孫亞康，郭紅領，羅柱邦，張智慧

（清華大學 建設管理系，北京100084，E-mail：hlguo@tsinghua.edu.cn）

國內在大力推進裝配式建筑發(fā)展的背景下[1]，其施工過程中的安全問題也隨之出現(xiàn)。高處墜落和物體打擊仍然是裝配式建筑施工中傷害最大、占比最高的事故類型，并且施工現(xiàn)場中最顯著的事故致因就是“不穩(wěn)定的結構”[2]。在豎向構件（如預制墻板）臨時支撐安裝過程中，構件就處于一種不穩(wěn)定的狀態(tài)。然而，為了追求速度，施工現(xiàn)場經(jīng)常出現(xiàn)不符合相關標準[3]中構件安裝要求的作業(yè)情況?？梢?，在豎向構件安裝過程中，有必要對其臨時支撐的安全合規(guī)性進行檢查，以有效防范上述風險。

預制構件安裝是裝配式建筑施工中的主要作業(yè)類型，目前對于安裝作業(yè)的安全管理仍然以人工檢查和現(xiàn)場旁站為主，部分學者也從事前預防的角度提出了一些解決方案。然而，相關研究主要利用數(shù)學模型進行施工現(xiàn)場風險的量化分析[4，5]、等級評估[6，7]、監(jiān)測和預警[8]等，缺乏對施工現(xiàn)場實時作業(yè)過程安全性的監(jiān)控，同時也無法聚焦到具體的作業(yè)場景?？焖侔l(fā)展的計算機視覺技術為此類監(jiān)控提供了一種有效手段。從計算機視覺技術輔助施工安全管理的方法來看，可以分為對象識別、對象跟蹤及動作識別[9]，其中，對象識別是后兩種方法的基礎，旨在識別施工現(xiàn)場的各種實體對象，如工人[10，11]、施工器具[12，13]、施工機械[14，15]、建筑結構[16]等。具體到建筑構件的識別上，Zhu Z 等[16]嘗試從構件的幾何特征出發(fā)，利用Canny 算子、霍夫變換實現(xiàn)了對混凝土柱的檢測，為大型混凝土表面缺陷檢測提供了基礎；Hou 等[17]采用深度學習算法開發(fā)出一種結構構件檢測方法，可同時檢測同一場景中的多個結構構件，在圖像質量高時可達到95%的準確率。在裝配式建筑場景中，Zhou Y 等[18]從未來自動化吊裝作業(yè)的實際需求出發(fā)，實現(xiàn)了預制構件的準確檢測和定位。綜上，相關研究在施工現(xiàn)場對象識別方法上具有參考價值，但尚未將計算機視覺引入具體裝配式建筑場景的安全管理中，因此有進一步研究的必要?？紤]到預制混凝土墻板是裝配式施工現(xiàn)場最為常見且具有代表性的豎向構件，本文將以此類構件為例，提出一種基于計算機視覺的預制墻板臨時支撐的安全合規(guī)性自動檢查方法，以提升預制墻板安裝的安全性，并為其他類型預制構件安裝的合規(guī)性檢查提供參考，從而推進裝配式建筑的健康發(fā)展。

1 研究方法

本文將結合《裝配式混凝土建筑技術標準》[3]和計算機視覺實現(xiàn)預制墻板臨時支撐的安全合規(guī)性檢查。根據(jù)標準對預制墻板安裝臨時支撐的要求，斜支撐不宜少于兩道，每道斜支撐包含上部和下部斜支撐，且上部斜支撐的高度不應小于墻板高度1/2。可見，對于一面預制墻板，安全合規(guī)性檢查的關鍵在于識別其對應的斜支撐數(shù)量及上部斜支撐的支撐點位置。而這些可以通過基于計算機視覺的對象識別方法來實現(xiàn)，且可以滿足施工安全監(jiān)控的實時性要求?；纠砟钍牵和ㄟ^計算機視覺識別出安裝場景中的要素（即墻板和斜支撐）及要素之間的關系，如共存關系和位置關系[19]。考慮到預制墻板和斜支撐的輪廓比較簡單，只需準確找到對象的外接矩形框即可實現(xiàn)對兩類對象數(shù)量和位置的識別，故本文選用YOLO-v5 網(wǎng)絡來構建預制墻板與斜支撐的識別模型。

1.1 圖像采集與處理

圖像采集與處理是構建對象識別模型的基礎。圖像采集需要根據(jù)模型訓練的需求，保證圖像數(shù)據(jù)的數(shù)量和質量。一般來說，采集的數(shù)據(jù)樣本量越大，模型會有更好的效果，當樣本較少時可以合理利用數(shù)據(jù)增廣的方式擴充數(shù)據(jù)集。對于采集質量而言，圖像的分辨率要達到一定的要求，同時在采集過程要保證數(shù)據(jù)的多樣性，即盡量覆蓋不同的拍攝角度和場景。然后，通過圖像處理，一方面篩除一些場景高度相似、拍攝質量不佳等影響訓練效果的圖像，并統(tǒng)一圖像的格式和分辨率及命名；另一方面進行圖像標注，具體方式結合模型訓練和對象識別的需求選擇。

1.2 模型訓練與評估

模型訓練與評估是對象識別模型的關鍵。根據(jù)YOLO-v5 模型訓練的一般做法，本文將采集的圖像按照一定比例分成訓練集、驗證集和測試集。訓練集用于模型訓練，通過不斷的調整模型參數(shù)，從而找到針對于訓練集表現(xiàn)最優(yōu)的模型；驗證集用于對被選擇的模型進行初步檢驗并據(jù)此調整模型的超參數(shù)；測試集用于測試模型最終的效果。3 個集合相互排斥，以保證訓練好的模型具有良好的泛化能力。

式中，TP（True Positive）是針對某類對象的識別結果中正確的數(shù)量，F(xiàn)P（False Positive）則是其中錯誤的數(shù)量，F(xiàn)N（False Negative）是未被識別出的某類對象的數(shù)量。

mAP則是由不同對象所對應的AP值，通過計算平均值的方式得出。計算方式如式下：

式中，N為對象的類別數(shù)；APi為其中第i個對象的AP值。

需要說明的是，每次測算出的mAP值是在交并比（Intersection over Union，IoU）設置為某一閾值時所計算出的。常用的評價指標有mAP@0.5，表示在IoU 閾值設置為0.5 時的mAP。

1.3 合規(guī)性檢查方法建立

合規(guī)性檢查實質是確定每面預制墻板與其對應的斜支撐是否滿足標準所要求的數(shù)量及位置關系，實現(xiàn)這個過程的關鍵在于YOLO-v5 對象識別模型的檢測結果。在結果中，預測框用以表示對象在圖像中的位置，同時會被標上類別標簽。通過對大量斜支撐安裝合規(guī)的場景圖像進行分析，總結其預制墻板和斜支撐的預測框之間的幾何關系規(guī)律，從而反向推導出斜支撐安裝合規(guī)場景中兩類對象的預測框位置需要滿足的各種條件。最終，整理出判定上述條件成立的順序和邏輯，建立安全合規(guī)性檢查方法。

2 對象識別模型構建

2.1 圖像采集與處理

（1）圖像采集。本文用于模型訓練的所有圖像均是在裝配式施工現(xiàn)場實地拍攝所得，項目位于北京市豐臺區(qū)，為裝配式高層住宅小區(qū)。采集工作分為攝像和照相兩種方式。其中，攝像方式主要是對預制墻板的整個動態(tài)吊裝過程進行記錄，然后再間隔抽取視頻中的圖像幀。在視頻拍攝中，設置了一個固定機位和一個移動機位，以更好地獲取在不同角度拍攝到的場景圖像。

（2）圖像處理。通過篩除場景高度相似和拍攝質量不佳的圖像，得到有效圖像共計1427 張。由于圖像分辨率超出了模型訓練所需要的分辨率，為減少模型的訓練時間，在不影響訓練質量的前提下，將所有圖像進行壓縮，即將所有圖像縱橫比調整至4:3，分辨率統(tǒng)一為640*480，并統(tǒng)一命名。圖像篩除和調整完成后，對圖像進行標注。按照YOLO-v5 模型的訓練需求，選擇二維邊界框標注方式在Labelme 中對采集到的圖像進行統(tǒng)一標注。

2.2 模型訓練與評估

本文模型訓練所劃分的訓練集、驗證集和測試集的數(shù)量分別為1167、130 和130。通過不斷在訓練集上優(yōu)化模型，得到在驗證集上表現(xiàn)最優(yōu)的模型用于最后的測試。在0.6 的置信度閾值下，預制墻板和斜支撐的識別查準率與查全率如表1 所示。通過對比可以看出，本模型對預制墻板的識別效果與Hou X L 等[17]對建筑結構構件的識別效果較為接近，而對斜支撐的識別效果則相對較弱。究其原因，一是本文識別的是施工現(xiàn)場的構件，雜亂的環(huán)境影響了模型的效果；二是斜支撐的面積小，特別是在遠景圖像中會成為較難識別的“小對象”，這進一步導致模型對斜支撐的識別精度較低?？梢?，本模型在對象識別上的效果是可以接受的。

4.3 精心駕駛這是提高機插秧質量和奪取高產(chǎn)的重要環(huán)節(jié)。在插秧作業(yè)時，一是插秧機要保持勻速前進，不能忽快忽慢或頻繁停機。作業(yè)行走路線要保持直線性，行走中盡量不用捏轉向手把或猛烈扳動扶手架方法來糾正插秧機前進作業(yè)的直線性，以防急彎造成漏插或重插。二是邊插秧邊觀察，發(fā)現(xiàn)問題，及時解決排除。同時注意送苗輥在苗箱槽口的工作情況，若發(fā)現(xiàn)槽口有秧根或粘土，要及時停機清理，以免影響插秧質量。三是初裝秧苗或秧苗全部插完后，必須把插秧機苗箱移到最左或最右側，以保證栽插質量。

表1 對象識別的查準率和查全率與其他研究的對比

圖1 展示了最優(yōu)模型的P-R 曲線，可以看出在IoU閾值設置為0.5 時，預制墻板（Wall）和斜支撐（Inclined Support）的平均精度AP分別為0.986 和0.920，兩類對象的平均精度均值mAP@0.5 為0.953。這說明模型具有良好的準確度和泛化性能，能夠滿足之后安全合規(guī)性檢查中對象識別的要求。

圖1 最優(yōu)模型P-R 曲線及mAP 值

3 臨時支撐安全合規(guī)性檢查方法

在預制墻板落吊之后必須完成臨時支護作業(yè)，否則不允許摘鉤并進行下一構件的吊裝工作。同時，在作業(yè)面內相機近景所能覆蓋的區(qū)域，不可能同時出現(xiàn)兩面或以上預制墻板同時吊裝的情況。因此，對預制墻板臨時支撐安全合規(guī)性的檢查，重點在于判斷處于安裝過程中的一面預制墻板是否按照標準要求完成臨時支護作業(yè)?；谝陨戏治?，本文將合規(guī)性檢查限定于僅有一面完整預制墻板的圖像，建立預制墻板臨時支撐安全合規(guī)性檢查的基本流程，如圖2 所示。

圖2 預制墻板臨時支撐安全合規(guī)性檢查流程

首先，需要針對輸入的圖像，調用對象識別模型檢測出場景中存在的預制墻板和斜支撐。然后，基于兩類對象的預測框，計算出預制墻板和斜支撐之間的從屬關系及平面位置關系。從屬關系即判斷場景中哪些斜支撐屬于該墻板，從屬關系的判斷主要通過判斷斜支撐預測框與預制墻板預測框是否相交而定。當至少有4 個斜支撐從屬于一面墻板時，再進一步對端點位置的合理性進行檢驗。平面位置關系即標準中要求的第二個條件，上部斜支撐的支撐高度不應小于墻板高度的1/2。可以通過上部斜支撐的端點位置和墻板的頂點位置粗略計算支撐高度相對于墻板高度的比例，從而判斷第二個條件是否滿足。

4 方法測試與驗證

4.1 測試方案

（1）測試環(huán)境。本文所用的安全合規(guī)性檢查程序采用Python 開發(fā)，在Win10（64 位）操作系統(tǒng)中運行，CPU 為i7-10870H 的八核處理器，主頻2.20 GHz，顯卡為Nvidia GeForce RTX 3080（GPU），內存32GB，硬盤容量2TB（固態(tài)）。

（2）測試數(shù)據(jù)。本文按照預制墻板安裝場景實際的識別需求，選取或截取了共99 張典型的圖像進行測試，每張圖像中最多包含一面完整的墻板。這些圖像拍攝于3 個裝配式建筑工地，以便盡量考慮工地上實際可能出現(xiàn)的各種情況，覆蓋了不同的墻板類別、拍攝角度、光照條件、遮擋情況等因素。從實現(xiàn)難度上講，圖像中預制墻板支護合規(guī)需要滿足很多條件，所以將支護合規(guī)的圖像識別正確更具有挑戰(zhàn)性，而將支護不合規(guī)的圖像識別正確則不能說明算法的有效性。因此，本次用于測試的數(shù)據(jù)集中絕大部分是支護合規(guī)的圖像，只有少量支護不合規(guī)的圖像。

（3）測試方法。本測試即對圖像中存在的完整墻板進行臨時支撐安全合規(guī)性檢查。如果該墻板支護符合規(guī)范，那么圖像中所識別到的墻板所在區(qū)域會被打上標簽“Y”，否則會被打上標簽“N”。當然，如果程序識別出待判定墻板兩側的不完整墻板，或者由于誤識別原因識別出其他墻板，那么也會對這面墻板進行檢查并打上標簽。具體的測試方法為：利用本文開發(fā)的“安全合規(guī)性檢查程序”對上述99 張圖像進行逐張檢測，輸出標記了檢查結果的原圖；進而根據(jù)對每張圖像中完整墻板的檢查結果，計算整體的檢查準確率。

關于實時性的測試，對上述99 張圖像的原圖進行檢查，不保存標記有檢查結果的原圖，而只返回每張圖像的檢查結果。通過5 次測試，計算其檢查速度的平均值。

4.2 測試結果

對于準確性測試，檢查結果混淆矩陣如圖3 所示?？梢钥闯?，99 張圖像中，共有70 張圖像的檢查結果準確，即55 張合規(guī)和15 張不合規(guī)，其余29張則將實際合規(guī)的圖像判別為不合規(guī)，準確率為70.7%。如前文所述，由于合規(guī)需要滿足很多條件，因此只有在極特殊情況下才會將不合規(guī)場景判別為合規(guī)，本測試也證明了這一點?？梢?，在實際應用中，程序在很大程度上不會將不合規(guī)的危險場景漏報，而可能在小概率下將合規(guī)的場景錯報，故該程序能夠滿足實際應用的需求。

圖3 檢查結果混淆矩陣

對于實時性測試，檢查共進行了5 次，平均檢查速度為10 fps，超出Fang Q 等[20]提及的標準（5 fps），完全滿足施工現(xiàn)場安全監(jiān)控的實時性要求。另外，本測試使用的圖像像素較高（平均2000*2000左右），而在實際施工安全監(jiān)控中只需針對單面墻板拍攝近景圖像即可滿足要求，所以在實際檢查時可以壓縮圖像以實現(xiàn)更高的檢測速度。

4.3 結果討論

為了提升本文所構建的安全合規(guī)性檢查方法的性能，分析判別錯誤的原因，并提出改進措施。對于判別錯誤的29 張圖像，其錯誤原因的統(tǒng)計結果如表2 所示。表中統(tǒng)計的原因數(shù)量不與判別錯誤的次數(shù)一一對應，因為一次錯誤判別可能會涉及多個原因?？梢钥闯?，由于遮擋或者YOLO-v5 對象識別模型自身準確率原因所導致的斜支撐漏識別問題最為嚴重。一方面，因為斜支撐比較細，特別是下部短支撐在距離較遠時屬于小對象，在對象識別中具有更大的難度；另一方面，斜支撐的面積較小，更容易產(chǎn)生大面積遮擋從而導致漏識別。此外，相對于正對墻面拍攝而言，拍攝偏離的角度過大也是導致判別錯誤的主要原因。

表2 判別錯誤的原因統(tǒng)計

針對上述問題，可從以下兩個方面進行改進。一是針對YOLO-v5 對象識別模型，增大其訓練集的數(shù)據(jù)量及豐富程度，包括針對性地加入有更多遮擋情況的圖像數(shù)據(jù)，以及從較大角度拍攝的墻板圖像，從而進一步提高模型的泛化能力和魯棒性；二是在施工現(xiàn)場的實際應用中，采集圖像可以盡量正對墻板，從而提高對象識別的準確率。

此外，從整體測試結果來看，該合規(guī)性檢查方法在出現(xiàn)遮擋、光線變化、周圍墻板斜支撐干擾的情況下，仍然表現(xiàn)出了較高的魯棒性。

5 結語

本文基于YOLO-v5 網(wǎng)絡開發(fā)了適用于預制墻板及其斜支撐的識別模型，據(jù)此提出了一種預制墻板臨時支撐安全合規(guī)性自動檢查方法。測試結果表明：預制墻板識別的查準率和查全率分別達到了97.7%和92.0%，斜支撐識別的查準率和查全率分別達到了95.0%和83.2%，兩類對象的mAP 達到95.3%；在充分考慮施工現(xiàn)場各種不利因素情況下，檢查方法的準確率達到70.7%，并且在一些復雜場景中仍然擁有令人滿意的效果?？梢?，本文構建的預制墻板臨時支撐安全合規(guī)性檢查方法是適用的、有效的，可為裝配式施工安全管理提供有效支持。