硕士论文网第2020-12-09期，本期硕士论文写作指导老师为大家分享一篇
土木工程文章《机器学习在土木工程安全管理中的应用研究》，供大家在写论文时进行参考。
本篇论文是一篇土木工程硕士论文范文，近年来，深度学习相关的研究，受到各领域研究人员的极度重视。目前主要应用于图像、语音和自然语言识别领域。通过让计算机“认识”桥梁种类和定位主要构件的位置，实现施工监控设备从“看得见”到“看得懂”的跨越，是真正实现施工安全管理自动化、信息化、智慧化的技术基础。
1 绪论
本章主要介绍研究背景及意义、研究内容及理论概述，研究背景主要从机器学习的迅速发展、当前机器学习算法在土木工程领域的应用及当前土木工程施工安全管理中存在的主要问题三个方面进行介绍，旨在强调机器学习作为一种强大的工具，为推动土木工程行业及解决施工安全问题提供有利条件，奠定坚实的技术基础。
1.1 研究背景与意义
自进入 21 世纪以来，人工智能 (Artificial Intelligent， AI )领域持续升温，作为研究、开发 “人工”系统用来模拟、延伸或者扩展人的智能的方法、理论、应用技术或者系统的一门综合性的科学，AI 的研究本意是打造具有人的感知、认知、思维能力，能够进行逻辑推理和判断的“类人机器”。目前的 AI 主要有两类，分为强人工智能和弱人工智能，前者指的具有自适应性能够解决以前没有遇到的问题的人工智能，目前这类人工智能还很难在现实生活中实现。弱人工智能的机器能够依靠一些外部设备和数据，在一些已有经验或者数据库的支持下，拥有一定的感知、理解和推理能力，与第一类相比弱人工智能更为普遍，而且最有希望在近期应用到我们的生活、工作当中来。目前人工智能技术已经广泛应用于我们生活、工作的方方面面。同样的，人工智能在工程领域的应用是工程行业变革的必然趋势，尤其是传统工程行业，机械性、重复性、辅助性的工作完全可以让人工智能去完成。它的应用必将为我们的施工、设计、管理维护以及各种服务体验带来颠覆性的改变。可以说 AI 拥有改变传统行业发展现状的无限潜力，所以找到合适的切入点进行应用探索是破除传统行业目前存在瓶颈的关键。机器学习作为部署或者支持机器实现智能的根本途径，研究其如何在工程领域进行应用或者结合是非常有必要的。机器学习的主要研究内容是：研究如何基于已有的数据或者以往的经验，使机器获取新的知识或者新的技能，模拟或者实现人类的学习行为。简单的说，机器学习就是研究如何使计算机够像人类一样从数据中进行学习，从而获得分析和预测数据的能力。按学习的形式主要分为监督学习、无监督学习、半监督学习和强化学习。（1）监督学习：首先建立一个标准答案库，使用具有明确标识或者结果的数据进行训练或者学习，通过将预测结果与训练数据的实际标识或者结果进行对比，不断调整预测模型，直到模型的预测结果达到预期的效果，即得到了相应的学习模型或者系统。这是目前应用最多的一类，主要用于分类或者回归。（2）无监督学习：无监督学习的训练数据是不被标识的，系统必须自己检测模式或者关系，推断出数据的内在结构。常见的应用场景包括关联规则的学习或者聚类等。（3）半监督学习：半监督学习是监督学习和无监督学习相结合的一种学习方式，输入数据部分被标识，部分没有被标识，这种学习模型可以用来预测，但是模型首先需要学习数据的内在结构以便合理的组织数据进行预测。（4）强化学习：强化学习是一个连续决策的过程，他并不是直接标识结果，而是根据激励信号的强弱，不断调整，对产生动作的好坏做一种评价。通过这种方式，强化学习系统在行动-评价中获得知识，改进行动方案以使用环境。本文所用到的所有机器学习算法的学习方式均为监督学习。主要应用于分类任务，训练系统依据已知的分类知识对输入的未知模式或者该模式的描述作分析，以确定该模式的类属。相应的学习目标就是学习用于分类的准则（例如分类规则）。主要用到的算法有反向传播神经网络、支持向量机和卷积神经网络等。具体的算法将会在下文中做详细介绍。
1.2 本文撰写概要
第一章：首先简单介绍机器学习的概念、主要分支以及作为实现人工智能的主要方法对于各个行业发展的巨大影响，然后通过大量的研究和应用实例说明机器学习算法在土木工程领域的广泛应用，同时也指出目前应用过程中存在的问题。之后提出目前土木工程施工安全管理过程中存在的问题，提出将机器学习中较为成熟的分类算法或者图像识别技术与土木工程施工具体情景结合，实现其应用价值，同时促进施工安全管理的自动化进程。概述本文的研究内容和基本原理，主要对本文中涉及的支持向量机、BP 神经网络和深度学习卷积神经网络的基本原理进行详细说明，同时介绍分类或者识别算法的主要评价参数、计算过程与含义。最后概括本文的撰写思路。第二章：首先简单讲述目前基于行为的施工安全研究概况，基于目前所面临的严峻形势，提出了基于智能手机和机器学习算法的工人施工行为识别和动作捕捉系统，把智能手机作为一种可穿戴设备，方便快捷的获取工人的动作信息，通过支持向量机或者BP 神经网络算法训练工人行为识别或者动作捕捉模型，以此来识别工人的不安全行为或者关键动作。以高空作业工人佩戴安全带为例，通过不同的方法构建模型，通过统一的评价方法挑选最优训练模型，达到自动预警、减少高空作业事故的目的。第三章：首先简要介绍了目前我国智慧化施工的应用情况，针对其中存在的问题提出基于深度学习图像识别和目标检测技术进行结构类型识别和主要构件检测的应用想法，然后对其中涉及的网络模型、软硬件参数、深度学习运行框架进行详细说明，最后分别针对类型识别和构件检测两部分内容详细讲述其数据集建立、网络训练、网络测试过程及结果。第四章：首先简要地分析当前吊装安全事故频发的原因，针对其中的主要诱因提出基于深度学习的目标检测技术实时对吊装场景进行危险识别的思路。然后详细讲述了数据集建立、模型训练、模型测试和系统功能集成的过程和效果。实现了实时监测吊装重物、工人、安全帽的位置和互动关系，对吊装监控场景进行描述，当工人没有正确佩戴安全帽或者进入危险区域时进行自动报警的主要功能。
2 基于智能手机和机器学习的施工行为识别与动作捕捉
监控工人的不安全行为可以有效地避免施工现场发生事故。为了解决传统施工管理中控制行为安全的现有缺陷，我们提出构建基于智能手机的活动识别和运动捕捉系统。基于智能手机自动获取的运动数据，运用机器学习的分类器算法，构建动作识别模型，实现对施工现场工人动作的智能识别和捕捉任务。
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。
3 基于深度学习的桥梁类型和主要构件的自动识别
3.1 深度学习：推动智慧化施工管理
3.2 方法概述
3.3 基于 CNN 的桥梁类型识别技术
3.4 基于 Faster R-CNN 的桥梁主要构件的自动检测
3.5 本章小结
4 基于深度学习的吊装过程危险场景识别
4.1 基于深度学习的吊装过程危险场景识别研究背景及思路
4.2 基于深度学习的吊装过程危险场景识别系统
4.3 本章小结
结论与展望
本文主要探索了机器学习在土木工程施工安全管理的新的应用，主要做了以下工作并得出结论：（1）基于手机的各种内置传感器，利用机器学习算法对工人的动作进行分类，识别在特定工况下的危险行为。针对高空作业人员，建立行为识别和动作捕捉模型，可以准确的判断出高空作业过程中工人是否正确使用安全带，以此达到自动监控、及时预警、减少高空坠落事故发生的效果。（2）基于深度学习理论，训练图像分类和识别模型，实现实时判断桥梁类型和检测其主要构件的目的，让自动监控设备能够真正的“认识”、“看懂”结构。（3）基于深度学习理论，对监控中吊装场景进行多类目标识别和定位，根据对目标的识别、定位以及轨迹追踪，对施工场景进行描述，并且判断该场景的危险与否，及时预警，防止在吊装过程中发生严重的安全事故。但是目前仍然存在许多很多问题需要继续深入研究。（1）首先无论是工人的动作识别抑或桥梁及构件识别，数据样本的数量都比较少，数据库不够丰富， “众包”的方式推广度仍然不够，需要针对性地建立施工或者土木工程结构相关的图像数据库。（2）对于工人行为识别和动作捕捉工作，由于个体的多样性和随机性，如何定义更利于管理的“危险”“安全”动作也是需要进一步深入探讨的问题之一。（3）在吊装场景目标追踪的过程中，针对数个同类目标同时出现情况，需要借助其他的手段对目标进行甄别，以保证跟踪目标和轨迹的匹配准确性，防止出现位置坐标与目标匹配错误的情况。（4）吊装场景描述的过程中，需要进一步的探求如何将图像像素坐标及距离与实际坐标及距离之间的定量关系，以达到能够反映目标间实际距离和轨迹的目的。（5）本文主要针对应用进行探索性研究，在模型的修正和参数的调整方面做得工作不多，如果想得到适应性更强，效果更优的模型，需要更多的训练数据的同时，模型结构和相关参数也需要继续优化。总体来说，机器学习，作为实现人工智能的一种有效方法，给土木工程施工安全管理领域问题的解决提供了希望和契机，同时由于领域的特殊性存在巨大的挑战。
以上论文内容是由
硕士论文网为您提供的关于《机器学习在土木工程安全管理中的应用研究》的内容，如需查看更多硕士毕业论文范文，查找硕士论文、博士论文、研究生论文参考资料，欢迎访问硕士论文网土木工程栏目。