陸衛(wèi)忠， 曹 燕， 宋正偉， 周 楠

（1.蘇州科技大學(xué) 電子與信息工程學(xué)院，江蘇 蘇州215009；2.江蘇省建筑智慧節(jié)能重點(diǎn)實(shí)驗(yàn)室，江蘇 蘇州215009；3.蘇州市虛擬現(xiàn)實(shí)智能交互及應(yīng)用技術(shù)重點(diǎn)實(shí)驗(yàn)室，江蘇 蘇州215009）

建筑安全問題一直困擾著眾多的建筑企業(yè)，根據(jù)中華人民共和國住房和城鄉(xiāng)建設(shè)部的最新統(tǒng)計(jì)數(shù)據(jù)顯示，從2014 年到2018 年房屋市政工程生產(chǎn)安全事故共3 024 起，死亡3 584 人，平均每天死亡1.964 人，見表1。 此外，建筑行業(yè)非致命性職業(yè)傷害或疾病的發(fā)生率比行業(yè)平均水平高出30%，這導(dǎo)致該行業(yè)被認(rèn)定為我國最危險的行業(yè)之一。 而值得注意的是，這些事故中有超過90%的事故被認(rèn)為是由于不安全的操作行為和工作條件造成的[1]。 因此，如果能夠提前糾正人們的不安全行為并改善工人的作業(yè)環(huán)境，那么建筑安全事故發(fā)生率自然會降低。

表1 2014 年到2018 年房屋市政工程生產(chǎn)安全事故

近年來，隨著建筑信息模型（Building Information Modeling，BIM）和人工智能技術(shù)的興起和發(fā)展，信息技術(shù)已逐漸應(yīng)用于建筑安全領(lǐng)域。 在建筑工程和建筑安全事故預(yù)防中引入信息技術(shù)，可以提早排除或預(yù)防某些安全隱患，以避免或減少建筑施工過程中的安全問題[2-5]，同時管理人員還可以掌握施工現(xiàn)場工人和設(shè)備的工作狀態(tài)，提前解除危害或從源頭上降低建筑安全事故發(fā)生的概率。 這不僅是避免安全事故的創(chuàng)新方法，也是建筑安全行業(yè)未來發(fā)展的必然趨勢。 其中，深度學(xué)習(xí)技術(shù)以其成本適中和可移植性強(qiáng)等特點(diǎn)迅速成為研究者關(guān)注的焦點(diǎn)。

深度學(xué)習(xí)是利用多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)將隱含在高層中的信息進(jìn)行建模的方法[6]，隨著深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺、自然語言處理（Natural Language Processing，NLP）、語音識別領(lǐng)域取得的突破性進(jìn)展，借助深度學(xué)習(xí)技術(shù)對建筑安全事故進(jìn)行預(yù)防是目前一種主流的做法。 由于深度學(xué)習(xí)技術(shù)具備自動理解和持續(xù)監(jiān)測施工現(xiàn)場能力，研究人員已將深度學(xué)習(xí)技術(shù)廣泛用于工人個人防護(hù)設(shè)備檢測、不安全姿態(tài)估計(jì)、不安全環(huán)境檢測、基坑等局部形變預(yù)測、物料質(zhì)量檢測以及建筑物后期質(zhì)量檢測等[7-8]。 該文旨在以綜述的形式闡明深度學(xué)習(xí)技術(shù)在建筑安全事故預(yù)防領(lǐng)域的應(yīng)用。 文章組織結(jié)構(gòu)如下：第一部分，分析建筑安全事故產(chǎn)生的危險源；第二部分，總結(jié)深度學(xué)習(xí)技術(shù)如何在建筑安全事故預(yù)防領(lǐng)域發(fā)揮作用；第三部分，從技術(shù)和實(shí)踐的角度出發(fā)，對現(xiàn)有技術(shù)存在的弊端進(jìn)行剖析，并對未來的研究方法和發(fā)展趨勢做出預(yù)測。

1 建筑安全事故源分類

建筑工程是一個龐大的人機(jī)工程。 這一工程的安全性和可靠性不僅取決于施工人員的行為，還取決于各種施工機(jī)具、材料以及建筑物的狀態(tài)[9]。 因此，建筑工程的安全事故源可分為以下六個方面。 （1）建筑工人自身問題。 建筑工人缺乏自我防護(hù)意識，沒有正確佩戴相應(yīng)的安全防護(hù)設(shè)備，如安全帽，安全背心，高空作業(yè)時必備安全帶、手套、安全鏡等[10-13]；施工人員未遵循安全程序。 施工人員可能在施工過程中存在不安全行為，如違規(guī)攀爬。（2）施工環(huán)境安全問題。建筑施工過程中缺乏必要的設(shè)備，或設(shè)備存在一定的安全問題，如腳手架、模板、支撐板、起重塔、物料提升機(jī)、施工電梯等存在問題，勢必會對施工人員的安全造成一定的影響。（3）孔樁、基坑等局部結(jié)構(gòu)工程失穩(wěn)。如基坑發(fā)現(xiàn)形變、位移、坍塌等造成安全事故。（4）施工過程中物料的質(zhì)量問題。 如混凝土如果抗壓強(qiáng)度不夠，那么后期施工人員不論做何種努力，對建筑物造成的質(zhì)量安全損傷都是不可逆轉(zhuǎn)的。（5）建筑物竣工后的質(zhì)量問題。由于時間、壓力、自然災(zāi)害等不可抗力造成建筑物老化而出現(xiàn)的安全問題[14]。 如地震后導(dǎo)致建筑的傾斜和裂縫，橋梁拉索由于承重出現(xiàn)質(zhì)量安全問題，若未及時發(fā)現(xiàn)并進(jìn)行修補(bǔ)勢必會導(dǎo)致建筑物的坍塌造成安全事故。（6）監(jiān)督過程問題。傳統(tǒng)的人對人、人對物的監(jiān)督方式存在不全面、不實(shí)時的問題，很容易導(dǎo)致施工人員在施工過程中發(fā)生意外事故。

2 基于深度學(xué)習(xí)的預(yù)防策略

采用深度學(xué)習(xí)技術(shù)預(yù)防建筑安全事故的發(fā)生[15-16]，主要是通過識別危險源，并及時解除危險源以達(dá)到預(yù)防的目的。 根據(jù)建筑安全事故的危險源分類，基于深度學(xué)習(xí)技術(shù)的建筑安全事故預(yù)防策略主要有以下六類。

2.1 個人防護(hù)設(shè)備檢測

近年來隨著計(jì)算機(jī)視覺技術(shù)的進(jìn)步，人們在個人防護(hù)設(shè)備上的研究已經(jīng)取得了很好的進(jìn)展[17]，建筑工人個人防護(hù)設(shè)備檢測是一個目標(biāo)檢測（Object Detection）的過程，目標(biāo)檢測可以評估在工作場所搜集的視頻數(shù)據(jù)，檢測建筑工人是否規(guī)范穿戴了防護(hù)服、安全帽等防護(hù)設(shè)備[18]。 這一過程的實(shí)現(xiàn)首先通過攝像頭實(shí)時采集數(shù)據(jù)，然后后端采用預(yù)先訓(xùn)練好的模型對數(shù)據(jù)進(jìn)行實(shí)時解析，不僅節(jié)省了人力，還可以對整個工地的作業(yè)狀態(tài)進(jìn)行實(shí)時監(jiān)管，很大程度上規(guī)避了那些因未正確進(jìn)行防護(hù)或錯誤的作業(yè)姿勢而產(chǎn)生的建筑安全事故[19]。表2 是部分專家學(xué)者近年來在個人防護(hù)設(shè)備監(jiān)測上的研究情況。

表2 工人防護(hù)設(shè)備檢測研究情況

2.2 工人危險動作檢測

對工人危險動作的識別是危險源檢測的一個關(guān)鍵環(huán)節(jié)，利用人體姿態(tài)估計(jì)技術(shù)可以對建筑工人的姿態(tài)進(jìn)行實(shí)時的檢測估計(jì)。 若檢測到不安全的作業(yè)方式，檢測系統(tǒng)就會及時地發(fā)出警報(bào)，有效避免建筑工人陷入危險。Ray[25]等人開發(fā)了一種基于姿態(tài)的深度卷積模型以自動識別工人姿勢，該模型通過人體姿態(tài)估計(jì)技術(shù)得到建筑工人的15 個關(guān)節(jié)點(diǎn)而獲取局部特征， 然后對根據(jù)局部特征的加權(quán)以確定工人 “站立”、“彎曲”、“坐著”和“爬行”等四種姿勢。 Walther[26]等人提出了一種無監(jiān)督學(xué)習(xí)多人檢測的工人姿勢自主學(xué)習(xí)模型，該模型克服了以往需要背景簡單、工人需穿著緊身類服裝的限制。張明媛[27]等人提出了基于ANN 識別建筑工人跌落險兆的學(xué)習(xí)模型，模型以三軸加速度和三軸角度信息描述工人不同的狀態(tài)，為保障建筑安全生產(chǎn)提供了新視角， 結(jié)合LSTM 方法的不安全行為的識別過程如圖1 所示。 熊若鑫[28]等人采用CNN 檢測3D 人體姿勢，通過建立生物力學(xué)模型快速識別工人是否存在危險姿勢，模型可允許對象存在部分遮擋。

2.3 不安全環(huán)境檢測

根據(jù)中華人民共和國住房和城鄉(xiāng)建設(shè)部最新發(fā)布的統(tǒng)計(jì)數(shù)據(jù)，2014 年到2018 年房屋市政工程生產(chǎn)安全事故占比較高的是高處墜落和物體打擊，見表3。這些事故的發(fā)生往往是由于施工人員對自己作業(yè)環(huán)境的謬判造成，對此有學(xué)者開發(fā)了一種基于屬性的框架，這種框架可以找出導(dǎo)致該建筑安全事故發(fā)生的所有屬性，這些屬性也被稱為安全事故前兆，具有可解釋性和物理意義，與建造方法和手段、建筑工人的行為以及環(huán)境條件有關(guān)[29-30]。 采用NLP 從原始事故報(bào)告中提取基本屬性，得到的結(jié)果用于進(jìn)一步訓(xùn)練模型來預(yù)測建筑安全事故。

圖1 結(jié)合LSTM 方法的不安全行為識別過程

表3 2014 年到2018 年房屋市政工程生產(chǎn)安全事故類型

Tixier[31]提出了一種迭代的編碼和測試過程的方法，該方法利用NLP 對數(shù)字安全事故報(bào)告進(jìn)行屬性提取，然后分析這些屬性與安全事故之間的關(guān)聯(lián)。 這種方式可以高速、自動地掃描100 個以上的屬性和非結(jié)構(gòu)化的建筑安全事故報(bào)告，為建筑安全管理提供了一種新的方法。 所提出的NLP 模型主要貢獻(xiàn)在于：（1）它能夠從非結(jié)構(gòu)化建筑安全事故報(bào)告中自動且高精度的提取有意義的結(jié)構(gòu)化屬性和數(shù)據(jù)。 這種結(jié)構(gòu)化數(shù)據(jù)代表了應(yīng)用數(shù)據(jù)挖掘和統(tǒng)計(jì)建模算法所需的輸入特征。（2）它克服了非結(jié)構(gòu)化的解碼問題。但它也存在一定的缺陷：模型的結(jié)果好壞與輸入文本的質(zhì)量有很大的關(guān)系，它既不能檢測輸入文本的拼寫錯誤，也不能預(yù)測輸入數(shù)據(jù)之外的事故原因。 Baker[32]等人在Tixier 開發(fā)出的模型的基礎(chǔ)上根據(jù)屬性組合提出了預(yù)測建筑安全事故模型，該模型增加了訓(xùn)練數(shù)據(jù)集并且引入了XGBoost 和線性SVM 兩個新算法，此外，該模型還采用了模型堆疊策略提高模型的性能。 此類模型的建立可防止相似事故的重復(fù)出現(xiàn)，為建筑安全事故的發(fā)生提供可靠的規(guī)避方法。

2.4 基坑等局部結(jié)構(gòu)形變檢測

近年來在經(jīng)濟(jì)發(fā)展的推動下，我國城市化的步伐也在不斷地加快，各大建筑項(xiàng)目也在逐漸增多，基坑工程也不斷向超大、超深規(guī)模擴(kuò)展[33-34]。 由于基坑安全是建筑工程后續(xù)安全問題的重要保障，因此，利用科學(xué)手段對在現(xiàn)代化的大型基坑工程進(jìn)行形變預(yù)測具有重要意義。 基坑形變主要分三類：維護(hù)結(jié)構(gòu)水平與豎直的變形、坑底隆起以及周圍土體的水平與沉降位移。

2014 年孟凡麗[35]等人提出了基于BP 神經(jīng)網(wǎng)絡(luò)的深基坑圍護(hù)形變預(yù)測方法，該方法旨在通過層次分析法建立深基坑圍護(hù)形變的評價指標(biāo)體系，方法通過48 個網(wǎng)絡(luò)模型實(shí)現(xiàn)了不同深度情況下對基坑圍護(hù)結(jié)構(gòu)進(jìn)行水平位移預(yù)測。 該方法雖然考慮了16 種基坑形變的因素，但是未將凍土、土質(zhì)及深度等因素考慮進(jìn)去，使得該方法的適用范圍較小。 2015 年曹凈[36]等人提出了一種基于離子群和最小二乘法支持向量機(jī)的基坑形變時間序列預(yù)測算法。 該算法將時間序列分析模型中的自回歸滑動平均模型（Auto Regressive Integrated Moving Average，ARMA）與BP 神經(jīng)網(wǎng)絡(luò)相結(jié)合對基坑的形變位移進(jìn)行預(yù)測，其結(jié)合了相空間重構(gòu)原理對數(shù)據(jù)進(jìn)行預(yù)處理，實(shí)現(xiàn)了位移特征預(yù)測。 但該模型僅適用于時間間隔較小的形變預(yù)測，另外模型的預(yù)測結(jié)果也存在一定的滯后性。

2.5 物料質(zhì)量安全檢測

在建筑施工中，混凝土的28 d 抗壓強(qiáng)度是其質(zhì)量優(yōu)劣的重要參數(shù)。 若能在較短的時間內(nèi)獲得28 d 的抗壓強(qiáng)度值，就能提前獲得建筑物質(zhì)量優(yōu)劣。 傳統(tǒng)的混凝土質(zhì)量預(yù)測方法通常為基于數(shù)理統(tǒng)計(jì)的線性回歸法。然而對于混凝土來講，由于摻入了大量的粉煤灰，其抗壓強(qiáng)度的大小和混凝土組成材料之間呈高度非線性關(guān)系，采用回歸得到的線形函數(shù)并不適用。

2005 年天津大學(xué)的趙勝利[37]比較了3 種不同輸入模型的RBF 神經(jīng)網(wǎng)絡(luò)的預(yù)測效果并與傳統(tǒng)的只考慮了原材料用量或只考慮材料之前得到相對大小的BP 網(wǎng)絡(luò)模型進(jìn)行比較，提出了RBF 網(wǎng)絡(luò)模型。該模型將輸入指標(biāo)增加到9 項(xiàng)，具有很高的預(yù)測精度和較強(qiáng)的泛化能力，可作為一種有效的混凝土性能分析新方法。 但是該方法的預(yù)測結(jié)果標(biāo)簽比較簡單，不能對抗壓的等級進(jìn)行詳細(xì)判斷。 自回歸模型（Auto Regressive，AR）模型是時間序列常用的模型之一。 2019 年楊雪華[38]等人提出了一種基于BP-AR 的深度預(yù)測組合算法對混凝土抗壓強(qiáng)度進(jìn)行預(yù)測。 該方法首先利用BP 神經(jīng)網(wǎng)絡(luò)做初步預(yù)測，然后將結(jié)果輸入時間序列模型，模型對結(jié)果進(jìn)行修正和調(diào)整，使得結(jié)果具有更高的準(zhǔn)確率。 但該模型未將自然環(huán)境和工業(yè)生產(chǎn)對傳感器可能造成的干擾數(shù)據(jù)進(jìn)行處理，后續(xù)需要進(jìn)一步完善。

2.6 建筑物后期質(zhì)量檢測

建筑物后期的質(zhì)量檢測主要是路面裂縫檢測、砌體結(jié)構(gòu)裂縫檢測、房屋裂縫檢測、橋梁裂縫檢測等。檢測到裂縫時，應(yīng)按照相應(yīng)的工程建設(shè)標(biāo)準(zhǔn)化章程要求對裂縫進(jìn)行修補(bǔ)處理和加固處理以保障建筑的安全[39-41]。以橋梁為例，隨著橋梁的建成通車，橋梁的維護(hù)和管理成為保障橋梁安全運(yùn)營的關(guān)鍵。橋梁垮塌的原因往往都是由于沒有進(jìn)行科學(xué)的、及時的橋梁病害檢測，因此，對橋梁裂縫進(jìn)行檢測至關(guān)重要[42-43]。

基于圖像處理的裂縫檢測主要分為5 類：Broberg[44]、Jahanshahi[45]、Merazi-Meksen[46]、Sinha[47]等人采用的形態(tài)學(xué)方法，Brooks[48]、Hamrat[49]等人采用的矯正分析方法，Alam[50]等人采用的基于實(shí)踐的方法，以及集成法和基于滲透模型算法。 在圖像處理中，裂縫檢測一直比較困難，因?yàn)榻ㄖ锉砻嫖⑿〉碾s質(zhì)較多、光源不足等都會導(dǎo)致偽影，這種偽影會對真實(shí)的裂縫產(chǎn)生暗像素干擾，影響實(shí)驗(yàn)結(jié)果。 針對此問題，Robabeh[51]等人提出了一種兩步跟蹤檢測方法：第一步，利用模版匹配在3D 數(shù)據(jù)集中找到移除增強(qiáng)體；第二步，在沒有增強(qiáng)體的3D 數(shù)據(jù)集中進(jìn)行裂縫檢測。 這種分步做法可達(dá)到快速可視化檢測的目的。

3 挑戰(zhàn)和展望

深度學(xué)習(xí)的世界已經(jīng)擴(kuò)展到許多不同的垂直領(lǐng)域，其中一個是建筑業(yè)[52-53]。 目前基于深度學(xué)習(xí)的建筑安全預(yù)防策略已經(jīng)取得了較理想的效果，但是仍舊存在精度和速度難以做到統(tǒng)一、模型通用性差、參數(shù)尋優(yōu)時間過長等方面的問題，要想突破這些瓶頸就必須對現(xiàn)有狀態(tài)做出改進(jìn)。首先是數(shù)據(jù)集問題。目前還沒有公開的建筑安全事故類的基準(zhǔn)數(shù)據(jù)集，這就使得研究人員在進(jìn)行模型訓(xùn)練時需要自行采集數(shù)據(jù)集。 這一方面增加了研究人員的工作難度；另一方面，參差不齊的數(shù)據(jù)集使得研究者得到的實(shí)驗(yàn)結(jié)果對比性較差。直觀而言，同一深度學(xué)習(xí)算法，采用不同質(zhì)量的數(shù)據(jù)集進(jìn)行訓(xùn)練，最后在應(yīng)用中表現(xiàn)出的檢測效果會差異很大，甚至超過簡單算法與高級算法的差異[54-55]，方法的驗(yàn)證和評價缺乏統(tǒng)一的標(biāo)準(zhǔn)。 雖然國內(nèi)外學(xué)者已經(jīng)訓(xùn)練出了許多建筑安全預(yù)防策略模型，但是目前卻沒有一個統(tǒng)一的評價標(biāo)準(zhǔn)，這使得研究者很難對不同的模型進(jìn)行客觀比對[56-57]，也難以證明改進(jìn)的模型真正優(yōu)于不同算法訓(xùn)練出的同類模型。

總之，未來深度學(xué)習(xí)技術(shù)在建筑安全事故預(yù)防領(lǐng)域的應(yīng)用需要做一個整體的改進(jìn)，實(shí)現(xiàn)模型精度與速度的最大化統(tǒng)一，以應(yīng)對復(fù)雜的施工現(xiàn)場環(huán)境、多變的建筑工人以及建筑物本身的健康和安全檢測。 考慮到整個國家對建筑工人生命健康的重視和基礎(chǔ)設(shè)施的質(zhì)量需求，以及深度學(xué)習(xí)技術(shù)在建筑安全事故預(yù)防領(lǐng)域已取得的技術(shù)優(yōu)勢和應(yīng)用潛力，相信未來建筑行業(yè)的健康安全自動化管理水平會逐步提高。