摘要
水利工程建设正处于高速发展时期，但应其工程规模大、施工工期长、工序复杂、环境恶劣等特点，建设过程中存在安全隐患多、危险事故多发、施工人员安全保障困难等问题。施工人员不安全行为作为安全事故发生的重要原因，传统的管控方法存在费时费力、人工依赖性强、信息利用率低、实时性差等问题，管控能力有限。如何有效加强对施工人员不安全行为的管控是目前施工安全管理过程中亟待解决的重要问题。因此，本文基于深度学习，考虑水利工程施工场景特点，构建了施工人员不安全行为管控方法框架，并提出靠近静态危险区域和靠近动态施工机械、安全帽未佩戴的不安全行为识别方法和预测方法，最后通过研发管控系统，实现不安全行为的识别、预测、预警、处置、隐患排查、培训等全面管控。具体研究主要包括以下四个方面： （1）基于深度学习的施工人员不安全行为管控方法框架。首先对施工安全事故致因理论进行分析，明确事故发生主要原因是人的不安全行为，预防不安全行为能减少事故发生。然后对施工人员行为安全管理理论进行分析，从行为科学的角度对不安全行为进行管控。最后，在水利工程施工人员不安全行为特点与分类基础上，构建了不安全行为管控方法框架。 （2）基于改进YOLOv5的施工人员不安全行为识别方法。首先根据水利工程施工现场特点，提出适用于大场景下小目标检测的YOLOv5改进方法，有效改善了施工人员机械中小目标漏检、错检等问题。在此基础上，提出了靠近静态危险区域、靠近动态施工机械以及安全帽未佩戴的不安全行为识别方法，为管控提供识别基础。 （3）基于轨迹的施工人员不安全行为预测方法。首先基于DeepSORT算法构建了施工人员多目标跟踪模型，在实现跟踪的同时收集运动轨迹；然后，在自建轨迹数据集的基础上，采用Social-STGCNN算法构建了施工人员轨迹预测模型，实现对施工人员未来一定时间的轨迹预测；最后，针对靠近危险源的不安全行为，结合靠近危险源识别方法，提出了基于轨迹的施工人员不安全行为预测方法。 （4）施工人员不安全行为管控系统研发。结合以上研究内容，对系统框架和各功能模块进行设计。系统以B/S为开发架构，接入现场监控视频，深度融合计算机视觉和深度学习技术，实现对施工人员实时监控、不安全行为识别、预测、预警、现场安全检查、安全隐患排查整改、安全教育培训、应急预案等的全面管控。
NETL