近日，西安建筑科技大学资源工程学院副教授李华团队创新提出一种融合疲劳状态与不安全行为的综合识别方法，为建筑施工现场智能化安全监管提供了技术支撑。相关成果发表于《中国安全科学学报》。

塔吊作为建筑施工现场不可或缺的重型设备，其驾驶员长期在高空密闭狭小的环境下作业，极易产生生理与心理疲劳，导致反应迟钝或注意力分散。据统计，不规范的手机使用、吸烟、饮水等不安全行为，是诱发吊装碰撞、高空坠落等重大事故的核心隐患。研发一套能够实时、精准识别驾驶员状态的智能化系统，将“事后追责”变为“事前预防”，是保障现代智能建造安全的迫切需求。

疲劳与不安全行为综合识别框架。西安建筑科技大学供图

然而，当前主流的监管手段多采取传统的人工远程视频监控方法，不仅效率低下，且监管人员易产生视觉疲劳，漏检率高，难以在事故发生前的“黄金瞬间”实现实时预警。并且，早期的自动化识别系统往往功能单一，仅关注生理疲劳或识别特定动作，极易受到驾驶员个体差异、光线变化及复杂驾驶室环境的干扰，存在误报率高、鲁棒性差等特点，难以满足严酷施工现场的实际应用需求。

李华团队依托计算机视觉与深度学习技术，研发出一套高效、精准的识别系统。该方法通过车载摄像头实时捕获驾驶员视频流，经预处理后同步开展两类识别：一是基于眼睛和嘴部状态的疲劳识别，利用Dlib算法提取人脸关键点，精准捕捉眨眼与哈欠动作，融合过去150帧数据形成科学的疲劳评分；二是基于YOLOv5-ECA模型的不安全行为识别，通过引入高效通道注意力模块，像人类大脑一样自动聚焦关键特征，精准检测手机使用、吸烟、喝水等危险操作。

实验结果显示，经过200轮的深度“学习”与优化，模型变得异常“敏锐”，对各类危险行为的识别准确率和捕捉完整性均稳定在90%以上，能够有效规避“看漏”或“看错”的情况。在实际运行中，系统处理画面的速度极快，每秒可分析超过15张图像，从发现隐患到发出警报的延迟缩短至0.1秒以内，真正实现了“所见即所识，识毕即预警”。配合直观的可视化操作界面，管理人员和驾驶员均能第一时间获知风险状态，大幅提升了作业的安全系数。

不安全行为数据集示例。西安建筑科技大学供图

“本研究通过将‘看不见’的生理指标与‘看得见’的操作行为深度融合，为建筑工地提供了一套可量化、高可靠的智能监察方案。未来，团队将进一步引入人体骨骼关键点模型，并尝试将算法部署在如树莓派等轻量化设备上，开发更智能的巡检机器人，让科技真正成为施工现场的安全‘守护神’。”论文通讯作者钟兴润表示。

相关论文信息：https://doi.org/10.16265/j.cnki.issn1003-3033.2025.03.0749