《Applied Sciences》:Computer Vision-Based Collision Prevention in Construction: Bridging Academic Advances and Industrial Requirements
编辑推荐:
计算机视觉(Computer Vision, CV)技术已成为实时碰撞风险管理的有前景工具。该文从学术与工业视角审视基于CV的碰撞预防系统,重点识别影响其在施工现场部署的技术与实施挑战。研究人员开展了158篇出版物的范围综述(scoping review),并
计算机视觉(Computer Vision, CV)技术已成为实时碰撞风险管理的有前景工具。该文从学术与工业视角审视基于CV的碰撞预防系统,重点识别影响其在施工现场部署的技术与实施挑战。研究人员开展了158篇出版物的范围综述(scoping review),并评估了当前用于施工的商业CV碰撞预防系统。分析聚焦五项关键功能:目标检测、距离测量与邻近估计、跟踪、工人再识别(Re-Identification, ReID)以及部署鲁棒性。学术研究表明,深度学习方法在检测精度、实时处理、轨迹跟踪和预测性风险评估方面取得实质性进展。然而,其性能仍对遮挡、光照变化、环境条件和场地特征敏感。本研究所评估的商业系统虽通常以可靠性和易集成为设计目标,但往往依赖简化的区域告警逻辑,并在性能验证、跟踪能力和距离估计精度方面透明度有限。该综述凸显实验室性能与施工现场运行有效性之间持续存在的差距。研究结果指出,需要在真实条件下提高鲁棒性、验证度量距离精度、通过跟踪与ReID改善时间连续性,并建立纳入安全相关性能指标的标准化评估协议。随着AI赋能系统越来越多地支持安全相关功能,其开发还应与既有机器安全原则和新兴标准保持一致。
研究背景方面,施工现场具有动态性,工人、重型设备与材料在受限空间中持续交互,碰撞尤其是移动设备(mobile equipment, ME)与行人工人(pedestrian workers, PWs)之间的碰撞,是严重伤害和死亡的重要来源。传统碰撞预防措施依赖物理屏障、警示标志、声响报警和培训,在高度动态环境中受合规性、警觉性、疲劳、认知负荷、噪声和能见度限制,难以及时发现迫近风险。CV可借助RGB相机、热相机、3D相机和深度传感器进行连续监测,但学术原型与工业部署之间仍存在差距:实验室指标难以转化为现场可靠性,遮挡、光照、粉尘、振动、校准、维护、告警疲劳和标准化评估不足等问题突出。因此,研究人员开展该研究,以识别技术与实施挑战,衔接工业需求与学术进展,提升基于视觉的碰撞预防系统的运行相关性。其意义在于将讨论从单纯检测精度转向现场可靠性、可诊断性、时间连续性和机器安全对齐。
方法上,研究人员通过Scopus和Google Scholar等数据库开展范围综述,检索2012—2024年文献,最终纳入158篇,并以结构化数据提取表编码感知模态、视觉任务、应用场景、数据来源、评估设置、性能指标和局限;工业侧于2026年3—6月汇编商业产品资料,并于2024—2025年对Quebec和Ontario的7家本地供应商进行半结构化访谈,访谈由两名研究人员参与并录音、总结和主题分析。
研究结果如下。3.1. Industrial CV-Based Collision Prevention Systems:通过商业产品标准化产品表和供应商访谈,研究得出商业系统多依赖区域逻辑和简化距离代理,度量距离、跟踪、ReID及验证信息常不披露,部分系统仅作为邻近告警辅助而非安全相关功能。3.2.1. Detection Accuracy and Reliability:通过代表性检测研究对比,研究得出检测从手工特征向深度学习检测器演进,YOLO类单阶段网络推理更快、R-CNN类两阶段网络精度较高,但小目标、遮挡、跨场地域偏移和高质量标注成本仍限制施工场景可靠性;工业系统很少披露算法和检测精度。3.2.2. Distance Measurement and Proximity Estimation:通过单目与立体/深度方法及产品距离模式对比,研究得出单目成本低但依赖几何假设和校准,立体/深度可提供度量邻近信息但受集成约束、光照和遮挡影响;工业“距离”常为启发式代理,需区分检测范围与定位可靠性。3.2.3. Tracking and Practical Limits for Anticipation:通过跟踪研究综合,研究得出2D跟踪部署成本低但缺乏度量深度,3D跟踪更利于碰撞风险判断,但仍受遮挡、视角、校准和场地变化影响;工业跟踪能力少披露,缺乏跟踪时预警易退化为反应式区域触发。3.2.4. Worker Re-Identification and Cross-Camera Continuity:通过ReID研究综合,研究得出ReID可连接跨相机身份并支持个体化安全干预,但施工场景中统一PPE、头盔和反光背心降低外观区分度,视角、姿态、光照、运动模糊、遮挡和低分辨率CCTV均导致身份切换;工业ReID未披露,部署多限于相机局部。3.3. Robustness, Integration, and Deployment Constraints:通过学术与工业鲁棒性和集成约束分析,研究得出学术原型常依赖受控条件,现场校准假设易被振动、重装和场地重构破坏;商业产品重视 enclosure、安装和维护,但部署鲁棒性需贯穿安装容差、校准、诊断和维护。
讨论部分总结:4.1指出距离估计需与机器状态和上下文耦合,并参考ISO 21815-3;4.2强调时间连续性应分步实现,先单相机跟踪和稳健冲突指标,再跨相机连续性,最后预测模块;4.3提出标准化、基于场景的评估包,包括分距离和遮挡的召回/精确率、每小时误报、端到端告警时延(宜<300 ms)、距离误差分布及健康事件;4.4强调将鲁棒性作为设计需求,开展恶劣条件压力测试并按条件分层报告;4.5主张AI赋能功能按机器安全原则分类为警告或避碰角色,配置监测、置信度估计、分布外检测、传感器与计算健康检查,并在高不确定性时进入受控安全状态,必要时辅以非AI安全机制。5.2. Limitations指出该综述非穷尽,文献可能需更新,供应商信息异质性限制直接比较,但总体结论仍成立。
5.1. General Conclusions(翻译):该综述考察了围绕施工机械的实时碰撞风险管理的CV系统,特别关注为何强学术结果不能一致转化为可靠现场性能。证据指向优先事项的反复错配:研究原型常集中于最大化检测分数并展示先进跟踪或预测概念,而工业部署最终以恶劣条件下的鲁棒性、有界响应时间、可诊断性以及与机器安全实践和日常工作流程的兼容性来评判。在两个领域中,限制因素很少是孤立的精度,而是情境中的可靠性。在活跃场地上,感知经常受到粉尘、眩光、低照度、降水、振动和频繁遮挡的压力。当这些因素触发干扰告警、不稳定行为或延迟时,信任迅速下降,操作人员采用变通做法,稀释安全收益,包括忽略告警或停用系统。因此,弥合研究到现场的差距需要同时具有技术和社会技术性的开发目标:(i) 针对施工域偏移的按设计鲁棒性,由压力测试和代表性数据支持;(ii) 经证实的距离和延迟行为,在声称“距离”时具有明确校准程序和误差界;(iii) 更强的时间连续性,使系统能从反应式邻近触发转向短时域预见;以及 (iv) 标准化的、基于场景的评估组合,使设置—性能权衡明确、可比且对利益相关者有意义的。最后,随着这些系统从决策支持演变为安全相关功能,AI组件应被视为更广泛安全案例的一部分:有界、受监测,并在感知或时序退化时与确定性失效安全行为集成。未来进展将取决于方法开发(跟踪、预测、多相机推理)与现场约束(确定性、可维护性和用户接受度)之间更紧密的耦合,并由共享协议和从业者可比较和信任的可信证据支持。