視覺識別在現場施工人員安全管理系統中的應用

沈燦鋼

（江陰職業技術學院 電子信息工程系，江蘇 江陰 214405）

0 引 言

目前，工程建設領域每年發生的人員傷亡數高居不下。隨著基礎建設以及新基建的不斷擴張，工程施工量急劇上升，工地施工人員的安全問題也成為了施工企業關注的焦點。為了最大程度地保證現場施工人員的安全，工地常會安排監管人員對現場施工人員是否佩戴安全帽進行監督，同時監管人員也需要實時地觀察工地情況，避免施工人員因摔倒而發生事故。同時，工地上需要禁止現場施工人員抽煙，避免發生火災等情況。這些均屬于監管人員的工作范疇，但這會消耗大量的人力資源，也無法保證監管人員能夠及時發現風險。

基于計算機視覺技術的管理系統可以通過攝像頭對現場工地進行實時的視頻分析，并準確地判斷出現場施工人員的行為是否規范[1]，代替人工監管現場是否有人員未佩戴安全帽、是否有施工人員摔倒，以及是否有人員違規抽煙等情況，從而大幅度地降低了現場的人力耗費，提高監管效率；同時覆蓋了人力監管的盲區與死角，能夠更快地發現危險情況，最大程度地降低安全風險。

本文研究的施工工地視覺管理系統分為三大模塊：人員安全帽穿戴識別模塊、現場抽煙告警模塊以及人員摔倒告警模塊[2]。該系統能夠極大程度地減輕工地安全監管壓力，與人力監管相結合能夠更好地保證現場施工人員的安全。

1 人員安全帽穿戴視覺識別模塊

1.1 人員安全帽穿戴識別檢測系統

安全帽穿戴識別系統在安全生產中起著重要的作用。7×24 h檢查和監督員工佩戴安全帽，可以提高工人的安全意識，減少安全事故的發生。隨著行業需求的不斷細分，頭盔識別系統也將快速迭代，產生適用于不同行業、不同身份、不同顏色的安全帽，可以設置不同的場景和不同的區域。對安全帽或工作服進行分級管理，對重點區域進行部署和設防，允許授權人員（安全帽穿戴）或組員進入，未經確認的則自動報警。前期對以上各種安全信息進行大量采集、標注和處理，在算法上采用了人體姿態評估pose和分類檢測技術，對于pose部分使用了自上而下的方法，先用目標檢測算法檢測出人，然后對人進行單個姿態評估[3]。本設計主要是檢測出人的頭部信息，進而使用分類算法檢測人的頭部是否穿戴安全帽。安全帽穿戴識別系統處理的邏輯流程如圖1所示。

圖1 安全帽穿戴識別系統處理的邏輯流程

1.2 人員安全帽穿戴識別異常處理模塊

人員安全帽穿戴識別異常處理模塊主要是對未戴安全帽的行為進行檢測，并記錄未戴安全帽的異常行為數據。采用FFmpeg對多媒體數據進行編輯和存儲，對RTSP數據流硬解碼，將解碼后的圖片幀數據發送給算法模型進行計算[4]，對于異常數據觸發語音播報和異常信息推送，并記錄相關的異常圖片和前后五秒小視頻，實時計算當前畫面是否出現未戴安全帽行為，并將異常數據進行保存，同時可以在前端展示和查看異常歷史數據。人形檢測算法使用了YOLOv3+K-means+GUI。圖2是網絡結構。實際測試結果如圖3所示。

圖2 網絡結構

圖3 實際測試效果

2 現場抽煙告警模塊

2.1 現場抽煙識別告警系統

在施工現場是嚴禁出現明火的，在嚴禁用火的地方吸煙、隨手亂扔煙頭，接觸到易燃、易爆的物品，極易引發火災，發生嚴重安全事故。傳統的管理模式下人員管理的負擔較大，管理效率不高，無法24 h全覆蓋監管。公路工地視覺管理系統中的現場抽煙告警模塊能夠通過施工現場的攝像頭對人員抽煙進行實時無死角地檢測與分析，對人員抽煙情況進行及時抓拍與告警[5]。

2.2 人體姿態預估算法

本文采用實時多目標人體姿態預估算法，實時檢測攝像機識別區域內人員[6]。通過攝像機中的視頻流抽取出RGB圖像，圖像中檢測出多人的人體骨骼結構，并預估出人體關節的空間坐標，綜合分析出人體的頭部、頸部、手腕和腳踝等關鍵部位。如圖5所示，其中左邊為人體姿態預估關鍵點模型[7]，右邊為多目標人體關鍵點預估圖。分析每個人的頭部，并檢測人的唇部附近是否存在香煙，如果檢測到香煙則視為存在違規抽煙行為（如圖6所示），將違規記錄推送至可視化的系統管理平臺。

圖5 人體姿態預估模型和多目標人體關鍵點預估

圖6 違規抽煙行為檢測

3 人員摔倒告警模塊

3.1 人體摔倒視覺檢測告警系統

工地環境復雜，機械、車輛、建材等因素都對人員安全存在潛在威脅，如果施工人員摔倒更會增加事故風險，過往管理中對于人員摔倒事件較難監控預警，這為安全管理造成了更多不確定風險[8]。對此本文結合公路工地實際情況，開發了基于計算機視覺技術的人員摔倒告警模塊，可以幫助安全管理者及時發現現場的人員摔倒事件，并且能及時報警，進而與其他模塊聯動，以確保工地內人員的人身安全，減少安全管理過程中的危險因素，提升安全管理智能化、數字化的質量。

3.2 基于深度學習的視覺檢測

人員摔倒告警模塊立足工地已有監控系統的視頻攝像頭資源，對現場環境人員進行在線分析。系統檢測到摔倒事件，進行實時告警，工作流程如圖7所示。首先判斷畫面中是否有物體運動，進而對發生運動的視頻幀進行檢測，對于其中的人員進行人體關鍵點檢測，以得到人員姿態的骨骼圖；通過對骨骼圖的分析，確定視頻幀中的人員人體姿態，如果姿態為摔倒，則觸發報警邏輯，否則重復以上檢測流程[9]。

圖7 人員摔倒告警模塊工作流程

基于計算機視覺技術構建了以上檢測流程，其中人形檢測、關鍵點檢測、姿態分類器均基于深度學習技術，依托海量的現場數據，經由人工標注，采用GPU計算平臺進行多輪訓練與精調[10]，才得到了符合實際應用標準的模型[11]。

4 結 語

在計算機視覺技術日益更新的時代，以機器代替人工對施工現場進行實時監管是一種必然的趨勢[12]。一方面，工地現場攝像頭的全方位無死角監控加上計算機視覺管理系統能夠做到更快更精確地對現場人員的行為進行實時分析，并及時告警，避免危險事故的發生[13]；另一方面，機器代替人工能夠很大程度地降低人力資源的耗費，同時也避免了人力監管的不到位，實現公路工地管理的精細化、信息化，保障施工人員的現場安全，減少每年工地出現的人員傷亡，進而減少人員的傷亡導致的施工延誤[12]。