机器学习在土木工程安全管理中的应用研究

  2.1   基于行为的施工安全研究概况

  近年建筑施工过程伤亡事故频发，施工安全管理的形势十分严峻。从世界范围来看，建筑业是最危险的行业之一，事故率远远高于其它行业的平均水平。2012  年美国建筑业死亡  775  人，远高于制造业等其它行业。在英国，建筑业的从业人数仅占总从业人数的  5%，但死亡事故却占到整体的  27%。据我国国家安监总局最新统计，2012  年我国建筑业死亡人数高达  2437  人，已超过煤炭行业成为工矿商贸死亡人数最多的行业。近年来各国政府和业界不断加大对建筑施工安全的管理和投入力度，但方法上没有突破、效果上也无明显改善。这种状况与相关的基础研究工作不扎实不充分有重要关系。因此，必须采用新思路和新技术，对建筑施工过程中伤亡事故的规律进行深入研究，为采取合理有效的措施改善建筑施工安全打好基础。通常情况下，物的不安全状态和人的不安全行为及其相互作用是导致安全事故发生的直接原因。而建筑施工过程中临时结构和设施设备多、现场条件变化大，物（工作环境）的不安全状态的产生绝大部分也是人特别是管理者的不安全行为造成的，如不安全的结构施工方案、不合理的安全管理方法或不到位的安全防护措施等。Haslam等对100  起建筑施工事故进行分析后表明工人或班组的因素与  70%的事故有关；Suraji 等在分析了英国健康和安全委员会调查的  500  起建筑施工事故后得出，88%的事故都包含不恰当的施工操作。实时的观察施工现场，可以发现工人的不安全行为非常普遍。Sa等对建筑项目工人采取防高处坠落装备的情况进行调查后发现，多于三分之一的工人不使用安全装备；Lipscomb等的研究表明在住宅建设过程中工人使用防高处坠落装备的情况很不普遍；Fang等对新加坡两处施工现场的工人行为进行了观察，发现近三分之一的操作行为是不安全的。因此，对于工人危险行为的监测和研究是十分有必要的。为了减少事故和改善安全管理，绝对必须加强对行为的管理和控制，消除个人的不安全行为，这是基于行为的安全研究（Behavior-Based Safety, BBS）所关注的。建筑BBS 的详细评论可以在 Zhang 和 Fang 等人的研究论文中找到。典型的 BBS 包含以下步骤：首先列出相关的不安全行为；然后，观察工人的行为，并记录其频率，这些往往需要密切注意现场情况才能办到，在某些特殊场合或者室内也可以借助辅助设备，如摄像头等。第三，给出反馈意见并采取干预策略来纠正不安全行为。通过统计，目前的主要研究重点：（1） 组织层面的管理制度影响个人行为的机制； （2）工人不安全行为原因的认知分析与建模； （3）工人不安全行为的特征和规律研究。 （4）不安全行为的控制对策和预警系统研究 事实上，基于 BBS 的研究成果已经在某些项目中得到实施，例如 1999 年 Krause和 2014 年 Yeow 等人在论文中提及的实验项目。但是目前仍存在诸多不足，例如过度依赖工人观察，巨大的金钱和时间成本，难以对不充分的样本进行不安全行为的验证，以及工人的被动参与等。因此将监控或者验证的过程自动化是非常有必要的。

  2.2   基于智能手机的工人行为识别系统设计

  本文设计了一个建筑工人不安全行为智能识别系统  (Intelligent Recognition System of Unsafe Behaviors，IRSUB)，  该系统运行机制包括以下三个阶段：模型建设阶段：首先，将能手机应固定在工作人员的腰部，使用高度集成的传感器在收集工人在程中的速度和角度信息。通过采集大量工作人员的运动样本，基于机器学习分类器算法（本文采用的支持向量机和 BP 神经网络），构建行为识别或者动作捕捉模型并保存在智能手机中，应用实施阶段：智能手机调用嵌入在手机中的识别模块，分析工人的运动信号，然后将其标记为“安全”或“不安全”。然后根据识别结果，工人和管理中心收到通知或者发出警告。一旦出现不安全的行为，手机会向两者发出警报。监督工人遵守正确操作的提示，管理人员根据施工现场的反馈情况评估 BBS 风险，制定薄弱环节管理策略，模型更新阶段：通过丰富应用阶段数据，将典型误差引入训练样本数据库，然后更新分类模型，逐步实现最优化，该系统的主要特点：（1）移植“众包”概念，解决传统 BBS 的采样问题。“众包”指的是通过网络发布某项任务，有大众协同完成，通常伴有一定的奖励机制。基于智能手机的在线传输功能（移动，局域网或蓝牙）使得每个具有智能手机的施工人员都可以提供带有标签的训练样本，从而建立大型训练样本数据库。反过来，施工人员可以随时从服务器下载模型到手机，实现模型共享。（2）充分利用智能手机进行数据采集和实时监控，实现低成本自动化。（3）该方法可扩展性强，可以推广到类似的情景或领域，例如在施工过程中检测或监测人员，结构和机械的施工状态。