(duì)于施工質(zhì)量和施工安全等方面的精益建設(shè)[6]。在此基礎(chǔ)上，結(jié)合信息建設(shè)技術(shù)，促進(jìn)信息融合管理，能夠提供詳細(xì)的關(guān)于工程施工和人員管理的流程，從而實(shí)現(xiàn)對(duì)現(xiàn)場(chǎng)操作人員的行為安全性管理[7]。

1.2 物聯(lián)網(wǎng)技術(shù)

物聯(lián)網(wǎng)技術(shù)是一種智能化的網(wǎng)絡(luò)系統(tǒng)，涵蓋了信息采集、信息傳感、數(shù)據(jù)交換和網(wǎng)絡(luò)通信等多個(gè)方面[8]?？梢杂行?shí)現(xiàn)對(duì)于工人的行為和著裝等進(jìn)行監(jiān)管。物聯(lián)網(wǎng)技術(shù)主要包括4 個(gè)層次，分別為感知層、網(wǎng)絡(luò)層、管理層和應(yīng)用層[9]。其中最主要的技術(shù)包括RFID 技術(shù)（Radio Frequency Identification，視頻識(shí)別技術(shù)）和WSN 技術(shù)（Wireless Sensor Network，無線傳感網(wǎng)絡(luò)）。

1.3 KanBIM 與物聯(lián)網(wǎng)技術(shù)結(jié)合

KanBIM 將項(xiàng)目計(jì)劃層層分解，通過工程的日施工計(jì)劃安排，對(duì)施工人員的工作范圍進(jìn)行大致規(guī)劃，從而可以有效辨別出位于非工作區(qū)域的人員。結(jié)合物聯(lián)網(wǎng)的監(jiān)控技術(shù)，對(duì)于施工人員的行為是否規(guī)范和安全進(jìn)行識(shí)別，及時(shí)示警并進(jìn)行全方位管理。施工現(xiàn)場(chǎng)會(huì)出現(xiàn)各種各樣的數(shù)據(jù)，大量的數(shù)據(jù)會(huì)造成識(shí)別效率的降低[10]。而通過數(shù)據(jù)處理技術(shù)，利用數(shù)據(jù)融合和聚集函數(shù)的設(shè)定，實(shí)現(xiàn)多源異構(gòu)數(shù)據(jù)的融合，提高行為識(shí)別的準(zhǔn)確性，降低冗余信息干擾，提高系統(tǒng)處理速度，做到及時(shí)高效。

2 基于KanBIM 和物聯(lián)網(wǎng)的安全行為識(shí)別系統(tǒng)架構(gòu)

電力施工的安全行為識(shí)別管理系統(tǒng)，主要由四部分組成，分別為KanBIM、RFID 和WSN 監(jiān)控傳感網(wǎng)絡(luò)、信息融合處理系統(tǒng)、預(yù)警系統(tǒng)等，其結(jié)構(gòu)圖如圖1 所示。

圖1 安全識(shí)別系統(tǒng)結(jié)構(gòu)圖

2.1 卷積神經(jīng)網(wǎng)絡(luò)

施工現(xiàn)場(chǎng)的安全行為識(shí)別工作，可以通過構(gòu)建網(wǎng)絡(luò)模型，來提高系統(tǒng)工作效率。最常用到的網(wǎng)絡(luò)模型主要為卷積神經(jīng)網(wǎng)絡(luò)模型（Convolutional Neural Networks，CNN）。卷積神經(jīng)網(wǎng)絡(luò)主要包括3 個(gè)層，即輸入層、輸出層和隱藏層[11]。

隱藏層位于輸入和輸出層的中間，正向傳播中，其對(duì)應(yīng)的輸入可以表示為：

式中，nj表示隱藏層中第j個(gè)神經(jīng)元的輸入；aji為對(duì)應(yīng)神經(jīng)元的權(quán)重系數(shù)；Xi為輸入層中第i個(gè)神經(jīng)元給隱藏層的輸入。

隱藏層的輸出可以表示為：

式中，Cj表示隱藏層中第j個(gè)神經(jīng)元的輸出；f為系統(tǒng)激活函數(shù)。

輸出層接受的輸入數(shù)據(jù)可以表示為：

式中，nk表示輸出層中第k個(gè)神經(jīng)元的輸入；bkj為對(duì)應(yīng)神經(jīng)元的權(quán)重系數(shù)；

輸出層的輸出可以表示為：

式中，Ok表示輸出層中第k個(gè)神經(jīng)元的輸出。

當(dāng)神經(jīng)網(wǎng)絡(luò)進(jìn)行反向傳播時(shí)，可以得到系統(tǒng)代價(jià)函數(shù)E的表示式：

式中，Yk為輸出層輸出中對(duì)應(yīng)第k個(gè)神經(jīng)元的期望。

輸出層的殘差δo可以表示為：

對(duì)應(yīng)隱藏層的殘差δC可以表示為

從輸入層到隱藏層的權(quán)重增量可以表示為：

式中，μ為權(quán)重增量的下降步長。

從隱藏層到輸出層的權(quán)重增量可以表示為：

更新后的權(quán)重表示式為：

式中，上標(biāo)i+1 表示更新后的數(shù)據(jù)，上標(biāo)i對(duì)應(yīng)更新之前的數(shù)據(jù)。

在CNN 卷積神經(jīng)網(wǎng)絡(luò)中，其正向傳播可以獲得網(wǎng)絡(luò)各節(jié)點(diǎn)的數(shù)據(jù)值，反向傳播的優(yōu)勢(shì)在于可以避免重復(fù)計(jì)算，提高系統(tǒng)運(yùn)行效率，較好地完成訓(xùn)練工作。為了提高卷積神經(jīng)網(wǎng)絡(luò)在目標(biāo)識(shí)別算法中的效率，人們開發(fā)了Faster R-CNN 網(wǎng)絡(luò)。Faster R-CNN 是在CNN 網(wǎng)絡(luò)的基礎(chǔ)上，通過候選區(qū)域選擇算法和降低冗余特征操作過程等，極大地提高模型的計(jì)算效率[12]。

2.2 改進(jìn)Faster R-CNN 網(wǎng)絡(luò)

盡管Faster R-CNN 網(wǎng)絡(luò)具有極高的工作效率，但是將其應(yīng)用于安全行為識(shí)別時(shí)，還是存在誤檢率高的問題[13]。為了提高模型對(duì)于安全行為的識(shí)別效率，需要對(duì)Faster R-CNN 網(wǎng)絡(luò)框架進(jìn)行改進(jìn)，改進(jìn)方法主要包括增加錨點(diǎn)數(shù)量、改進(jìn)損失函數(shù)和特征圖像插值預(yù)測(cè)等。

（1）錨點(diǎn)數(shù)量增加。錨點(diǎn)數(shù)量是卷積網(wǎng)絡(luò)中的一個(gè)重要參數(shù)，直接決定和影響了特征圖像的生成情況，默認(rèn)網(wǎng)絡(luò)架構(gòu)中的錨點(diǎn)數(shù)量為9 個(gè)，主要包括3 種圖像尺寸和3 種圖像縱橫比，從而確定出復(fù)雜施工現(xiàn)場(chǎng)中的檢測(cè)區(qū)域，如安全帽、手機(jī)等物體。對(duì)于這些影響作業(yè)安全的小物體，9 個(gè)錨點(diǎn)數(shù)量不足以精確描述其位置和圖像情況，算法的召回難度高，難以進(jìn)行回歸和分類等處理。因此需要加入更細(xì)致的錨點(diǎn)，從而完成對(duì)于小目標(biāo)物體的檢測(cè)，提高系統(tǒng)的檢測(cè)能力。

（2）損失函數(shù)改進(jìn)。損失函數(shù)的大小，決定了在復(fù)雜的電力工程現(xiàn)場(chǎng)中，目標(biāo)圖像數(shù)據(jù)集中樣本比例不均衡問題。根據(jù)樣本訓(xùn)練中的難易程度，對(duì)其賦予一定的權(quán)重系數(shù)，可以有效增強(qiáng)模型便于對(duì)特征物體的辨識(shí)能力，便于對(duì)安全行為進(jìn)行監(jiān)控。

改進(jìn)后的損失函數(shù)基于交叉熵的理論，損失函數(shù)L的表示式為：

式中，p為樣本值為1 的概率情況，y為標(biāo)簽；γ為模型損失函數(shù)的調(diào)節(jié)系數(shù)；α為模型平衡因子。

與交叉熵函數(shù)相比，改進(jìn)的損失函數(shù)增加了調(diào)節(jié)系數(shù)γ，通過調(diào)節(jié)系數(shù)的設(shè)置，可以有效提高模型對(duì)于困難樣本的挖掘能力，減少對(duì)于簡(jiǎn)單樣本的專注損失。平衡因子α的作用在于，解決模型數(shù)據(jù)集中目標(biāo)類別不夠均衡和全面的問題。

（3）特征圖像插值預(yù)測(cè)。由于樣本量化后的數(shù)據(jù)，預(yù)測(cè)區(qū)域和實(shí)際區(qū)域之間出現(xiàn)了較大的誤差，進(jìn)而影響了模型的檢測(cè)精度。因此需要對(duì)區(qū)域選擇部分進(jìn)行插值處理，利用雙線性插值數(shù)據(jù)代替原始模型的插值數(shù)據(jù)，通過獲得候選框浮點(diǎn)量化數(shù)據(jù)，提升模型預(yù)測(cè)結(jié)果的準(zhǔn)確度。

2.3 模型性能指標(biāo)

（1）準(zhǔn)確率。表示式為：

式中，TP為正樣本數(shù)量，F(xiàn)P為負(fù)樣本數(shù)量。

（2）召回率。表示式為：

式中，F(xiàn)N為正樣本被預(yù)測(cè)為負(fù)樣本的數(shù)量。

（3）F1 值。F1 值的作用在于對(duì)召回率和準(zhǔn)確率兩個(gè)指標(biāo)進(jìn)行綜合考慮。表示式為：

（4）平均準(zhǔn)確率。表示式為：

式中，MAP主要對(duì)于各種檢查目標(biāo)在模型中檢測(cè)效果加以評(píng)價(jià)；Nc為所有檢測(cè)目標(biāo)類別的數(shù)量；Ni為數(shù)據(jù)集中i類數(shù)據(jù)的目標(biāo)數(shù)量。

2.4 基于目標(biāo)識(shí)別的安全行為識(shí)別

將目標(biāo)識(shí)別技術(shù)應(yīng)用于電力現(xiàn)場(chǎng)的安全管理中，可以有效發(fā)揮KanBIM 和物聯(lián)網(wǎng)技術(shù)的優(yōu)勢(shì)。利用目標(biāo)識(shí)別技術(shù)，有效識(shí)別現(xiàn)場(chǎng)工人的位置信息、著裝信息、操作信息等。及時(shí)發(fā)現(xiàn)施工過程中的違規(guī)和安全隱患問題，對(duì)這些行為加以示警，防患于未然，有效確保施工現(xiàn)場(chǎng)的人員生命安全。以安全帽為例，作為施工現(xiàn)場(chǎng)中必不可少的設(shè)備，通過RFID、BIM 及物聯(lián)網(wǎng)通信技術(shù)，可以把工人安全帽佩戴是否正確，著裝是否規(guī)范等管理，結(jié)合到統(tǒng)一的平臺(tái)中，及時(shí)通知、及時(shí)處理、及時(shí)糾正。對(duì)于現(xiàn)場(chǎng)工人的其他不規(guī)范操作，如玩手機(jī)、注意力不集中等行為，同樣可以通過視頻監(jiān)控加以識(shí)別，通過示警、通告等方式，及時(shí)加以教育和糾正，提高整個(gè)現(xiàn)場(chǎng)的管理效率。

3 實(shí)驗(yàn)結(jié)果與數(shù)據(jù)分析

3.1 實(shí)驗(yàn)環(huán)境設(shè)定

基于Tensor Flow 學(xué)習(xí)框架對(duì)模型的識(shí)別效果加以驗(yàn)證，本文主要研究關(guān)于施工現(xiàn)場(chǎng)中安全帽的佩戴識(shí)別和工人違規(guī)操作的識(shí)別兩個(gè)方面。

在安全帽的識(shí)別方面，對(duì)于數(shù)據(jù)集的建立，需要采集足夠多的圖像，本文共采集7662 張圖像，包括各種復(fù)雜作業(yè)現(xiàn)場(chǎng)場(chǎng)景中安全帽的佩戴圖像和未佩戴圖像。由于本文網(wǎng)絡(luò)模型的訓(xùn)練要求，通過本文改進(jìn)Faster R-CNN 網(wǎng)絡(luò)模型的不斷完善，可以有效實(shí)現(xiàn)目標(biāo)的檢測(cè)，大幅提高系統(tǒng)檢測(cè)精度。

對(duì)于違規(guī)行為的數(shù)據(jù)集建立，同樣需要根據(jù)分類情況加以收集，保證數(shù)據(jù)集的建立涵蓋多個(gè)分類，且圖像數(shù)據(jù)盡量均衡，避免出現(xiàn)由于分類不清導(dǎo)致的模型錯(cuò)檢情況。本文共采集圖像19822 張，涵蓋工人操作過程中看手機(jī)、打電話、扶眼鏡、視線偏離、正常操作等多種情況。

安全行為識(shí)別管理過程中圖像識(shí)別的流程如圖2 所示。

圖2 圖像識(shí)別流程圖

3.2 安全帽識(shí)別結(jié)果

3.2.1 改進(jìn)后模型與原模型對(duì)比

將經(jīng)過訓(xùn)練后的模型，在相同的數(shù)據(jù)情況下，利用原Faster R-CNN 模型與本文改進(jìn)模型進(jìn)行對(duì)比，比較其識(shí)別精度情況，對(duì)比結(jié)果如表1 所示。

表1 模型精度情況對(duì)比

由表1 中結(jié)果可以看到，本文改進(jìn)后的模型與原始網(wǎng)絡(luò)架構(gòu)相比，在各方面均有了不同程度的提高，MAP提高了約15%左右，對(duì)于佩戴安全帽人員的檢測(cè)準(zhǔn)確率提高約5%，未佩戴人員的檢測(cè)準(zhǔn)確率提高了接近25%。檢測(cè)精度方面，原模型的檢測(cè)精度為91.51%，本文模型的檢測(cè)精度為99.99%，大幅提高了檢測(cè)模型的精度?？芍疚哪Ｐ偷臋z測(cè)效果更好，且適用于小目標(biāo)的檢測(cè)，包括工程現(xiàn)場(chǎng)的安全帽、手機(jī)、多目標(biāo)、小個(gè)體的識(shí)別，對(duì)于吸煙、打電話等不規(guī)范行為的識(shí)別精度更高。

3.2.2 錨點(diǎn)數(shù)量的影響

為了驗(yàn)證本文模型改進(jìn)的效果，在原始模型的基礎(chǔ)上，單純改變算法中錨點(diǎn)的數(shù)量，對(duì)比不同數(shù)量情況下的識(shí)別效果，其結(jié)果如圖3 所示。

圖3 錨點(diǎn)數(shù)量對(duì)于圖像精度的影響

圖3 中可以看到，隨著錨點(diǎn)數(shù)量的上升，MAP值逐漸增大，證明其可以有效提高模型識(shí)別能力。其原因在于，錨點(diǎn)的增加，可以有效提高模型對(duì)于小目標(biāo)的識(shí)別能力，從而提高對(duì)于安全帽佩戴不規(guī)范、不佩戴安全帽等行為的管理能力和管理效果。

3.2.3 損失函數(shù)和特征圖像插值預(yù)測(cè)的改進(jìn)效果

在相同的錨點(diǎn)數(shù)量為12 的情況下，選擇不同的損失函數(shù)和不同的插值策略，其對(duì)比結(jié)果如表2所示。

表2 不同改進(jìn)方案效果

表2 中可以看到，當(dāng)其他條件相同，僅僅是改變損失函數(shù)時(shí)。本文改進(jìn)后算法的MAP值均優(yōu)于原先的模型，未改變插值策略時(shí)，兩者的差約為9.04%，而改變插值算法后，兩者的差約為3.9%。說明損失函數(shù)的優(yōu)化，能夠有效提高模型的識(shí)別效果。

同理，在相同的損失函數(shù)情況下，改變插值策略，同樣能夠有效提高模型的識(shí)別效果。損失函數(shù)優(yōu)化前，相同條件下，MAP的差為9.95%。而使用優(yōu)化后的損失函數(shù)時(shí)，兩者的差為5.05%。同樣說明本文的插值策略是有利于跳過模型識(shí)別能力的。

3.2.4 不同模型對(duì)比

相同條件下，比較本文改進(jìn)后算法與其他算法之間的效果。計(jì)算結(jié)果如表3 所示。

表3 不同模型方案效果對(duì)比

表3 中可以看到，對(duì)比不同的網(wǎng)絡(luò)模型，本文算法得到MAP值依然是最高的，優(yōu)于其他算法，對(duì)于傳統(tǒng)Faster R-CNN 模型的改進(jìn)效果明顯，MAP值提高15%。

3.3 違規(guī)行為識(shí)別

將本文算法應(yīng)用于工程施工中的安全行為監(jiān)控。利用大量的圖像數(shù)據(jù)作為算法的訓(xùn)練集和測(cè)試集，避免由于樣本量的不足而導(dǎo)致的算法偏差。使用本文網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，設(shè)定學(xué)習(xí)率為0.001，周期為100，得到的各識(shí)別參數(shù)結(jié)果如表4 所示。

表4 各行為的識(shí)別結(jié)果

表4 中可以看到，利用本文模型對(duì)于施工現(xiàn)場(chǎng)的工人行為進(jìn)行監(jiān)測(cè)，常見的行為識(shí)別準(zhǔn)確率為99%，模型召回率為98%，F(xiàn)1 值大小為98%。說明本文算法對(duì)于工人的行為具有很好的識(shí)別率，對(duì)于看手機(jī)和打電話等行為的識(shí)別率甚至達(dá)到100%，其他行為的識(shí)別也在98%以上，可以有效監(jiān)管和避免工作過程中的不安全行為。

相同條件下，將本文算法與其他算法模型進(jìn)行對(duì)比，對(duì)比結(jié)果如表5 所示。

表5 不同模型方案效果F1 值對(duì)比

由表5 可以看到，本文算法模型的識(shí)別率，均高于輕型CNN 結(jié)構(gòu)和HOG-RF 網(wǎng)絡(luò)模型。對(duì)于所有的工人常規(guī)操作，本文算法幾乎可以識(shí)別出全部的行為，識(shí)別準(zhǔn)確率超過99%。

根據(jù)行為識(shí)別，可以有效對(duì)工人的不規(guī)范著裝和非正常行為等進(jìn)行標(biāo)記和識(shí)別，對(duì)于在非工作區(qū)域和非安全區(qū)域進(jìn)行活動(dòng)也能夠及時(shí)處理?？梢宰C明，本文基于KanBIM 和物聯(lián)網(wǎng)的安全行為識(shí)別方法，能夠有效提高施工現(xiàn)場(chǎng)安全行為管理，保障人員的生命財(cái)產(chǎn)安全。

4 結(jié)語

對(duì)于工程施工來說，保證現(xiàn)場(chǎng)的安全性，是其重中之重?；贙anBIM 和物聯(lián)網(wǎng)的安全行為識(shí)別方法，通過網(wǎng)絡(luò)模型實(shí)現(xiàn)對(duì)工人的安全行為進(jìn)行識(shí)別和管理。利用改進(jìn)的Faster R-CNN 模型對(duì)工人的安全行為進(jìn)行監(jiān)控，并將該模型應(yīng)用到施工人員的安全帽佩戴和行為規(guī)范性識(shí)別方面，實(shí)驗(yàn)結(jié)果證明該模型具有極高的識(shí)別精度和識(shí)別效率，對(duì)不安全行為的識(shí)別準(zhǔn)確度超過99%，具有重要的應(yīng)用價(jià)值。且將該模型與其他經(jīng)典模型進(jìn)行對(duì)比，結(jié)果證明該模型具有明顯的優(yōu)勢(shì)，識(shí)別的準(zhǔn)確率更高，可用于施工現(xiàn)場(chǎng)的安全行為規(guī)范管理工作。