基于AI識別的建設工程安全巡查技術研究

柏林（1982.10-），男，漢族，江蘇連云港，碩士，高級工程師，研究方向：信息通信網絡工程。

摘要：安全巡查在保障建設工程安全方面起著重要作用。但目前使用的安全巡查系統還存在一些不足之處。為了解決這些問題，可以利用人工智能技術和大數據對建設工程現場的數據進行采集和分析。通過結合建設工程安全事故預測模型，實現對安全隱患的自動識別和預警。這樣的方法有助于提高建設工程安全巡查的質量和效率，為行業的安全監督提供良好的支持。

關鍵字：安全巡查；AI；突變理論；隱患識別；預警

一、引言

在工程建設期間，安全監督是減少安全事故發生、避免人員傷亡和財產損失的重要手段。但傳統的常規巡查存在效率低、成本高和監管不理想等問題，采用AI和大數據技術可提升建設工程安全巡查的效果。

二、研究的意義及背景

（一）建設工程安全巡查管理的趨勢

官方數據顯示，近十年來建設工程對GDP的貢獻率一直保持在較高水平，成為國民經濟發展的支柱產業。但建設行業存在許多高危作業環節，安全問題較為突出。

傳統的工程安全巡查模式主要依賴紙質媒介記錄相關數據，巡查完畢后將信息錄入系統進行歸檔。但這種方式存在著數據采集、分析和核查不及時的問題，無法利用現有數據進行事故狀態的預測，難以滿足行業快速發展的需求。因此，借助大數據和人工智能技術來創新監管模式已經成為必然趨勢。

（二）建設工程安全巡查系統現狀

當前絕大多數主流的巡察系統都在注重基本業務流程的信息化方面進行改進[1]。這些系統主要以項目管理和檔案記錄、施工進度監控、安全監控、質量控制、風險管理、通信和協作、報告和可視化、合規性監督、環境監測等為特點和功能。而一些較為先進的系統還采用了物聯網技術與工地設備互聯的方式，以達到自動監管建設工程五方責任主體單位人員履職情況的目的，從而輔助監督管理工作的開展。

三、建設工程安全巡查技術不足與優化目標

（一）建設工程安全巡察技術的不足

雖然當前的建設工程安全巡查系統已經實現了業務流信息化、移動執法、數據共享等功能，但由于建設工程現場環境復雜且存在多種影響因素，事故隱患也相對較多，目前的系統還存在一些不足之處：

1.建設工程安全管理數據來源單一且手段單一。目前的巡查系統主要依賴于巡查人員的記錄和部分來自項目施工單位上報的數據，無法全面地分析項目安全生產狀態。

2.主流系統對安全生產檢查管理數據的挖掘不足。當前許多系統僅簡單展示數據的匯總情況，缺乏運用數據計算模型、人工智能處理和挖掘數據的能力，也無法對項目的安全狀態進行量化評估。

3.移動執法功能的規范性和效率有待加強。主流的移動執法功能僅限于現場問題和圖片的輸入，缺乏對問題分類和分級、智能識別、風險預測等功能，因此其規范性和效率仍有提升的空間。

（二）建設工程安全監督巡查技術的優化目標

為了解決建設工程安全監督巡查系統存在的問題，可通過建立事故預測模型、應用AI智能識別技術以及移動執法技術，對建設工程項目人的因素和物的狀態進行監測和識別，實現以下目標：

1.依托事故致因的軌跡交叉基本原理，建立事故因素影響度清單，利用突變算法理論，建立事故預測計算模型，進而實現對項目安全狀態的量化評測，對事故進行有效預測。

2.借助執法記錄儀，采用AI智能識別技術，實現高效檢查，加強對人的行為和物的狀態管理，實現問題的快速識別，提升建設工程現場執法效果。

四、基于AI移動執法與突變理論的建設工程安全巡查

（一）基于執法記錄儀的AI識別能力建設

通過結合深度學習的人工智能技術與傳統執法記錄儀，可以在建設工程過程中實現自動化的異常檢測、危險區域監控、事件記錄和告警、數據分析和趨勢預測，從而提高安全巡查的效率和準確性，降低事故風險，提升工地的整體安全性。

1. AI深度學習模型選擇

適合執法記錄儀使用的深度學習模型有很多。其中，CNN（卷積神經網絡）主要用于人臉識別、物體檢測和行為分析等安全檢測問題，比如監測工人是否佩戴勞保用品或進行安全操作。RNN（循環神經網絡）和LSTM（長時間記憶網絡）則適用于處理時間序列數據，比如記錄和檢測工地上的事件。而YOLO（目標檢測模型）則可以識別工地上的車輛、人員和工具等特定目標。此外，結合強化學習和多模態融合技術，可以優化巡查策略、定制巡查路徑，并結合圖像、視頻和音頻數據，提高事件識別和安全巡查的全面性。在不同的場景和任務中，各種深度學習模型都有其獨特的應用。因此，在確定使用的算法時，需要根據具體的應用場景和需求來選擇合適的模型，可以單獨使用一種模型或者結合多種模型來實現最佳效果。

例如，當需要從視頻中檢測和識別數字時，可以先使用YOLO進行對象檢測，然后再使用CNN進行數字識別，這樣可以提高數字檢測和識別的準確性和效率。總之，根據具體的應用需求，選擇合適的深度學習模型進行執法記錄儀的使用是很重要的。

2. 數據規模及多樣性擴展

通過數據增強技術，如隨機裁剪、旋轉、高斯噪聲、尺度縮放、亮度翻轉等方式，在不同環境下進行數據采集，可以有效擴充原始數據庫的規模和多樣性。這樣做的好處是增強數據集的代表性和覆蓋范圍，提高模型的適應能力，使其在不同場景下都能夠表現出較好的性能。

3.巡查系統檢測模型的持續優化

在生產中，持續優化人工智能檢測模型是十分重要的。通過建立反饋機制、不斷迭代和更新模型、集成和聯合多種模型、引入領域知識和專家經驗以及進行性能評估和測試等方法，可以不斷提高模型的檢測能力和效率，從而增強生產項目的整體效益。

首先，建立反饋機制是優化模型的關鍵。在生產環境中，人工智能模型不斷產生大量數據，其中包括檢測結果和錯誤報告等。通過分析這些反饋數據，可以發現模型的問題和不足之處，為優化提供指導。

其次，持續迭代和更新模型是必要的。根據反饋數據，定期進行模型的迭代和更新是必須的。這可能涉及模型的架構、參數、訓練數據等方面。在迭代和更新模型時，需要謹慎考慮模型的穩定性和魯棒性，以避免引入新的問題。

另外，通過集成和聯合多種模型可以提升檢測效果。單一模型難以應對復雜的生產環境，因此將多個模型集成和聯合起來，形成一個更強大的模型體系是個不錯的策略。這樣可以增加模型的多樣性和靈活性，進而提高模型的檢測能力和效率。

引入領域知識和專家經驗也是關鍵的優化手段。領域知識和專家經驗可以指導模型生成更準確的預測結果，并且可以改善模型對實際場景數據的理解和解釋能力。通過利用領域知識和專家經驗，可以進一步優化模型的參數和訓練過程，提高模型在特定領域的表現。

最后，性能評估和測試是不可或缺的環節。通過性能評估和測試，可以全面評估模型在生產環境中的表現，得出精度、召回率、誤報率等指標。根據評估結果，可以發現模型的瓶頸和改進空間，進一步優化模型。

（二）基于突變理論的建設工程安全巡查系統構建

1.基于突變理論的建設工程安全事故預測模型

從本質上看，安全事故是由人的不安全行為和物的不安全狀態的意外交叉所產生的隨機事件[2]。在安全管理中，可以使用尖點突變函數來描述這種情況。人的不安全行為表示為因素r，物的不安全狀態表示為因素w，而系統功能狀態參數x則起到連接作用。通過建立安全事故致因的尖點突變模型，可以確定勢函數T（x） = x4+ rx2+wx。其中，r和w為控制參考量，x為狀態參量，這三個參量一起構成了一個三維空間。突變流形是勢函數的一階導數形成的曲面，可以通過T'（x） = 12x2+2rx+w來確定形狀。通過聯立一、二階導數來消除控制參量x，并得到一個分叉集，該曲線可用8r3+27w2=0表示。

如圖1所示，突變流形表示系統安全功能的喪失，而分叉集是突變流形在平面上的投影，代表系統發生事故的可能性和危險程度[3]。當突變流形經過折疊線發生分叉時，表示系統的安全功能喪失，可能導致生產中斷、人員受傷以及設備和材料損害等不良后果。

圖1中的abcd曲線代表突變流形，其中bc段表示功能的突變跳躍，通過函數?x=x（rb-wb）+x（rc-wc）來表示b到c之間的安全事故發生[4]。以b1c1和b2c2兩段曲線為例，計算得到的?x1表示b1到c1之間的安全事故概率，而?x2表示b2到c2之間的安全事故概率。如果?x2gt;?x1，則說明b2到c2的情況比b1到c1更危險。

分叉集方程中的控制參量對應于人的因素和物的因素，最終的結果可以反映建設工程在某個時段下發生事故的概率和危險程度。通過這種模型分析，可以評估系統的安全性并采取相應的措施來降低事故的發生概率和危險程度。

2.安全事故預測模型的分叉集方程參數

（1）人的不安全行為參數計算

假設r代表人的不安全行為，通過r=38-0.5S1（-12＜r＜38）可計算獲得人的不安全行為對系統的控制參量。為了量化人為影響因素S1，可以將其分為保證項目和一般項目，并按照表1的檢查項目進行評估。

（2）物的不安全狀態參數計算

假設w代表物的不安全狀態，其計算方式為w=0.4S2-30（-30＜w＜10），其中S2是物的狀態因素。如表2所示，物的狀態因素以腳手架、基坑支護、施工機具、勞保用品、消防設施等[5]物的狀態作為量化參數，檢查項目及評分可按JGJ59-2011《建筑施工安全檢查標準》執行。

（3）事故預測判定計算

結合突變理論進行計算8r3+27w2，當結果大于0，說明系統處于安全狀態，變量的波動不會產生突變現象；當結果等于0，說明當前為臨界狀態，需要關注情況變化；當結果小于0，滿足突變條件，狀態的值跨越折疊線，安全事故概率顯著增加。

3.預測模型方程參數與安全監督巡查系統結合

通過執法記錄儀采集的每個項目表1和表2相應的人和物的狀態因素現場影像，利用建設工程安全巡查系統的AI識別獲得數據，在系統數據分析模塊嵌入安全事故預測模型方程參數進行計算，在系統駕駛艙進行展示從而實現對每個項目安全狀態的監測，當出現超過閾值時，及時啟動預案，采用果斷措施，避免事故發生。

五、結束語

基于AI識別的建設工程安全巡查技術具有廣泛的市場潛力和需求。通過評估模型和深度學習算法的加持，可以有效監控工程項目中人員的行為和物體的狀態，從而獲得準確數據，實現對項目安全狀態的量化評估，并提供風險預警，以降低事故的發生概率。這項技術既能滿足企業安全生產預警的需要，又能滿足行業主管部門監督執法的要求。因此，進一步深入探討和研究該技術具有重要意義，并具備廣泛的市場潛力和需求。

作者單位：柏林 公誠管理咨詢有限公司

參" 考" 文" 獻

[1]莫全前.建設工程質量安全監督管理系統應用與優化研究[D].廣西大學，2019

[2]徐茵.突變理論在建筑工程安全中的應用[J].吉林建筑大學學報，2009，26（2）：6-10.

[3]武曉燕.建筑施工系統“安全—風險—事故”轉換邊界研究[D]天津理工大學，2018：55-76.

[4]張凡.基于突變理論的建筑工程安全事故過程模型研究[J].安防技術，2021，9（1）：1-6.

[5]中華人民共和國住房和城鄉建設部JGJ59-2011.建筑施工安全檢查標準[S].北京：中國建筑工業出版社，2011：9-36.