龐星宇

摘要： 目前深圳正在大力推進(jìn)高速公路等交通基礎(chǔ)設(shè)施的建設(shè)，由于施工安全管理手段缺乏、建筑工人安全意識疏忽導(dǎo)致施工安全事故頻發(fā)，亟需引入合適技術(shù)去改善施工安全管理水平，減少事故傷害。本文初步調(diào)研了目前行業(yè)現(xiàn)狀以及主要需求，計(jì)劃運(yùn)用深度神經(jīng)網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)、圖像處理算法等人工智能技術(shù)以及定制化物聯(lián)網(wǎng)設(shè)備，對工程現(xiàn)場及施工生產(chǎn)過程中關(guān)鍵的人、設(shè)備、環(huán)境變化進(jìn)行實(shí)時(shí)分析計(jì)算，實(shí)現(xiàn)后臺對高速公路工程施工的數(shù)字化、精細(xì)化、智能化生產(chǎn)安全監(jiān)測，探索解決未按規(guī)定佩戴安全帽、未系安全繩和掛鉤、臨邊防護(hù)缺失等長期困擾施工安全管理的難題。

關(guān)鍵詞：工地安全管理;圖像識別;物聯(lián)網(wǎng);可行性分析

中圖分類號：U416?文獻(xiàn)標(biāo)識碼：A?文章編號：1672-9129（2020）10-0088-03

1?基本情況

1.1應(yīng)用背景。當(dāng)前，深圳正搶抓建設(shè)粵港澳大灣區(qū)和支持深圳建設(shè)中國特色社會主義先行示范區(qū)“雙區(qū)驅(qū)動”的重大歷史機(jī)遇，攜手港澳及珠三角各市共建國際一流灣區(qū)和世界級城市群。深圳正大力推進(jìn)“東進(jìn)、西協(xié)、南聯(lián)、北拓、中優(yōu)”戰(zhàn)略，大力投入建設(shè)四通八達(dá)的交通基礎(chǔ)設(shè)施：公路、地鐵、鐵路等構(gòu)成的龐大路網(wǎng)，猶如城市的血管，串起每一個(gè)遍布城市各個(gè)角落的交通樞紐工程，奠定了深圳市大灣區(qū)主要交通樞紐城市的地位。高速公路等交通基礎(chǔ)設(shè)施的迅速延伸蘊(yùn)含著廣大高速建筑工人夜以繼日的辛勤勞動。然而，高速公路建設(shè)快速發(fā)展過程中由于施工安全管理手段缺乏、建筑工人人員安全意識疏忽導(dǎo)致了很多起施工生產(chǎn)安全事故。深圳的建筑施工生產(chǎn)安全事故數(shù)占全省的三成以上，“遙遙領(lǐng)先”省內(nèi)其他地市，這個(gè)嚴(yán)峻的數(shù)據(jù)反映了深圳在發(fā)展過程中施工安全管理手段的滯后，深圳亟需引入先進(jìn)技術(shù)去改善施工安全管理水平，減少事故傷害。

1.2主要內(nèi)容。本文計(jì)劃以超高清智能攝像機(jī)和定制化物聯(lián)網(wǎng)掛鉤為基礎(chǔ)，通過高性能圖像傳感器結(jié)合物聯(lián)網(wǎng)技術(shù)以及人臉識別等視頻智能化分析技術(shù)實(shí)現(xiàn)對施工人員違規(guī)作業(yè)狀態(tài)進(jìn)行智能判別的同時(shí)進(jìn)行現(xiàn)場廣播自動告警并同時(shí)報(bào)送遠(yuǎn)程管理人員預(yù)警，基于攝像機(jī)自帶嵌入式處理器的神經(jīng)網(wǎng)絡(luò)內(nèi)核實(shí)現(xiàn)對安全帽、安全繩、臨邊防護(hù)圍欄的智能分析和報(bào)警，采用NB-IoT技術(shù)的物聯(lián)網(wǎng)實(shí)現(xiàn)對掛鉤狀態(tài)的監(jiān)測，最終實(shí)現(xiàn)對上述三大施工現(xiàn)場人員不安全行為及時(shí)報(bào)警和預(yù)警。

主要研究內(nèi)容包括：

（1）安全帽的智能視頻檢測方法研究;安全帽檢測采用深度神經(jīng)網(wǎng)絡(luò)模型，通過人頭檢測和是否帶安全帽的分類實(shí)現(xiàn)安全帽檢測。

（2）安全繩的智能視頻檢測技術(shù)研究和物聯(lián)網(wǎng)掛鉤的研究;該算法是基于人體檢測算法、安全帶檢測算法，融合物聯(lián)網(wǎng)掛鉤對錨定狀態(tài)的采集，通過數(shù)據(jù)綜合判別實(shí)現(xiàn)對高處作業(yè)人員不安全行為的預(yù)警。

（3）臨邊防護(hù)檢測算法的研究;將通過臨邊防護(hù)缺失檢測是針對臨邊防護(hù)圍欄進(jìn)行實(shí)時(shí)監(jiān)測，如發(fā)現(xiàn)監(jiān)測區(qū)域出現(xiàn)較大面積的防護(hù)缺口時(shí)，由系統(tǒng)自動分析并產(chǎn)生警告上報(bào)。

2?行業(yè)現(xiàn)狀及需求分析

2.1現(xiàn)狀分析。

（1）安全帽、安全帶智能檢測技術(shù)的應(yīng)用現(xiàn)狀。安全帽和安全帶檢測在人工智能技術(shù)上研究者并不多，安全帽檢測相對多一些，安全帶則屬于空白。針對安全帽的檢測，大連理創(chuàng)科技有限公司開發(fā)了一種基于卡口的安全檢測設(shè)備[1]，能夠有效的在出入口檢測出工人是否佩戴安全帽。但缺陷也很明顯，該識別只能放在門口等固定位置，無法在條件復(fù)雜的開闊工地進(jìn)行大范圍監(jiān)控，不適合高速施工上的應(yīng)用。

通過視頻進(jìn)行大范圍監(jiān)控是一個(gè)相對上述辦法高效的多的方法，然而，通過視頻就需要研究安全帽的檢測算法，這塊屬于圖像分類、圖像識別領(lǐng)域，這方面由廣東工業(yè)大學(xué)提出了基于特征工程的檢測方法[2]，通過獲取多幅背景環(huán)境的深度圖像、佩戴安全帽的深度圖像以及未佩戴安全帽的深度圖像，分別提取佩戴安全帽與不佩戴安全帽的人體頭部圖像的HoG特征，生成支持向量機(jī)模型，實(shí)現(xiàn)了對安全帽特征的有效提取，實(shí)現(xiàn)了安全帽的檢測。但安全帽特征工程在復(fù)雜的工地實(shí)現(xiàn)起來其特征工程提取將工作量巨大，難以取得良好效果。

2019年4月，由伯克利大學(xué)等機(jī)構(gòu)提出了基于熱力圖的檢測算法CenterNet[3]，在提高精度和速度的同時(shí)，有效的解決了yolo等基于錨點(diǎn)的算法的缺陷。在準(zhǔn)確率上有10%以上的提升。

2019年11月，Google提出了基于自適應(yīng)特征金字塔（BiFPN）的EfficientDe[4]目標(biāo)檢測算法，在速度和性能上表現(xiàn)優(yōu)異?；谏疃葘W(xué)習(xí)方法的人工智能技術(shù)應(yīng)用于安全帽檢測，不僅準(zhǔn)確率高，環(huán)境適應(yīng)能力強(qiáng)，而且隨著技術(shù)的進(jìn)步，相關(guān)算法模型在移動端的部署成為現(xiàn)實(shí)，這也將大大的降低部署成本。

（2）安全繩、防護(hù)掛鉤技術(shù)的發(fā)展現(xiàn)狀。近年來，隨著工地施工安全意識的提高，國內(nèi)外一些企業(yè)和研究機(jī)構(gòu)也逐步開展了一些針對高空作業(yè)安全繩和掛鉤智能檢測的研究工作。

2009年，寧夏電力公司銀川供電局提出了一種安全帶扣環(huán)驗(yàn)證發(fā)聲器[5]。該裝置通過掛鉤扣環(huán)與掛鉤的接觸狀態(tài)觸發(fā)無線電信號，并通過發(fā)聲器進(jìn)行安全帶狀態(tài)的確認(rèn)。

2010年，日本藤井電工株式會社提出了一種安全帶及其使用狀況確認(rèn)系統(tǒng)[6]。該系統(tǒng)提供了一種能夠檢測在掛扣了安全鉤的狀態(tài)下發(fā)生跌倒或墜落的情況以便能夠?qū)ψ鳂I(yè)人員進(jìn)行迅速救助的安全帶。該裝置用壓力傳感器和開閉傳感器對掛鉤狀態(tài)進(jìn)行檢測，一定程度上實(shí)現(xiàn)了對掛鉤的智能監(jiān)測。

2012年，中國十七冶集團(tuán)有限公司提出了一種用于安全繩佩戴狀態(tài)的遠(yuǎn)程監(jiān)測裝置[7] [8]。該方法采用微動開關(guān)監(jiān)測掛鉤狀態(tài)、陀螺儀重力加速度傳感器檢測安全繩晃動狀態(tài)，通過無線網(wǎng)絡(luò)實(shí)時(shí)將檢測數(shù)據(jù)傳遞給專家系統(tǒng)進(jìn)行智能判斷，輔以智能報(bào)警裝置，監(jiān)測人員可通過網(wǎng)絡(luò)集中監(jiān)測不同施工地點(diǎn)高空作業(yè)人員安全繩佩戴情況，提升高空作業(yè)人員工作安全性。

2018年，深圳市安力達(dá)科技有限公司提出了一種基于高空作業(yè)的物聯(lián)網(wǎng)智能安全繩的使用方法[9]。該方法使用時(shí)，當(dāng)作業(yè)人員吊籃高度升高到設(shè)定高度以上，卡扣會自動鎖住確保人身安全，當(dāng)作業(yè)人員到達(dá)安全高度范圍內(nèi)則會自動解鎖。

2.2業(yè)務(wù)需求分析。據(jù)廣東省住房和城鄉(xiāng)建設(shè)廳發(fā)布的2019年1-6月全省建筑施工生產(chǎn)安全事故通報(bào)，按照事故發(fā)生的類型劃分：高處墜落事故16起，占總起數(shù)的48.48%;機(jī)械傷害事故6起，占總起數(shù)的18.18%;物體打擊事故5起，占總起數(shù)的15.15%;坍塌事故2起，占總起數(shù)的6.06%;觸電事故1起，占總起數(shù)的3.03%;其他傷害事故3起，占總起數(shù)的9.09%。

根據(jù)上述統(tǒng)計(jì)結(jié)果，高處墜落、物體打擊、機(jī)械傷害、坍塌傷害占比近9成。這些造成嚴(yán)重人身傷害的事故原因大多數(shù)都是因?yàn)楣と宋吹玫桨踩o(hù)具保護(hù)，其中以三類問題最為突出：未按規(guī)定佩戴安全帽、工人高空作業(yè)未系安全繩及掛鉤、工地臨邊防護(hù)缺失。

（1）未按規(guī)定佩戴安全帽。安全帽的主要作用是延遲并減少傳遞到頭部和頸部的壓力，吸收由撞擊帶來的大部分能量。安全帽的重要性不言而喻，但總有人因?yàn)楦鞣N主觀或客觀原因進(jìn)入工地未戴安全帽，將生命置于高風(fēng)險(xiǎn)下。

（2）工人高空作業(yè)未系安全繩及掛鉤。工人高空作業(yè)存在很大的安全風(fēng)險(xiǎn)，為了對工作人員的人身安全保障，要求對高空作業(yè)的工人必須采取安全措施，而現(xiàn)在普遍都是使用安全帶來防護(hù)。

（3）工地臨邊防護(hù)缺失。建筑工地的臨邊防護(hù)是建筑施工現(xiàn)場保護(hù)施工人員傷害必備的一種保護(hù)設(shè)施，適用于各類建筑施工工地的安全防護(hù)，醒目的藍(lán)色、黃色、紅色或者白色可以起到提醒施工人員注意安全。

3?技術(shù)可行性分析

本文計(jì)劃以超高清視頻和物聯(lián)網(wǎng)智能掛鉤為基礎(chǔ)，通過深度神經(jīng)網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)、幀差檢測等方法，同時(shí)基于物聯(lián)網(wǎng)掛鉤錨定狀態(tài)數(shù)據(jù)，實(shí)現(xiàn)對安全生產(chǎn)狀況的全方面監(jiān)測。下面就各個(gè)需求的實(shí)現(xiàn)技術(shù)途徑進(jìn)行詳細(xì)分析。

3.1安全帽檢測。安全帽檢測采用深度神經(jīng)網(wǎng)絡(luò)模型，通過人頭檢測和是否帶安全帽的分類實(shí)現(xiàn)。在施工現(xiàn)場的復(fù)雜環(huán)境下，安全帽檢測難以使用傳統(tǒng)的圖像處理方法實(shí)現(xiàn)，而深度神經(jīng)網(wǎng)絡(luò)的發(fā)展為解決這類問題提供了高效可靠的解決途徑。在計(jì)算機(jī)視覺領(lǐng)域，安全帽檢測問題屬于目標(biāo)檢測問題和分類問題的綜合，可分解為人頭檢測和是否帶安全帽的分類。

人頭檢測，即目標(biāo)檢測問題，考慮到工程的實(shí)際應(yīng)用，使用one-stage方式，即端到端的方式（比如YoLo，SSD）。下面簡單描述一下檢測的基本原理（以YoLo為例）。

原理描述：首先搭建一個(gè)用于特征提取的深度神經(jīng)網(wǎng)絡(luò)，為防止網(wǎng)絡(luò)深度過深可能導(dǎo)致梯度消失，采用了殘差結(jié)構(gòu)，特征提取下采樣后再進(jìn)行上采樣，是最后的特征包含更不同維度的特征信息，同時(shí)在大小目標(biāo)的兼顧上面做適當(dāng)?shù)钠胶狻?/p>

如圖所示，輸入一張圖片，經(jīng)過多層殘差結(jié)構(gòu)的卷積和多次下采樣，不斷提升特征維度，同時(shí)進(jìn)行上采樣操作，最后輸出3個(gè)不同尺度和維度的特征向量。將最后特征映射為目標(biāo)的中心位置、寬和高、分類置信度。模型的訓(xùn)練依賴數(shù)據(jù)的同時(shí)，損失函數(shù)是非常重要的。損失函數(shù)包括位置損失函數(shù)、置信度損失函數(shù)和分類損失函數(shù)。

位置損失函數(shù)：預(yù)測框盡可能嚙合實(shí)際目標(biāo)框。其中位置損失函數(shù)的目的是讓預(yù)測框?qū)?zhǔn)目標(biāo)物，綜合評價(jià)指標(biāo)就是IoU，即交集與并集的比值。

因?yàn)榘踩碧卣鬏^簡單，而且與人頭結(jié)合才有意義，以上原理可實(shí)現(xiàn)人頭的檢測，為了檢測是否戴了安全帽，如果采用檢測完成后再進(jìn)行是否戴安全帽的分類也是可以的。但是當(dāng)場景中出現(xiàn)較多目標(biāo)時(shí)，就必須進(jìn)行多次的判斷，時(shí)間上面就會疊加，可能不能保證實(shí)時(shí)同時(shí)檢測頻率上面將大大折扣。在檢測人頭的基礎(chǔ)上高效的實(shí)現(xiàn)安全帽檢測，我們采取在上面網(wǎng)絡(luò)輸出上面增加一項(xiàng)是否戴安全帽項(xiàng)，損失函數(shù)參考置信度損失函數(shù)，判斷是否戴帽子（在數(shù)據(jù)標(biāo)注時(shí)也需要增加這項(xiàng)），這樣不管多少目標(biāo)都是和目標(biāo)物一起檢測出來的。實(shí)現(xiàn)了人頭和安全帽的有效檢測和區(qū)分。

3.2安全繩和掛鉤的檢測。

（1）安全繩視頻檢測算法。安全繩的檢測是基于目標(biāo)檢測和物體分類的方法，安全帶要穿在工人身上才有意義，因此也是要先檢測工人，然后判斷是否穿戴安全帶。工人的檢測問題可以使用參考行人檢測方法，在行人檢測數(shù)據(jù)集基礎(chǔ)上適當(dāng)?shù)脑黾邮┕がF(xiàn)場標(biāo)注了工人的數(shù)據(jù)集，增加網(wǎng)絡(luò)模型的泛化能力。能夠訓(xùn)練檢測安全帶網(wǎng)絡(luò)的數(shù)據(jù)集是比較龐大的，數(shù)據(jù)的收集是非常困難的。為解決安全帶圖片數(shù)據(jù)缺失問題，考慮使用圖像增強(qiáng)來產(chǎn)生更多的佩戴安全帶數(shù)據(jù)。

對抗生成網(wǎng)絡(luò)（GAN）是一種很好的解決方案，Generative adversarial networks，它包含兩個(gè)網(wǎng)絡(luò)，一個(gè)是生成網(wǎng)絡(luò)，一個(gè)是對抗網(wǎng)，從二人零和博弈中受啟發(fā)，通過兩個(gè)網(wǎng)絡(luò)互相對抗來達(dá)到最好的生成效果。首先，有一個(gè)一代的 generator，它能生成一些很差的圖片，然后有一個(gè)一代的discriminator，它能準(zhǔn)確的把生成的圖片，和真實(shí)的圖片分類，簡而言之，這個(gè) discriminator 就是一個(gè)二分類器，對生成的圖片輸出0，對真實(shí)的圖片輸出1。接著，開始訓(xùn)練出二代的 generator，它能生成稍好一點(diǎn)的圖片，能夠讓一代的 discriminator 認(rèn)為這些生成的圖片是真實(shí)的圖片。然后會訓(xùn)練出一個(gè)二代的 discriminator，它能準(zhǔn)確的識別出真實(shí)的圖片，和二代 generator 生成的圖片。以此類推，會有三代，四代，┉，n 代的 generator 和 discriminator，最后 discriminator 無法分辨生成的圖片和真實(shí)圖片，這個(gè)網(wǎng)絡(luò)就擬合了。

下面簡單介紹一下其中的一種方法CycleGAN。CycleGAN是伯克利的學(xué)者在2017年提出的一種unpair的圖像生成方法。CycleGAN的核心是優(yōu)化以下Loss Function：前面兩個(gè)部分是對兩個(gè)mapping function的損失，最后一個(gè)部分是避免A全部映射到B的一張圖片，限制mapping空間大小所做的限制。保證domain A轉(zhuǎn)換到domain B還能夠再轉(zhuǎn)換回來，這也是CycleGAN名字的由來。使用一個(gè)稍加改進(jìn)的CycleGAN進(jìn)行樣本擴(kuò)充，并引進(jìn)噪音，利用一個(gè)baseline的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并將造出來的圖的標(biāo)簽平滑化，引入一個(gè)平滑超參，來一定程度上抑制假圖帶來的負(fù)面影響。生成對抗網(wǎng)絡(luò)（GAN），CycleGAN只是我們用來做數(shù)據(jù)增強(qiáng)的一種，更多改進(jìn)版本的對抗生成網(wǎng)絡(luò)我們將應(yīng)用到實(shí)際工程中。

（2）物聯(lián)網(wǎng)掛鉤狀態(tài)檢測實(shí)現(xiàn)方法。

（a）功能

為了檢測工人在進(jìn)行高空作業(yè)時(shí)是否將安全繩上的掛鉤掛在安全錨點(diǎn)上，需實(shí)時(shí)檢測掛鉤的狀態(tài)。目前市場上還沒有實(shí)現(xiàn)這一功能的智能掛鉤在實(shí)際中應(yīng)用，因此實(shí)際應(yīng)用中需定制開發(fā)智能掛鉤，以滿足實(shí)際需求。

智能掛鉤需要實(shí)現(xiàn)的功能有：

1）實(shí)時(shí)檢測掛鉤是否扣在安全錨點(diǎn)上;

2）將檢測結(jié)果實(shí)時(shí)發(fā)送給NB-IoT基站;

3）能源自給，無需充電，提高使用便利性。

（b）組成

根據(jù)以上功能需求，智能掛鉤由掛鉤孔狀態(tài)傳感器、掛鉤垂直狀態(tài)傳感器、數(shù)據(jù)采集和處理模塊、檢測數(shù)據(jù)發(fā)送模塊、小型鋰電池和小型太陽能接收器組成。智能掛鉤各組成部件除小型太陽能接收器外均設(shè)置在金屬掛鉤內(nèi)部。掛鉤孔狀態(tài)傳感器各點(diǎn)分布在環(huán)形鉤內(nèi)側(cè)，小型鋰電池、掛鉤垂直狀態(tài)傳感器、數(shù)據(jù)采集和處理模塊均設(shè)置在掛鉤底部，檢測數(shù)據(jù)發(fā)送模塊設(shè)置在掛鉤側(cè)部。檢測數(shù)據(jù)發(fā)送模塊的發(fā)射天線開窗，防止信號被屏蔽。小型太陽能接收器布置在掛鉤外表面，以便于接受太陽光照射。

掛鉤孔狀態(tài)傳感器檢測掛鉤是否扣在錨點(diǎn)上，其掛鉤孔內(nèi)是否有安全桿。掛鉤垂直狀態(tài)傳感器檢測掛鉤是否處于掛鉤孔在上、掛鉤繩在下的垂直狀態(tài)。掛鉤孔狀態(tài)傳感器和掛鉤垂直狀態(tài)傳感器的檢測數(shù)據(jù)發(fā)送給數(shù)據(jù)采集和處理模塊，后者對這些數(shù)據(jù)進(jìn)行采集和處理，當(dāng)同時(shí)檢測到掛鉤孔內(nèi)有安全桿且掛鉤處于垂直狀態(tài)時(shí)，判斷掛鉤已經(jīng)安全的掛在錨點(diǎn)上。只要有一個(gè)條件不滿足，即判斷掛鉤沒有安全的掛在錨點(diǎn)上。數(shù)據(jù)采集和處理模塊將檢測結(jié)果發(fā)送給檢測數(shù)據(jù)發(fā)送模塊，后者將結(jié)果數(shù)據(jù)無線發(fā)送到NB-IoT基站。

3.3臨邊防護(hù)檢測。臨邊防護(hù)缺失檢測是針對基坑圍欄和臨邊圍欄進(jìn)行實(shí)時(shí)監(jiān)測，如發(fā)現(xiàn)臨邊防護(hù)監(jiān)測區(qū)域出現(xiàn)較大面積的缺口時(shí)，由系統(tǒng)自動分析并產(chǎn)生告警上報(bào)的一系列流程。

設(shè)計(jì)方案如下：

（1）現(xiàn)場標(biāo)定設(shè)置敏感區(qū)域進(jìn)行布防?，F(xiàn)場標(biāo)定過程中，需從實(shí)時(shí)視頻中框選四邊形圍欄區(qū)域?？蜻x監(jiān)測區(qū)域時(shí)，要求四邊形框盡量貼合圍欄邊界;要求框選區(qū)域必須包含完整的被監(jiān)測區(qū)域;要求監(jiān)測區(qū)域的臨邊防護(hù)必須是完好無缺失，無遮擋。

（2）啟動監(jiān)測功能。完成標(biāo)定布防后，通過管理軟件啟動監(jiān)測功能。啟動之后，由攝像機(jī)自動完成場景自學(xué)習(xí)，并自動構(gòu)建背景建模。具體算法流程如下：

（a）攝像機(jī)采集一張降噪后的YUV視頻幀圖片，采集完成后針對監(jiān)測區(qū)域進(jìn)行灰度建模，并完成灰度圖片的提取，完成灰度直方圖統(tǒng)計(jì)。

（b）根據(jù)灰度直方圖統(tǒng)計(jì)，獲取灰度值的正態(tài)分布，根據(jù)正態(tài)分布曲線提取背景模板的二值化閾值T，再根據(jù)閾值T將圖片進(jìn)行二值化。

（c）監(jiān)控過程中，以T值為閾值，將當(dāng)前幀進(jìn)行二值化，并采用幀差法，將當(dāng)前實(shí)時(shí)幀和背景幀二值化圖相減，提取兩者之間的差值，幀差效果類似如下：

（4）提取幀差圖的行列直方圖，行列直方圖可以明確表述監(jiān)測區(qū)域各行和各列的灰度分布，在完成幀差之后，通過行列直方圖可以分析出圍欄缺失部分所占的區(qū)域坐標(biāo)。然后根據(jù)區(qū)域各頂點(diǎn)坐標(biāo)結(jié)合如下公式求得區(qū)域近似面積。

（5）將步驟（4）中的面積和已知面積閾值ST進(jìn)行比較，當(dāng) S > ST 時(shí)，判定為臨邊防護(hù)有缺失，并根據(jù)缺失持續(xù)時(shí)間來上報(bào)告警。

4?效益分析

由于在施工現(xiàn)場采用了人工智能監(jiān)控技術(shù)和物聯(lián)網(wǎng)掛鉤，通過高性能的傳感器采集現(xiàn)場視頻和設(shè)備狀態(tài)參數(shù)，通過采用人工智能技術(shù)，有較大的可能性解決困擾高速施工多年的現(xiàn)場人員行為安全管理問題，將會產(chǎn)生顯著的管理效益與經(jīng)濟(jì)效益，主要包括有：

（1）減少施工事故，降低施工事故成本;

（2）自動考核監(jiān)督施工人員，降低日常管理人力成本并提高管理效率;

（3）事故發(fā)生后高清影像記錄現(xiàn)場證據(jù)，降低事故后處理時(shí)間與協(xié)調(diào)成本;

（4）相對于傳統(tǒng)模擬與數(shù)字監(jiān)控，本文采用的人工智能監(jiān)控前沿技術(shù)，大幅度降低傳統(tǒng)監(jiān)控的多點(diǎn)布設(shè)、多點(diǎn)維護(hù)與數(shù)據(jù)存儲綜合成本并大幅度提升使用效率;

（5）可擴(kuò)展性強(qiáng)，可挖掘的應(yīng)用場景廣泛，一次部署，可在高速公路建設(shè)全周期內(nèi)應(yīng)用和優(yōu)化，大幅度降低未來施工管理系統(tǒng)的綜合開發(fā)成本;

參考文獻(xiàn)：

[1]專利號201810931596.5

[2]專利號201710236122.4

[3]UT Austin，UC Berkeley Objects as Points https：//arxiv.org/pdf/1904.07850.pdf

[4]EfficientDet： Scalable and Efficient Object Detection https：//arxiv.org/pdf/1911.09070.pdf

[5]專利號200920143915.2

[6]專利號201010521686.0

[7]專利號CN201110417470.4

[8]王江濤. 基于物聯(lián)網(wǎng)的安全繩佩戴狀態(tài)遠(yuǎn)程監(jiān)測新方法[J]. 城市建設(shè)理論研究：電子版， 2012（13）.

[9]專利號201811498925.8