圖1-5所示，是極具代表性的混合網(wǎng)絡(luò)結(jié)構(gòu)；Ng等人[44]將圖像和光流數(shù)據(jù)作為分別送入并行的雙流CNN網(wǎng)絡(luò)，繼而利用LSTM網(wǎng)絡(luò)處理底層雙流CNN，證明了光流圖像結(jié)合LSTM仍能提高分類效果；Si等人[45]通過將殘差圖神經(jīng)網(wǎng)絡(luò)（ResidualGraphNeuralNetwork，RGNN）處理骨架數(shù)據(jù)后利用LSTM進(jìn)行時(shí)序建模；Du等人[46]在雙流CNN與LSTM網(wǎng)絡(luò)中間引入姿態(tài)注意機(jī)制（PoseAttentionMechanism）整合關(guān)節(jié)點(diǎn)特征對(duì)人體姿態(tài)進(jìn)行識(shí)別。圖STYLEREF1\s1-SEQ圖\*ARABIC\s15LRCN網(wǎng)絡(luò)結(jié)構(gòu)[43]在安全工程領(lǐng)域，隨著行為識(shí)別技術(shù)而發(fā)展，學(xué)者在安全監(jiān)測(cè)的研究中也在嘗試?yán)蒙疃葘W(xué)習(xí)方法提高安全監(jiān)測(cè)的實(shí)際應(yīng)用性和檢測(cè)性能。趙一秾等人[47][34]融合Two-Stream卷積網(wǎng)絡(luò)TSN和LSTM網(wǎng)絡(luò)，對(duì)工人的跌倒、暈倒、蹲地長時(shí)間不起3種異常行為檢測(cè)，相較于原算法提高了4%；DingL等人[48]通過集成卷積的混合深度學(xué)習(xí)模型對(duì)設(shè)計(jì)的建筑工人三類不安全爬樓梯行為進(jìn)行檢測(cè)；厙向陽等人提出結(jié)合CNN和LSTM混合網(wǎng)絡(luò)的方式檢測(cè)跌倒行為；郁潤[49]通過在實(shí)驗(yàn)室模擬作業(yè)人員在高空作業(yè)環(huán)境的工作狀態(tài)，利用微軟深度相機(jī)Kinect2.0獲得人體三維骨架特征，并結(jié)合長短時(shí)記憶網(wǎng)路對(duì)工人是否存在安全帶使用不當(dāng)進(jìn)行檢測(cè)有較好的精度。綜上所述，在行為識(shí)別的研究過程中，傳統(tǒng)方法利用手工選取特征，其局限性較大、識(shí)別準(zhǔn)確率較低，而深度學(xué)習(xí)方法相較于傳統(tǒng)方法展現(xiàn)出了優(yōu)良的性能因此，本文以深度學(xué)習(xí)方法為基礎(chǔ)，根據(jù)人體行為的動(dòng)態(tài)特性，選擇CNN+LSTM框架作為本文的基礎(chǔ)結(jié)構(gòu)，將計(jì)算機(jī)視覺法應(yīng)用到安全管理中，提高安全管理效率。目標(biāo)檢測(cè)的國內(nèi)外現(xiàn)狀目標(biāo)檢測(cè)指的是從復(fù)雜的圖片背景中檢索到感興趣的目標(biāo)并對(duì)定位的目標(biāo)進(jìn)行分類。目標(biāo)檢測(cè)的發(fā)展也包含了基于傳統(tǒng)方法和基于深度學(xué)習(xí)方法兩類，與行為識(shí)別一致。傳統(tǒng)的目標(biāo)檢測(cè)一般是通過窗口滑動(dòng)的方式普遍掃描圖像，利用手工提取特征，再將提取的特征送入Adaboost、支持向量機(jī)等分類器中做分類判斷。但傳統(tǒng)方法一般針對(duì)小數(shù)據(jù)集檢測(cè)任務(wù)，實(shí)際應(yīng)用的泛化能力較弱，而深度學(xué)習(xí)方法通過復(fù)雜的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)提取特征相較于傳統(tǒng)方法能更好的學(xué)習(xí)和表達(dá)特征[50]。深度學(xué)習(xí)技術(shù)的成熟，推動(dòng)著目標(biāo)檢測(cè)技術(shù)的進(jìn)步，根據(jù)訓(xùn)練方式的不同又分為了雙進(jìn)程（two-stage）和單進(jìn)程（one-stage）檢測(cè)方法兩類。雙進(jìn)程檢測(cè)方法包含了兩個(gè)階段，一是對(duì)候選區(qū)域提議的預(yù)處理過程，二是對(duì)提議的區(qū)域進(jìn)行分類和回歸并輸出分類結(jié)果。2014年RossB.Girshick等人提出了一種R-CNN[51]網(wǎng)絡(luò)代替?zhèn)鹘y(tǒng)目標(biāo)檢測(cè)模型，自此開啟了雙階段目標(biāo)檢測(cè)算法的研究道路，衍生出許多經(jīng)典的算法。FastR-CNN[52]在整個(gè)圖像上使用一次卷積過程，輸出感興趣區(qū)域，提高了R-CNN的運(yùn)算速度，采用ROI池化層對(duì)候選區(qū)域池化歸一為同等大小的特征圖送入完全連接網(wǎng)絡(luò)中后利用softmax進(jìn)行分類。FasterR-CNN[53]通過引入?yún)^(qū)域生成網(wǎng)絡(luò)生成高質(zhì)量的建議窗口，降低了計(jì)算冗余；He等人[54]隨后提出的Mask-RCNN網(wǎng)絡(luò)，是在FasterR-CNN的基礎(chǔ)上擴(kuò)充了掩碼分支。在目標(biāo)檢測(cè)的基礎(chǔ)上，增加了分割目標(biāo)對(duì)象的功能。相比于雙進(jìn)程目標(biāo)檢測(cè)算法，單進(jìn)程目標(biāo)檢測(cè)算法的整體檢測(cè)流程更具簡潔性。2016年Redmon等[55]提出YOLOv1算法，刪減了雙階段目標(biāo)檢測(cè)法中提取候選區(qū)域環(huán)節(jié)，圖像輸入后直接用一個(gè)深度神經(jīng)網(wǎng)絡(luò)完成提取特征、回歸候選框和分類，相較于FasterR-CNN，其檢測(cè)速度有大幅提升。YOLOv1算法之后，利用新的網(wǎng)絡(luò)結(jié)構(gòu)、增加錨點(diǎn)、跨尺度預(yù)測(cè)等調(diào)優(yōu)技巧進(jìn)行改進(jìn)，相繼提出了YOLOv2[56]，YOLOv3[57]。2020年Bochkovskiy等人[58]利用感受野和參數(shù)更大的CSP-Darknet53作為主干網(wǎng)絡(luò)提取特征，并將YOLOv3中的FPN改為PANet完成多通道特征融合，構(gòu)建出YOLOv4，提高了小目標(biāo)檢出性能。Liu等人[59]于2016年結(jié)合YOLOv1和FasterR-CNN思想提出了SSD算法。隨后在SSD算法基礎(chǔ)上發(fā)展出針對(duì)SSD改進(jìn)的系列算法：如：通過擴(kuò)充特征金字塔中的特征圖和補(bǔ)充不同層特征圖之間的聯(lián)系，改善SDD重復(fù)檢測(cè)和小尺寸檢測(cè)精度差的問題的R-SSD算法[60]；通過引入DensNet提出了DSOD算法[61]；結(jié)合FPN算法形成FSSD[62]。在安全工程領(lǐng)域，隨著目標(biāo)檢測(cè)算法的逐漸成熟，諸多研究者嘗試將目標(biāo)檢測(cè)引入安全生產(chǎn)應(yīng)用中，提高安全管理的自動(dòng)化和智能化。Kolar[63]等從施工現(xiàn)場(chǎng)和Google收集2000張防護(hù)欄圖片，訓(xùn)練出一種基于卷積神經(jīng)網(wǎng)絡(luò)的安全防護(hù)欄檢測(cè)網(wǎng)絡(luò)模型，證明利用圖像進(jìn)行安全檢測(cè)在建筑施工環(huán)境中可行性和應(yīng)用前景；陳勇等人[64]利用DenseNet網(wǎng)絡(luò)和注意力機(jī)制，提出一種改進(jìn)的YOLOv3目標(biāo)檢測(cè)算法，可以對(duì)建筑工人的安全帽佩是否得當(dāng)進(jìn)行檢測(cè)；陳睿龍等人[65]通過設(shè)計(jì)的一系列卷積神經(jīng)網(wǎng)絡(luò)提高了抽煙行為中煙頭這類小目標(biāo)物體檢出準(zhǔn)確率。參考文獻(xiàn)ChoiB,AhnS,LeeSH.Constructionworkers’groupnormsandpersonalstandardsregardingsafetybehavior:Socialidentitytheoryperspective[J].Journalofmanagementinengineering,2017,33(4):04017001.SunindijoRY,ZouPXW.Politicalskillfordevelopingconstructionsafetyclimate[J].JournalofConstructionEngineeringandManagement,2012,138(5):605-612.KodappullyM,SrinivasanB,SrinivasanR.Towardspredictinghumanerror:Eyegazeanalysisforidentificationofcognitivestepsperformedbycontrolroomoperators[J].JournalofLossPreventionintheProcessIndustries,2016,42:35-46.劉輝,鄭向莞,孫世梅,傅貴.建筑施工高處墜落事故組織行為原因分析研究[J].工業(yè)安全與環(huán)保,2019,45(12):19-22.中華人民共和國住房和城鄉(xiāng)建設(shè)部.2014年上半年房屋市政工程生產(chǎn)安全事故通報(bào)[EB/OL]./wjfb/201407/t20140717_218508.html中華人民共和國住房和城鄉(xiāng)建設(shè)部.2015年房屋市政工程生產(chǎn)安全事故通報(bào)[EB/OL]./wifb/201602/t201602/t20160218_226671.html.中華人民共和國住房和城鄉(xiāng)建設(shè)部.2016年房屋市政工程生產(chǎn)安全事故情況通報(bào)［EB/OL］./wjfb/201702/t20170214_230594.html．中華人民共和國住房和城鄉(xiāng)建設(shè)部.2017年房屋市政工程生產(chǎn)安全事故情況通報(bào)［EB/OL］./wjfb/201803/t20180322_235474.html．中華人民共和國住房和城鄉(xiāng)建設(shè)部.2018年房屋市政工程生產(chǎn)安全事故情況通報(bào)［EB/OL］./wjfb/201810/t20181015_237898.html.GB50870-2013,建筑施工安全技術(shù)統(tǒng)一規(guī)范[S].JGJ/T292-2012,建筑工程施工現(xiàn)場(chǎng)視頻監(jiān)控技術(shù)規(guī)范[S].倪國棟,高富寧,徐恒,喬亞寧.國內(nèi)建筑工人不安全行為研究綜述[J].工程管理學(xué)報(bào),2020,34(01):54-59.He,Changquan&Jia,Guangshe&McCabe,Brenda&Chen,Yuting&Sun,Jide.(2019).Impactofpsychologicalcapitalonconstructionworkersafetybehavior:Communicationcompetenceasamediator.JournalofSafetyResearch.71.10.1016/j.jsr.2019.09.007.MullenJ,KellowayEK,TeedM.Employersafetyobligations,transformationalleadershipandtheirinteractiveeffectsonemployeesafetyperformance[J].SafetyScience,2017,91(Complete):405-412.曹秀蘭,韓豫,周燁雯,馮志達(dá),孫昊.面向建筑工人的安全投入對(duì)工人安全績效的影響[J].土木工程與管理學(xué)報(bào),2018,35(03):151-156.陳艷,呂云翔,柴訪,王曉峰.動(dòng)態(tài)激勵(lì)視角下建筑工人不安全行為演化博弈分析[J].安全與環(huán)境工程,2020,27(01):197-203.楊佳麗,栗繼祖,馮國瑞,康立勛.礦工不安全行為意向影響因素仿真研究與應(yīng)用[J].中國安全科學(xué)學(xué)報(bào),2016,26(07):46-51.黃芹芹,祁神軍,張?jiān)撇?成家磊.建筑工人習(xí)慣性不安全行為干預(yù)策略的SD模型[J].中國安全科學(xué)學(xué)報(bào),2018,28(07):25-31.DzengRJ,LinCT,FangYC.Usingeye-trackertocomparesearchpatternsbetweenexperiencedandnoviceworkersforsitehazardidentification[J].SafetyScience,2016,82:56-67.SukKH,DaesubY,SoonSH,etal.PredictingtheEEGLevelofaDriverBasedonDrivingInformation[J].IEEETransactionsonIntelligentTransportationSystems,2018:1-11.楊賽烽.基于Kinect的罐籠內(nèi)礦工不安全行為識(shí)別方法研究[D].中國礦業(yè)大學(xué),2019.RecarteMA,PérezE,ConchilloA,etal.Mentalworkloadandvisualimpairment:differencesbetweenpupil,blink,andsubjectiverating.SpanishJournalofPsychology,2008,韓豫,張涇杰,孫昊.基于圖像識(shí)別的建筑工人智能安全檢查系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].中國安全生產(chǎn)科學(xué)技術(shù),2016,12(10):142-148.熊若鑫,宋元斌,王宇軒,段彥娟.基于CNN的3D姿勢(shì)估計(jì)在建筑工人行為分析中的應(yīng)用[J].中國安全科學(xué)學(xué)報(bào),2019,29(07):64-69.BobickAF,DavisJW.Therecognitionofhumanmovementusingtemporaltemplates[J].IEEETransactionsonpatternanalysisandmachineintelligence,2001,23(3):257-267.QinYH,LiHL,LiuGH,etal.HumanactionrecognitionusingPEMhistogram[C].InternationalConferenceonComputationalProblem-Solving.IEEE,2010:323-325.AliS,ShahM.Humanactionrecognitioninvideosusingkinematicfeaturesandmultipleinstancelearning[J].IEEEtransactionsonpatternanalysisandmachineintelligence,2008,32(2):288-303.WuX,XuD,DuanL,et