基于机器学习方法的安全帽佩戴行为检测

施工现场作业人员是否佩戴安全帽主要依靠人工检查,存在监管效率低、时效性差等问题,为了实时自动监管作业人员是否佩戴安全帽,提出1种基于机器学习的安全帽佩戴行为检测方法。首先利用深度学习YOLOv3算法检测出现场视频中的施工人员脸部位置,根据安全帽与人脸的关系估算出安全帽潜在区域;然后对安全帽潜在区域图像进行增强处理,使用HOG（方向梯度直方图）提取样本的特征向量;再利用SVM（机器学习的支持向量机）分类器对脸部上方是否有安全帽进行判断,进而实现对施工人员安全帽佩戴行为的实时检测与预警。以某高铁站施工现场为例进行验证,研究数据表明在施工通道和塔吊作业区域,该方法可实时有效检测出工人未佩戴安全帽的行为,识别率达90%。     

建筑安全事故中的事件重要性定量分析

为制定建筑安全措施提供理论依据,采用Birnbaum测度描述诱发事故的事件重要度,提出基于二叉判定图(BDD)的建筑安全定量分析方法。在得到安全事故故障树后,该方法执行BDD逻辑运算生成BDD结构,并通过遍历该结构计算各事件的Birnbaum测度值。管理人员可通过量化的重要度数值来分析各事件重要性,确定对工程安全影响最大的一些基本事件,从而制定安全措施来减少事故损失、保证工程质量。BDD结构特点使得该方法便于计算机编程实现,实验数据的对比分析表明BDD方法可正确高效地分析建筑安全事故。