人工智能在建筑施工領域應用研究進展

崔自強楊淑娟于德湖

(1.青島理工大學土木工程學院，山東 青島 266033；2.山東建筑大學土木工程學院，山東 濟南 250101)

0 引言

建筑業作為全球經濟的重要支柱產業，在推動經濟增長和國家長期發展方面發揮著關鍵作用[1]。根據麥肯錫全球研究院2017 年的一項調查，全球的建筑業產值占生產總值的13%，而且這個比例還在持續上升。 同時建筑相關企業為全球7%的人口提供了廣泛的就業機會，在全球經濟發展中占據重要地位。 但施工行業也存在一個明顯的問題，即施工過程中勞動生產率低，從而導致人力、物力和財力的浪費。 如果施工生產效率提高至>50%，預計每年將為該行業帶來額外的1.6 萬億美元的經濟價值，并進一步推動全球GDP 的增長[2]。 除了經濟方面，建筑施工行業一直被視為是最危險的行業之一，施工現場存在人員復雜、環境復雜多變、設備危險等安全隱患，致命事故的發生頻率要高于其他行業，事故死亡人數占所有行業的30%~40%[3]。 在中國，施工現場也已認為是最危險的工作場所之一，致命事故發生量超過許多國家，且沒有明顯下降趨勢[4]。在“工業4.0”的背景下，建筑施工行業正在朝著數字化和智能化方向不斷創新，人工智能作為計算機科學的一個分支，在許多領域的應用前景已經得到證明，根據埃森哲公司的一份報告[5]，人工智能已經改變了許多行業的生產方式，預計勞動效率將提高40%。 當前建筑項目的工程數據空前增加，也為人工智能技術的應用提供了數據基礎。 但總的來說，建筑施工領域人工智能技術的應用仍落后于其他行業。 因此，有必要在建筑施工領域應用各種人工智能技術，實現更高的效率和可靠性。

人工智能一詞最早是在1956 年的達特茅斯會議(Dartmouth Conference)中提出，之后的人工智能主要經歷了3 個重要階段[6]。 1956—1980 年是人工智能的起步階段，此時的人工智能指的是讓計算機擁有類似人類智慧的智能，不同歷史時期人們對人工智能的認識不同，早期人工智能領域的學者對人工智能的期望是讓機器能像人一樣思考，而到20世紀70 年代，隨著專家系統的出現，人工智能進入到應用發展階段，實現了人工智能從理論研究走向實際應用，此時的關注點在于利用計算機去解決人類能解決的問題；與人類思考時的復雜過程不同，當前計算機在解決一個復雜問題時往往是由數據驅動的；隨著機器學習和深度學習的發展，人工智能進入到一個新的階段[7]，機器學習是人工智能領域的一個重要子集，指的是計算機程序可以在沒有得到人類幫助的情況下自動學習和適應新數據，信息融合、計算機視覺、自然語言處理等應用都可以利用機器學習技術實現。 深度學習是一種特殊的機器學習技術，在處理非結構化數據(如文本、圖像或視頻)和大數據的分析處理方面展現出優勢，由此開啟了人工智能的深度學習階段。 人工智能可分為弱人工智能和強人工智能兩類，前者體現了一個旨在執行特定工作的系統，往往是執行簡單且單一的任務；而后者則是執行認為類似人類任務的系統，這些系統往往更復雜，過程中可以運用類似人類的思考方式去解決問題[8]。 人工智能技術不斷發展使許多行業受益，作為中國國民經濟的重要產業，建筑業在高速發展的同時也暴露出許多問題，如建筑施工領域的信息化水平較低、粗放式的生產模式、勞動生產率不高、科技創新能力不足等一系列問題。 為實現建筑施工行業的高質量發展，將人工智能技術應用到施工的各個環節中，實現建筑施工的數字化、自動化、信息化和智能化。

1 人工智能在建筑施工領域的文獻統計分析

發表文獻數量隨時間的變化可以很好地反映某一領域的學術動態。 以主題詞“人工智能” “建筑施工”以及其近義詞和主要下義詞設置檢索式，從中國知網數據庫中檢索中文期刊文獻；以主題詞“AI” “Construction” 以及其近義詞和主要下義詞設置檢索式，從Web of Science 數據庫中檢索英文期刊文獻。 根據發文時間和發文量統計分析，如圖1所示，自2012 年開始，對此領域的研究整體呈上升趨勢，在2019 年之前年發文量變化較為平穩，中文文獻的發文量與英文文獻的發文情況差別不大，2019 年之后中文文獻與英文文獻發文數量差距變得越來越大，而2021 年中文文獻發文量僅為英文文獻的53%。

圖1 人工智能在建筑施工領域發文統計柱狀圖

從中國知網中檢索人工智能在不同學科領域應用的文章，根據發文情況篩選出人工智能技術應用最多的前15 個學科，如圖2 所示。 在這15 個學科中，建筑科學與工程發文量為1 440 篇，占比3.31%，相較于其他學科，建筑科學與工程領域對人工智能應用的研究程度還比較低。 但結合歷年發文量的變化情況，說明人工智能技術在建筑領域的應用程度正逐漸提高。

圖2 人工智能技術在不同學科的應用發文情況圖

以主題詞“人工智能” “建筑施工”以及其近義詞和主要下義詞設置檢索式，從中國知網數據庫檢索期刊文獻，將檢索結果導入CiteSpace 軟件進行關鍵詞分析，時間切片設置為1 a，得到具有544 個節點、1 000條連線的關鍵詞共現知識圖譜，如圖3 所示。

圖3 文獻關鍵詞共現圖

出現頻次越高的關鍵詞在圖中的節點越大，節點之間的線越粗，表示其共現強度越大。 統計出現頻次>50 的關鍵詞按頻次排序，見表1。 頻次排序前5 的關鍵詞分別為人工智能、優化方法、專家系統、機器學習和施工技術。

表1 文獻高頻關鍵詞表

在關鍵詞共現分析的基礎上，對文獻進行聚類分析，聚類算法選用對數似然率(Log Likelihood Ratio，LLR)算法，得到聚類結果如圖4 所示，可以看出人工智能、優化方法、專家系統和機器學習同時出現在高頻關鍵詞和聚類標簽中，除了人工智能外，其他3 個都是人工智能領域的具體技術方法，說明這些人工智能技術方法經常應用于建筑施工領域。

圖4 文獻關鍵詞聚類圖

突現詞的探測可以了解某一研究領域內研究熱點的演替，也可輔助預測該領域未來的研究熱點和研究趨勢[9]。 以檢索式的方式從中國知網數據庫中檢索自2000 年以來的期刊文獻，在關鍵詞分析的基礎上探測突現詞，其突現的最小持續時間設置為2 a，篩選出前15 個突現詞見表2。 根據關鍵詞出現突現的時間可以看出，智慧工地、應用、人工智能、物聯網、大數據、深度學習這些關鍵詞都是最近5 年開始突現且保持熱度，說明這些詞是近期研究的熱點，目前的研究正在向智能化、信息化、自動化的方向發展。

表2 文獻突現詞分析表

2 建筑施工領域常用人工智能技術分析

2.1 機器學習

機器學習是人工智能領域的一個熱門話題，可以很好地解決分類、預測、計算機視覺、自然語言處理等問題。 目前，很多學者開始將其應用于建筑施工領域。

在分類問題方面，周建亮等[10]以人格特質作為分類特征，通過機器學習算法實現建筑工人不安全行為的識別，對比了決策樹、隨機森林、自適應提升樹和梯度提升決策樹4 種分類算法，得出梯度提升決策樹是識別不安全行為的最佳分類算法模型的結論。 ATHA 等[11]提出的一種基于紋理和顏色分析的卷積神經網絡在保證檢測準確性的同時還能大大提高計算效率。 在計算機視覺方面，DING 等[12]開發了一種基于計算機視覺的安全管理方法，采用兩個卷積神經網絡監測目標區域工人的存在和是否佩戴安全帶，識別不安全的行為再采取相應措施，有效降低了高空作業安全事故的發生。 目標檢測算法(You Only Look Once，YOLO)是除了卷積神經網絡外另一個應用比較多的深度學習算法，KIM 等[13]基于YOLO 算法定位目標，自動測量現場各實體的距離，以期在危險發生前做出反應，減少施工現場撞擊事故的發生；陳巨坤[14]和李建奎等[15]利用人臉識別技術和自適應提升算法建立工地管理系統，可以實現考勤管理、人帽合一管理和人員設備出入場管理。 目前應用到建筑施工領域的計算機視覺算法主要有以區域卷積神經網絡(Region-based Convolution Neural Networks，R－CNN)為代表的基于區域的目標檢測算法和以YOLO 為代表的基于目標的目標檢測算法兩類。 后者相對于前者最大的優勢就是其運行速度非常快，因此在施工現場風險識別等要求及時性的任務時可以選擇此類算法，而對于時效性不強的任務建議選擇準確率略高的基于區域的目標檢測算法。

成本和安全是機器學習在建筑施工領域應用的熱門話題，其典型應用場景是利用機器學習預測建筑施工的成本和安全。 在解決成本問題時，應用最多的機器學習模型是反向傳播神經網絡(Back Propagation Neural Network，BPNN)，劉倩[16]基于BP 神經網絡預測裝配式建筑的施工成本，相較于傳統方案更加準確、穩定。 而在解決安全問題時，機器學習主要在風險識別和風險預測方面發揮作用。 在風險識別方面，應用最多的機器學習模型是卷積神經網絡(Convolutional Neural Networks，CNN)，ZHANG 等[17]以某基坑開挖現場為例，利用CNN 從復雜的施工現場中識別出可能出現的高風險情況，提高了施工安全管理的效率。 關于風險預測方面，循環神經網絡(Recurrent Neural Network，RNN)的應用較多，歐斌等[18]等利用RNN 預測了混凝土壩的變形情況，證明了RNN 可以用來處理序列問題的風險預測。

機器學習作為人工智能技術的重要方法，在實現信息融合和自然語言處理等技術方面也展現出優勢，已有學者嘗試將其此方面的優勢與建筑施工領域中的問題場景相結合。 ZHANG 等[19]利用機器學習和自然語言處理技術分析施工事故報告，可以有效地找出事故原因分類和進行風險識別；鄧達[20]結合CNN 和雙向長短期記憶神經網絡，從建筑安全事故報告中提取語義特征，應用關聯規則技術，實現了建筑事故報告中致因的準確分析。 在建筑施工領域中，目前利用機器學習進行自然語言處理的應用場景還相對較少，應根據工程項目的實際需要深入研究，提升解決實際工程問題的效率和質量。

2.2 優化算法

智能優化算法是人工智能技術的一個重要應用，其目的是在一系列可行方案中尋找最優解。 優化問題通常可以分為單目標優化問題和多目標優化問題兩類。 處理建筑施工領域的單目標優化問題時，通常是在某些約束條件下，求解目標函數的最值，如LIN 等[21]以施工活動的工期最短為目標，利用自適應粒子群算法對施工網絡計劃的工作次序優化調整，在資源限制的條件下求解最短工期；PODOLSKI 等[22]以項目總成本為目標，利用模擬退火算法建立多單元項目施工調度模型，通過優化單元施工順序實現項目總成本最低；張飛漣等[23]以鐵路工程的最小施工成本為目標，建立施工進度－成本動態優化模型，在求解模型時對比了模擬退火算法、遺傳算法以及兩者結合的模擬退火遺傳算法，證明了模擬退火遺傳算法可以提高求解準確率；王廣開[24]基于不同優化算法的優勢建立了山區鐵路選線模型，先利用遺傳算法求解優度評價模型，再利用蟻群算法求解最優路徑收斂模型，最終得到鐵路線路最優走向方案。

然而，在工程實踐中由于情況復雜、各環節相互依賴，施工過程中遇到的優化問題更多的是多目標問題，由于不同控制目標之間關系復雜，甚至可能存在沖突，多目標問題往往面臨著多維度、非線性、動態性等特點，確定最優解的過程非常復雜，智能優化算法通常使用帕累托最優的方法求解這類問題。 建筑施工中常見的優化目標包括工程質量、工期、成本、安全等施工管理控制項目，優化內容包括調整資源和勞動力的分配調度、工序和任務優先級排序、施工現場的布置規劃等，優化時需要針對項目具體情況確定優化目標和內容。 LIU 等[25]以工期最短和資源消耗最小為目標，利用遺傳算法求解多目標優化模型，優化施工調度計劃；FENG 等[26]為了減少施工階段對環境產生的影響，建立了環境－成本－工期多目標優化模型，通過集成離散事件仿真和粒子群優化算法求解模型，提供權衡的解決方案；劉香香等[27]從裝配式建筑的施工工序出發，以成本、工期和碳排放為目標建立多目標優化模型，利用蟻群算法求解，得到了綜合最優的施工工序組合；馬聰聰等[28]將遺傳算法和模擬退火算法融合，解決地鐵施工的工期、成本和質量3 目標優化問題，融合算法在有效避免模型陷入局部最優的同時還能大大提高運算效率。

在施工過程中利用各種優化算法，可以實時確保施工過程的安全性、工作效率和成本效益。 在利用優化算法解決實際問題時，不同的優化算法在多樣性和收斂速度方面各有利弊，單一策略的算法很難適用于所有優化問題，所以仍需對算法的策略選擇等自適應機制不斷完善，目前不同優化算法在建筑施工中的應用總結見表3。

表3 優化算法在建筑施工中的應用文獻分類索引表

2.3 人工智能物聯網

物聯網(Internet of Things，IoT)是將各種物理設備和互聯網連接的技術手段，如施工現場的各種傳感器、無人機、射頻設備、激光掃描儀等，將這些設備連接到建筑資源，收集有關項目狀態的實時數據。人工智能物聯網(Artificial Intelligence Internet of Things，AIoT)是新一代物聯網，將人工智能技術融入物聯網基礎設施，以實現更高效的數據采集和數據分析。 相較于傳統的物聯網，人工智能物聯網的優勢在于應用了各種人工智能方法對數據進行深入分析，可以在物聯網的應用層面自動化實時決策，從而遠程控制施工現場。 ZHANG 等[29]基于AIoT 技術搭建了隧道施工實時監控系統，將施工過程中的盾構機運行參數和隧道變形情況通過互聯網實時傳輸和儲存，之后基于采集到的數據利用系統集成的人工智能算法做出隧道變形的智能預測，為下一步的施工決策提供依據；胡翀赫[30]基于AIoT 設計的智能巡檢機器人系統，融合了物聯網全面感知和人工智能分析決策的優勢，可以在施工現場實現日常例行巡檢、數據采集、安全報警等場景，避免了人工巡檢效率低、周期長、存在盲區等問題。 建筑信息模型(Building Information Modeling，BIM)和AIoT 的融合應用也是當前研究的熱點，BIM 模型中儲存了大量建筑信息，提高了項目施工管理的效率[31]，在BIM 中集成AIoT 可以實現項目實況和數字模型之間實時的信息交互，同時也能保證BIM 中的大量信息能夠被深度利用。 融合BIM 和AIoT 的方案在建筑施工領域已經有了一些嘗試，買亞鋒等[32]建立的智能建造綜合管理系統，集成了BIM、IoT 和人工智能等技術，借助5G 的快速傳輸途徑可以高效、及時、精確地進行現場施工及運維管理，完成了時間與空間的精確統一。 總的來說，BIM 提供了一個信息傳遞和管理的平臺，而物聯網技術提供了實時穩定的數據流，不斷豐富BIM 模型集成的信息，人工智能技術則提供強大的數據分析和處理能力，可以充分地利用數據。

然而，AIoT 技術在建筑施工領域的實際應用還處于起步階段，仍然存在邊緣計算問題、信息安全問題等亟須解決的難題，但隨著建筑業龐大的數據基礎和5G 等新一代通信技術的發展，AIoT 在建筑施工領域的應用存在巨大潛力，可以預見，在5G 通信下，基于云計算的數據采集、數據傳輸和數據處理的效率將大大提高，AIoT 和BIM 的協同應用將成為未來研究的熱點。

3 人工智能在建筑施工管理中的應用場景分析

施工管理是保證工程項目順利進行的重要措施，在管理中要做到統籌考量。 質量、安全、成本、進度是項目施工管理中的4 大控制要素，由于工程相關管理模式復雜、影響因素多，且各影響因素之間又相互關聯，傳統控制方法很難實現施工管理精益化。融合人工智能技術，為探索施工精益化管理提供了新的解決方案。

3.1 質量控制

保證工程質量是建筑施工的首要目標，施工階段的質量控制很大程度上決定了工程產品的質量。而傳統的質量控制方法存在許多難以克服的問題，如質量缺陷追溯、實時的施工質量監控以及標準化的質量評價體系等。 各種人工智能技術的應用為解決這些難題提供了新的思路。

案例推理技術通過總結和學習以往項目的經驗來指導新項目的施工工作，可以用于解決質量缺陷追溯問題。 趙子豪[33]在分析裝配式鋼結構住宅質量影響因素的基礎上，提出了一種基于案例推理的質量缺陷追溯方法，并利用遺傳算法確定所用各類案例信息的權重，在案例應用中可以有效地追溯到引起質量缺陷的原因，施工過程中可以有針對性地管控；劉星[34]結合BIM、物聯網和機器學習等技術建立的深基坑智能監測系統，除了對施工質量的實時數據監控，還能基于機器學習技術實現數據預測和專家研判等功能。 除了上述基于BIM 和物聯網的質量控制場景，計算機視覺技術、目標檢測算法等人工智能技術也已應用到了施工質量控制場景。 劉全等[35]為實現強夯施工質量的智能監測，利用基于卷積神經網絡的計算機視覺技術建立了智能監測平臺，可以實現對夯次、夯沉量、夯坑位置等施工參數的實時監測，實現遠程實時的施工質量監控；柴英濤[36]針對目前對混凝土表觀質量評價缺乏標準化體系的現狀，提出了一種基于本體推理和計算機視覺的混凝土表觀質量評價方法，利用計算機視覺技術不僅能自動地檢查結構質量缺陷，還能分析出如鋼結構腐蝕物成分等人眼無法直接判斷的問題。 對于施工質量評價方面，當前的施工質量評價是由審計員的經驗和主管評價得出的結果，盡管規定了一般的評價原則和程序，但沒有形成一套客觀標準的評價體系，為了解決這一問題，FAN[37]結合了網絡分析法(Analytic Network Process，ANP)和模糊集合(Fuzzy Set，FS)基于歷史項目的審查中存在的質量缺陷，分析頻率和權重，建立了一套客觀的施工質量評價標準，可以為建立標準化的施工質量評價提供參考。

綜合人工智能技術在施工質量控制方面的應用可以看出，當前應用比較廣泛的是質量評估、質量驗收、質量監控和結構缺陷檢查等事后控制的場景，對施工質量的事前和事中控制的研究還比較少，為了更好地滿足施工質量控制的要求，還需要加強對此方面的探索。

3.2 成本控制

施工中成本控制的目的是在保證建筑安全和質量的前提下盡可能減少施工成本的支出，但施工階段過程復雜，涉及的人員、設備、材料和工序等任何一個環節出錯都會直接影響到施工成本。 傳統施工成本控制存在動態管理差，資源配置不合理、施工設備選型不合理等問題。 將人工智能技術應用到施工成本控制，有助于解決上述問題，提高全過程的成本控制水平。

在施工前的設計和準備階段，優化算法可以規劃布置現場的運輸線路、倉庫、加工廠以及機械設備等，TAO 等[38]為了提高施工效率，減少運輸成本，基于BIM 技術建立了施工現場的布局規劃模型，通過粒子群優化算法求解總運輸成本最低的布置方案，將總運輸成本降低了約40%。 除了優化算法，專家系統和機器學習等技術可以根據施工計劃在施工開始前對工程量和成本做出合理預測和評估，劉倩[16]通過分析影響裝配式建筑施工成本的主要因素，利用BP 神經網絡建立裝配式建筑施工成本預測模型，可以為項目投資決策提供依據，提升經濟效益。

施工過程中成本控制涉及資源分配、材料管理以及勞務計酬等方面，其重點是成本的動態控制，需要根據施工中實時的項目情況進行成本控制。 謝存仁等[39]考慮了施工期間的資源價格波動情況，建立考慮資源價格波動的施工組織動態規劃模型，運用適應性權重遺傳算法進行模型求解，實現施工期間的資源需求隨價格的波動動態調整，提升施工期間資源均衡度的同時降低了資源成本；張飛漣等[23]考慮了資金成本和費用發生時點，建立鐵路工程施工進度－成本動態優化模型，通過模擬退火遺傳算法優化后的方案相較于原方案有效降低了施工成本，提高了資金使用效率。 為了動態量化施工階段的成本指標，王雅慧[40]利用歷史項目數據訓練BP 神經網絡預測施工階段的月實際成本，之后根據預測結果通過模糊聚類分析法劃分預警等級，實現施工成本的動態控制。 工人的勞務計酬也是施工過程中成本控制的重要部分，譚毅飛[41]基于計算機視覺和傳感技術建立的勞務計酬模式，使建筑業的勞動計酬具有更好的及時性和可追溯性。

竣工結算階段也是施工成本控制的重要階段，涉及施工資料整理、合同條款的核對、設計變更的審查、工程簽證審查等工作，人工智能技術在此階段的應用還比較少。 區塊鏈和自然語言處理等技術在資料管理和審查方面的優勢已經在許多行業得到證明，結算階段的成本控制可以借鑒這些經驗，利用區塊鏈和自然語言處理等技術提高結算效率，從而合理地控制成本。

3.3 進度控制

進度管理指依照實際施工情況和項目任務的完成情況進行全面管理。 施工進度控制可以分為進度優化和進度監控兩個方面。 調查顯示，>70%的承包公司提到，施工現場協調不佳是項目超出預算和截止日期的主要原因；傳統的進度監控基于人工和勞動密集型的信息收集、文件編制以及定期報告項目狀態的程序，這種監控方法實踐繁瑣、容易出錯、速度慢，并且經常報告冗余信息，從而阻礙了管理人員做出及時的決策。 為解決這些問題，建筑施工行業正在探索各種新興技術，一些人工智能技術在進度控制方面的應用中顯示出巨大潛力。

進度優化指的是通過調整工作的組織措施來達到縮短工期的目的，在施工開始前需要管理者提前編制進度計劃，如果對項目缺乏透徹的了解或經驗不足，可能會造成不必要的時間和成本的浪費。 遺傳算法、粒子群算法等智能優化算法已經應用到了施工進度優化方面:謝存仁等[42]基于BIM 和遺傳算法建立了施工進度多目標優化模型，求解各工序最優持續時間以及非關鍵工序最優開始時間，實現了施工進度的合理安排，相較于初始的進度計劃工期縮短了40 d；原媛等[43]結合高樁碼頭施工特點，利用量子粒子群優化算法優化施工進度，以較少成本將總工期縮短了70 d，為水工建筑的施工進度優化提供了方案。

進度監控的目的是獲取實時的進度信息，施工過程中可能會出現各種無法預料的因素造成進度的滯后，管理者需要根據實際情況及時做出決策，結合人工智能技術的進度監控可以有效避免人工巡檢的效率低、易出錯等缺點，魯振川[44]提出一種基于有限狀態機和計算機視覺技術的施工進度識別方法，避免了人工巡檢耗時費力的缺點，保證了獲取進度信息的準確性和時效性。 通過進度監控了解實時的進度情況也是進度動態優化的前提，何敏杰等[45]基于模糊算法和BIM4D 技術研發施工進度動態控制模型，以實際進度作為數據來源建立進度預測模型并設置預警機制，實現施工進度的動態控制。

雖然目前基于人工智能的施工進度控制已取得了一定的進展，但將先進的優化理論、智能算法及BIM 技術相結合的集成深化應用研究還相對較少，需要深入多理論交叉融合研究，提出更加高效的施工進度管理方法。

3.4 安全管理

施工現場具有作業連續性強、施工設備之間相互聯系、現場環境復雜等特點，在工程施工階段一直存在許多安全隱患，施工現場通常會被人們看作較為危險的工作場所。 匯總住建部公布的歷年事故數和事故死亡人數，得到統計數據如圖5 所示，建筑行業的安全事故一直處于一個比較高的水平，且近幾年的事故數量和死亡人數還處于一個上升的趨勢。

圖5 建筑施工事故數及死亡人數統計圖

施工中安全管理的3 個重點是人的不安全行為、物的不安全狀態、作業環境的不安全因素和管理失誤。 人工智能可以從對施工階段的監控、識別、評估和優先級排序方面入手改善施工安全問題[46]。施工現場工人是導致施工安全事故的重要因素之一，工人在施工現場的活動一直是動態的，也是現場最難控制的安全因素之一。 隨著計算機視覺技術的發展，一些相關技術開始應用于工人安全裝備的使用場景:WU 等[47]提出的一種基于計算機視覺技術的安全帽佩戴檢測方法，在監測工人是否佩戴安全帽的同時還能識別安全帽的顏色，其準確率>90%；FANG 等[48]針對工人高空墜落的風險分別使用CNN 和R－CNN 建立安全帶佩戴監測模型，在武漢市的幾個建筑項目的數據測試中均能達到良好的準確率，可以有效減少工人因未佩戴安全帶而引起高空墜落事故的發生。 物的不安全狀態是導致施工安全事故的另一個重要因素，施工過程中必須確保現場的各種機械設備和建筑結構處于安全的狀態，李佩琪等[49]總結了不合格材料使用、特殊材料存放、設備超負荷運行以及陳舊帶病機械設備使用危害等危險源，利用物聯網和BIM 技術建立智慧工地平臺，可以準確識別現場的材料和設備等危險源，能有效地防止安全事故的發生。 除上述施工安全管理要點外，工人、施工現場設備及材料等之間的交互也是安全管理的重難點，如不同施工設備之間的碰撞，尤其是重型施工設備。 施工設備與材料之間、施工設備與工人之間也是施工現場安全事故的重要類型。閆海生[50]研究了城市軌道交通工程基于超寬帶定位的人機碰撞技術，利用定位標簽使施工設備生成實時的電子圍欄，現場工人通過佩戴定位標簽與電子圍欄產生信息交互，預警潛在的碰撞風險；何光輝[51]考慮現場風險源和障礙區域，利用游走算法優化設計施工通道，通過前期設置量化的風險指標進行評估，以期從組織設計環節預防事故的發生。

除此之外，人工智能技術還能以其他方式參與建筑施工的安全管理，自然語言處理可以代替人工從大量文本數據中獲取有價值的信息，從安全報告和施工日志中檢索重要信息，分析出可能存在的風險行為或因素，并進行人工干預。 智能機器人技術可以代替人工實施一些危險作業，能夠有效降低工程事故發生的可能性和造成的人員傷亡，同時也有助于解決建筑工人老齡化問題。

4 展望

近年來，人工智能技術在建筑施工中的融合應用受到國內外學者的高度關注，機器學習、優化算法以及人工智能物聯網等技術已經應用于建筑施工領域，并取得了顯著成效。 然而，人工智能技術在建筑施工領域的應用仍處于初級階段，許多研究尚未達到實際應用的程度，一些問題亟需深入研究和解決，包括:(1) 工程數據的相對保密性導致的數據獲取問題 數據作為人工智能的3 大要素之一，是人工智能理解現實問題的基礎，但由于施工企業的分散性和競爭關系，一些企業很難獲得多元大量的工程數據來滿足人工智能技術的應用；(2) 尚沒有高度集成化的產品 當前人工智能技術在特定施工環節的應用不斷增多，但由于建設項目唯一性的特點，許多研究的適用范圍比較局限，未來仍需要在大量局部應用的基礎上建立高度集成化的智能施工平臺，將人工智能技術深度應用到建筑施工的全過程；(3) 人工智能模型的可解釋性差 可解釋性是一項技術能否真正得到廣泛應用的關鍵，尤其是應用到建筑施工領域中重要的決策問題時，更需要用戶理解人工智能模型的決策過程和結果，因此建筑施工領域有必要加強對可解釋人工智能的研究和應用。