公路２０２３年４月第４期ＨＩＧＨＷＡＹＡｐｒ．２０２３Ｎｏ．４基金项目：公路建设项目“智慧工地”全要素管理系统研究及示范应用，项目编号２０２１－０３收稿日期：２０２２－０９－２５文章编号：０４５１－０７１２（２０２３）０４－０２８２－０７中图分类号：Ｕ４１５．１２：Ｕ４９５文献标识码：Ｂ基于目标检测与语义分割智慧工地施工人员安全状况判断研究王金平１，刘春芽２，３，郑凤飞２，３，黄涛２，３（１．甘肃公交建集团康略项目分公司兰州市７３００００；２．兰州朗青交通科技有限公司兰州市７３００００；３．甘肃省智慧交通重点实验室兰州市７３００００）摘要：在公路工程施工过程中，由于施工人员素质良莠不齐等因素，给行业监管部门带来极大困难。为实现施工人员实时检测及周边环境实时查看，由于人员检测与环境分割方法易受到施工环境干扰，若分开进行，会造成资源浪费。针对该问题，提出一种基于目标检测与语义分割融合的智慧工地施工人员安全状况判断方法，利用施工场地实时视频数据，对施工人员进行端对端实时检测与周围环境语义分割，结合分割结果，可判定施工人员是否处于安全区域。同时，为验证方法的有效性，基于甘肃省某公路视频监控数据实现数据集制作，并与现有方法进行性能对比实验。关键词：智慧工地；深度学习；施工人员；目标检测；语义分割１概述目前目标检测研究领域，对人员轨迹预测主要包含基于模型和数据分析两种，由于施工人员行动随机性、分散性、交互性等特点，预测人员目标运动是一个极具挑战性的问题。基于此，Ｋｉｔａｎｉ等研究表明静态环境语义信息有助于通过模型实现人员轨迹较为准确的预测［１］；Ｋｕ等基于场景上下文关联，预测人员运动轨迹［２］；Ｙａｍａｇｕｃｈｉ等采用优化函数和参数模型的方法［３］，实现人员轨迹预测。但不可避免存在以下问题：（１）缺乏数据驱动，导致模型只具备人员简单交互模式；（２）此类研究着重于对彼此接近人之间交互建模（以避免直接碰撞），缺乏预料未来人员的相互作用。因此，基于数据驱动研究应运而生，其中循环神经网络和长短时记忆网络方法已被证明有效性，但此类方法无法对人员之间空间联系进行有效建模［４］。在后续研究中，基于ＲＮＮ网络构建人员时空图［５］，结合空间与时间特性，针对人员交互性特点，通过采用双变量高斯分布，实现数空融合轨迹预测，但该方法计算复杂度高；随后Ａｌａｈｉ等提出长短时记忆网络模型［６］，该模型基...
