基于机器学习的智慧工地管理实践

张瑶瑶，边志强，刘莉

（1.浙江建设职业技术学院；2.歌山建设集团有限公司）

1 引言

建筑业是支撑我国经济发展的重要产业，仍处于持续发展的阶段，但在当前传统的管理模式下，建筑工地生产效率难以提高。在如今人工智能飞速发展的时代建筑行业亟需进行产业进步和升级，将机器学习的技术应用到施工现场领域是工地智能化发展的关键步骤。麻省理工学院的S.AbouRizk对建筑模拟理论进展的进行了详细概述，新加坡国立大学的M.-Y.Cheng等学者开发了一种进化模糊混合神经网络来加强项目现金流量管理，上海市宝山区提出探索运用“制度＋科技”的方法，构建“四位一体”的监管体系。目前，智慧工地已在建筑设计与规划、建筑结构、施工及建筑工程管理等建筑行业中的各专业子领域取得一些成功的尝试、研究与应用。

2 项目介绍

新昌县旧城改造项目位于新昌县老城区中部，是新昌县传统老城区更新升级后新的城市窗口和文化地标。本工程总用地面积47512m2，总建筑面积47215m2，包括剧院、特色文化街区、广场、地下室和室外景观等建设内容。该项目将智慧工地打造作为总体定位之一，全过程充分融入人工智能理念，让管理“智慧化”。

2.1 工地安全检查与危险判断

运用信息化和物联网技术在现场危险源处粘贴二维码，进行相应危险源的标识和检查。通过信息化和网格化管理便于信息共享。通过开发的手持终端，发现安全问题在现场直接可以录入，信息可以直接推送至相关人员，整改完成后可以直接反馈至平台。

通过实时监控施工现场的工作人员是否佩戴有效的安全防护，对施工现场中出现的不规范行为和一些安全隐患管理和制止，可提高建筑企业对工程的安全管理能力，使得建筑安全生产达到利益的最大化。

2.2 施工行为与动作识别

利用可穿戴设备（例如智能手机）的内置传感器来进行工人运动信息采集，分析工人的运动信号，然后将其标记为“安全”或“不安全”。然后根据识别结果，工人和管理中心收到通知或者发出警告。一旦出现不安全的行为，手机会向两者发出警报。监督工人遵守正确操作的提示，管理人员可根据施工现场的反馈情况评估风险，制定薄弱环节管理策略。

2.3 机械设备管理

为塔吊安装“黑匣子”，“黑匣子”实时记录塔吊的吊重和力矩等关键信息，将信息上传至平台，平台自动统计、分析和报警。如图1所示，用塔吊黑匣子解决塔吊吊重数据掌握的问题，用动态监测系统的数据统计功能解决吊次数据的掌握问题，通过动态监测系统的超限报警功能，解决了项目管理人员不能实时掌握塔吊危险动作的问题。

图1 塔吊监测管理系统

2.4 施工现场能耗监测

实时监控特定时间段的总用电量、用水量，与计划对比，进行过程中的总量控制，在总量不正常的情况下，对分支数据进行分析，有针对性的点对点管控，可以分析出各时期的用电量、用水量，与施工组织设计相对比，实时监控现场能耗并作出预测，分析能耗与预设情况的偏差并反馈给现场管理人员。

3 关键技术核心算法

3.1 基于深度学习的施工人员图像处理

1）图像采集与处理

在施工现场合适位置安装监控摄像头，安全帽佩戴检测的相机安装在主要通道，危险源区域监控摄像机位置选择在机械设备的周围，保证监控范围能完全覆盖作业范围，实时动态监控施工人员异常情况。从现场监控设备提取的图像受施工现场光线影响和其他干扰，在图像处理的初期进行简单的校正和噪声过滤等预处理，主要是对人脸识别图像进行增强和改善。

2）建立数据集与模型训练

通过施工现场摄像装置收集大量样本，用于识别人员是否佩戴安全帽。基于机器学习的目标检测算法大概分为两类，一种是利用检测目标中的逻辑分区例如安全帽检测中的人脸和安全帽的图形特征划分来进行检测，一种是通过边界框预测来检测目标图像。此处重点介绍YOLO算法，它的思想是将一幅图像分成SxS个网格（grid cell）：如果某个ob‐ject的中心落在这个网格中，则预测这个object的任务就交给这个网格。同时，每个网格中会生成N个边界框，值得关注的是，生成的bounding box不仅仅需要回归自身的位置，还要生成一个表示confidence的预测值，YOLO的整体结构框图如图2所示。

图2 YOLO整体网络结构图

3）现场测试与验证

根据深度学习算法搭建的模型进行训练后，在施工现场搭建测试平台，进行图像采集和算法程序分析，框选人脸显示在界面如图3所示，判断是否佩戴安全帽或是否处于危险区域。为得到与现场环境一致的数据，检验模型对工地复杂环境的适应性，需大量实验且正确率控制在较高水平情况下，该验证方可通过。

图3 安全帽佩戴现场监测

3.2 基于智能手机和机器学习的施工人员动作识别

为识别研究施工人员危险动作及生产事故风险，需要进行危险作业的工作人员随身携带智能手机并安装可测量运动产生的加速度、角度等的软件，通过智能手机专用软件读取运动信号后传至服务器。对数据标注和特征值提取后进行分类识别。

运用机器学习识别工人动作可采用支持向量机、BP神经网络和决策树这三种方法。在训练集上，根据提取出的加速度特征值和真实的行为分类，应用各种分类器方法进行训练得出相应模型；而后针对测试集应用该模型进行行为分类，并将分类结果和真实的工人行为进行对比得出分类精度。

4 工地智慧化效益分析

新昌县旧城改造项目工地智慧化全面提高后取得了重大成效，与同规模工程相比管理人员数量减少32.8%，通过手持终端和监控设备自动分析等应用，项目管理平台灯具开启时间减少26.7%，数据量增加14.5%，劳务信息化系统，及时录入工人信息，并结合现场门禁增设人脸识别系统系统，严格落实人员进出管理，刷卡率91.9%，绿色施工达标95%，现场工程测量合格率约93.3%，项目自主完成实用新型专利3项，QC成果70%项获得省、市及公司奖项，项目在19年度获得建筑信息化大赛国家级奖项1项，省级奖项2项。