建筑工人行为分析理解及其在施工管理中的应用研究

As the key operator of the construction project, the workforce's behavior is closely related with productivity and progress. Currently, the construction management in China is still labor intensive, which can not fulfill the requirements of informatization, automization and standardization. To build up an intelligent construction management scheme, research on automatic analysis of the workforce behavior is proposed. Taking advantage of the video taken by widely used cameras in construction sites, the proposed research contains two aspects: one is machine vision based automatic analysis of workforce behavior; the other is the relationship between workforce behavior and construction management. The traditional tracking and segmentation based feature extraction strategy is abandoned. Unsupervised learning is applied to image sequences for motion features capture instead. Then, the probabilistic latent semantic analysis (pLSA) is used to integrate the two layers of pattern recognition tasks - 'action recognition' and 'behavior recognition'. A new scheme of workforce behavior analysis is established herein. As for the construction management, the research mainly focuses on the evaluation of productivity and progress. A sampling strategy is presented by considering the importance of different construction activities. Weighting for different construction behaviors is introduced into the traditional work sampling method for productivity estimation. Comparing the behavior analysis result with the as-planned progress, the project progress can be evaluated. Graph theory is used to analyze the relationships among different construction tasks and predict the effect of current workforce behavior over the project progress. The new productivity and progress evaluation strategy lays a solid foundation for intelligent construction management.

建筑工人作为施工活动的直接执行者，其行为与生产效率、工程进度有着密切联系。针对我国施工管理信息化、自动化、标准化程度低的现状，以构筑智能化施工管理体系为目标，提出研究建筑工人行为自动分析理解方法的现实需求。利用建筑施工中广泛存在的视觉传感器信息，开展以下两方面研究：第一、工人施工行为的机器分析理解方法研究；第二、施工行为与施工效率、进度的关系研究。摒弃传统的基于目标跟踪、运动分割的特征提取步骤，引入非监督学习机制直接从图像序列学习运动特征；建立"概率潜在语义分析"新模型，将两级模式识别过程整合，构建基于机器视觉的施工行为自动分析理解新算法。以核心施工任务为导向进行施工采样，将样本权重引入施工效率评估；对比施工行为分析结果与4D工程信息评估工程进度；从图论的角度分析施工任务间的相互关联，预测样本施工行为对工程进度的影响，构建施工效率、进度自动评估的新机制，为智能化施工管理奠定基础。

我国建筑业虽然发展迅猛，但很大程度上仍依赖于高速增长的固定资产投资规模，发展模式粗放，工业化、信息化、标准化水平偏低，管理手段落后，需全面提高行业信息化水平。传统依靠人工的施工管理，易受主观因素干扰，实时性差。利用先进的传感器技术进行施工现场信息的自动采集，成为改进落后的施工管理手段的途径之一。. 建筑工人作为施工活动的直接执行者，其行为与生产效率、工程进度有着密切联系。本项目利用在许多施工项目中已有的视觉传感器信息，以构筑智能化施工管理体系为目标，开展了建筑工人行为自动分析理解方法的研究，具体成果如下。. 第一，建立了全新的工人施工行为数据库。通过对施工现场的长期观测与采样，抽象总结通用的工人施工行为，建立了目前为止最大规模的施工行为数据库，数据库包含1176个视频片段，涵盖6个工种，11种施工行为。数据库面向业内公开，为本项目研究及其他研究人员参考提供了良好平台。 . 第二，提出了基于dense trajectories的施工行为识别算法。在深入分析行为识别算法基础上，广泛比较若干种时空特征的检测与描述算子，提出了一种基于dense trajectories的施工行为识别算法。通过实验表明，本算法能有效识别工人行为，平均识别率达59%，超出现有水平24%。. 第三，探索了重复性施工行为分割方法及其在效率评估中的应用。在施工行为识别的基础上，进一步探索了重复性施工行为的方法，为分析较长时间段内的连续视频流奠定基础。采用卷积神经网络进行在线重复性行为分割，并对分割片段进行识别，有效评估单个工人在执行某一任务时的瞬时施工效率，为工人间效率比较，及施工流程的优化提供了参考。. 项目圆满完成了计划研究内容，并取得预期成果。通过构建基于计算机视觉的工人施工行为分析理解方法体系，为自动化施工管理的实现奠定了基础，对于推进模式识别、人工智能理论与施工管理的结合具有重要意义。未来研究将进一步探索工人施工行为的概率建模，尝试融合工具检测的行为分析理解，为构建更加完善地工人行为自动分析体系努力。