建筑业不安全行为相关风险状态识别：动态监测与评估框架

《Safety Science》：Identifying unsafe behavior-related risk states in construction: a dynamic monitoring and assessment framework

　　

•建立针对不安全行为的动态监测与评估框架
•提出一种适用于施工现场的改进型LEC混合动态评估方法
•构建一个融合主观与客观因素的通用评估体系

1. 引言

建筑工业是所有产业中事故率最高的行业之一，工人长期暴露于危险环境之中，并持续面临受伤风险（Zhang等，2024；Jeong，2022）。在施工过程中，不安全行为被确认为导致建筑事故频发的重要因素之一（Pooladvand和Hasanzadeh，2022；Li等，2017；Wu和Wu，2020；Chen等，2024）。为减少由不安全行为引发的死亡和重伤事故，现有的预防性做法主要依赖施工前的安全培训，以提高工人的安全意识，同时辅以现场管理人员的人工巡检与干预（Kazar和Comu，2021）。然而，安全培训的效果往往随时间递减，导致安全意识逐步淡化，而人工监督方式劳动强度大且容易疏漏（Kim等，2021；Kim等，2021；Chan等，2020；Luo等，2016；Zhou等，2019；Kim等，2023）。这些局限性凸显了建立更为系统化、时效性更强的方法来识别与评估动态演化施工环境中的不安全行为相关风险状态的迫切需要。

近年来计算机视觉（CV）技术的进步使得通过对监控视频和现场图像数据的持续分析，能够自动识别施工中的不安全行为，从而支持施工场地的长期实时监测（Lin等，2014）。这类方法可实现对未佩戴个人防护装备、不当作业姿势以及工人与机械之间的危险交互等不安全行为的检测（Kim等，2018；Son等，2019；Teizer和Cheng，2015；Wang等，2020；Tong等，2025；Ding等，2024；Kolar等，2018）。与传统的人工监督相比，基于计算机视觉的方法显著提高了安全监控的效率，同时减少了对劳动密集型现场巡检的依赖，因此非常适合在复杂的施工环境中进行持续性安全观察。然而，大多数现有的基于CV的方法主要聚焦于孤立不安全行为的识别，因此对于刻画演化的风险状态以及捕捉不安全行为相关风险时序模式的能力有限（Zhong等，2019；Kim和Chi，2017；Kim等，2016）。这一局限性制约了其在施工现场为主动安全管理提供及时有效支持的能力。如何将以CV为基础的不安全行为识别转化为能够反映时序趋势和动态安全状况的风险状态表征，是本研究的第一个关键问题。

评估方法被广泛运用于解释和应对风险状态，通过将多样的安全相关信息转化为反映现场层面安全状况的指标加以实现。在实践中，风险状态评估的有效性在很大程度上取决于所使用信息的质量与代表性。当前，建筑施工风险评估主要依赖基于历史数据的客观统计分析以及基于专家的 subjective评价（Saaty，2013；Shapira和Simcha，2009；Wang等，2020；Li等，2020）。客观统计分析能够定量刻画风险模式，但其在不同施工场景下的适用性往往受到可用数据的完整性与情境代表性的制约。基于专家的 subjective评价能够融入领域知识与实践经验，但受制于其固有主观性（Dávila-Lamas等，2022；Zhong等，2003；Qian等，2023）。因此，风险状态评估的整体表现强烈依赖于能够准确反映现场安全状况的信息的可用性与质量。

在可用的信息来源中，事故报告是对现场不安全状况和安全事件的客观记录。对这些报告的分析有助于更为客观地识别施工风险因素及其相关的施工阶段（Pan等，2022；Wang等，2025；Cambraia等，2010）。文本挖掘提供了一种高效而客观的手段，从大量非结构化文本数据中提取有价值的信息（Li等，2022；Shi等，2018；Seo和Kang，2025）。由此得到的指标可为建筑施工安全的一般风险状况提供数据驱动的表征。然而，施工项目在作业环境、施工方法以及组织管理实践方面往往存在显著差异，因此某些不安全状况或风险特征可能是特定项目独有的，仅凭历史事故记录无法完全捕捉。在这种情况下，基于现场专家经验的subjective评估仍然必要，用于补充客观信息，特别是在解释特定项目的风险特征以及不同施工项目中演化的安全状况方面（Liu等，2018）。因此，将来自事故报告分析的客观洞见与专家知识相结合，是构建能够适应施工现场复杂性与变异性建筑安全评估体系的一个充满希望的方向（Xiang等，2021；Zhao等，2020；Wang等，2022）。如何将客观的事故报告分析与专家知识整合以支持多样化施工项目中稳健的风险状态评估，是本研究的第二个关键问题。

针对上述挑战，本研究提出了一个施工安全动态监测与评估框架，将基于CV的现场监测与主客观混合风险评估方法相结合。本研究的创新之处在于：
（a）提出一种基于CV连续观察的动态风险状态表征方法。与以往主要识别孤立不安全行为的CV研究不同，本方法将随时间累积的视觉观察转化为暴露指标，从而将不安全行为的检测表示为演化的项目层面风险状态，而非独立的监测事件，使该框架能够捕捉施工安全状况的时序趋势与动态变化。
（b）通过开发主客观混合评估机制改进经典LEC方法。本方法利用从历史事故报告中提取的客观信息刻画一般风险模式，同时保留专家判断以反映项目特定的施工条件与管理特征。这种混合机制减少了经典LEC方法对主观评估经验的依赖，同时保留了其融入专业知识的能力，从而更好地适应现场实际条件。
（c）建立了从不安全行为检测到项目层面安全评估的闭环反馈机制。本框架将实时不安全行为识别、暴露累积、基于改进LEC的风险评估以及风险等级反馈相结合，能够在安全风险演变为严重隐患之前提供具有实践价值的量化风险评估结果，从而为后续的安全干预与风险防控提供依据。

本文的其余部分组织为以下五节。第2节回顾有关安全评估方法和基于CV的不安全行为识别方法的文献。第3节详细阐述所提出的动态监测与评估框架的整体方法。第4节介绍案例研究，说明所提框架在真实桥梁施工项目中的实际应用。第5节介绍案例研究的结果，包括安全等级的分析和评估框架的有效性。最后，第6节总结整体研究工作及其局限性，并提出未来工作。

2. 文献综述

2.1 安全评估方法的主客观融合

安全评估是建筑安全管理中的关键任务，侧重于安全指标的准确、有效评估。考虑主观方法与客观方法各自的优势与局限，研究者提出了融合主观与客观方法优势的方法（Liu等，2018；Huang等，2017）。通过将主观经验与客观数据相结合，可以获得更为全面可靠的评估结果。该方法有效弥补了单一方法使用的不足，提升了评估的整体质量与有效性（Li和Fan，2022）。

许多学者已开始采用主客观融合的赋权组合方法开展安全评估研究。Wang等（Wang等，2020）开发了一种评估建筑结构安全风险的创新模型，该模型融合层次分析法（AHP）与聚类赋权法确定评估指标权重。Li等（Li等，2020）通过改进的G1法与熵权法确定评估指标权重，该模型的应用显著提高了风险评估的效率与准确性。Wu等（Wu等，2021）构建了一套装修工程的安全风险评估指标体系，运用熵权法确定指标权重，并建立了既有建筑装修的安全评估模型。这些研究表明，基于主客观融合的安全评估方法是有效的评估工具，其成功平衡了主观经验与客观数据，从而显著提高了建筑安全评估的准确性与可靠性。

然而，客观信息主要反映历史和聚合的事故模式，可能无法完全捕捉特定项目演化的风险状况；反之，基于专家的评估能够融入项目特定知识与情境判断，但容易受到主观性与更新频率有限的制约。因此，关键的方法学挑战并不仅仅在于结合主客观信息，而在于建立一种机制，使历史统计证据、专家判断以及持续观察到的现场行为能够共同更新现场风险状态的表征。

2.2 LEC方法及其改进

LEC是一种由K. J. Graham和G. F. Kinney提出的半定量分类方法（Graham和Kinney，1980）。通过计算三个因素指标——事故可能性（L）、人员暴露于危险环境的频率（E）以及事故潜在后果（C）——的乘积来评估操作人员伤亡风险。该方法因计算原理简明、结果直观而被广泛用于施工现场评估，适用于桥梁项目的安全评估。LEC方法的指标评估受主观性影响较大（Ji等，2022）。现有方法缺乏客观性推动了学界在该领域的研究力度加大。

Xu等（Xu等，2020）利用风险传播系数对因子间耦合进行量化，将静态LEC模型转化为时变模型；耦合系统动力学实现了连续的安全状态模拟，并通过全局敏感性分析对风险控制优先级进行了排序。Fu等（Fu等，2024）提出了一种两阶段LEC风险评估模型，利用长期积累的隐患数据反映当前维护阶段的风险等级。Zhao等（Zhao等，2025）将FAHP与最大偏差赋权相结合，使LEC指标具有场景自适应性，并嵌入模糊VIKOR方法进行多属性风险排序，通过语言-模糊映射与系统性敏感性验证在寒冷地区条件下的鲁棒性得到验证。

当前研究的主要进展在于将LEC方法与其他风险评估技术结合，以平衡主观性与客观性。一些学者优化了LEC方法的内部指标与参数，以更好地适应各类项目的风险特征。然而，当前的改进方案主要仍是静态的，无法根据施工过程中风险等级的变化进行动态调整。

2.3 基于计算机视觉的不安全行为识别

计算机视觉是模拟人眼视觉的算法统称。这些算法使用数字图像反演真实物理场的时空信息。计算机视觉技术能够获取施工现场人员和机械的实时动态信息，从而实现施工现场的快速、准确、全面的监控与管理（Zhong等，2019）。Kim等（Kim和Chi，2017）采用检测器与跟踪器相结合并辅以在线实时学习的方法，利用现场训练数据库对重型设备的长期状况进行监控与分析。Kim等（Kim等，2016）开发了一种能够自动识别危险区域的算法，以高效确定潜在危险区域。现有研究表明，当前施工不安全行为评估主要可分为三类：个人防护装备（PPE）检测、工人与环境交互行为分析以及施工人员不安全姿态识别。代表性研究如表1所示。

表1.

建筑安全管理中计算机视觉研究的实例。作者及其描述Kim等人（Kim et al., 2018）检测建筑设备。Son等人（Son et al., 2019）检测不同姿态和背景下的工人。Teizer等人（Teizer and Cheng, 2015）识别工人和建筑设备所处的高危区域。Wang等人（Wang et al., 2020）检测安全帽佩戴情况。Tong等人（Tong et al., 2025）检测个人防护装备。Ding等人（Ding et al., 2024）检测四类建筑工人的不当行为。Kolar等人（Kolar et al., 2018）检测安全护栏是否正确安装。尽管计算机视觉在建筑安全监控领域已得到广泛研究，但大多数现有研究将检测到的不安全行为作为终端输出处理，例如识别安全帽、不安全姿态或工人与设备的违规接近。这些研究大幅提高了安全观察的自动化程度，但通常未能提供将重复检测转化为量化风险状态变量的结构化机制。特别是，不安全行为的时间累积可能反映现场安全条件的逐步恶化，却很少被纳入传统风险评估模型的暴露分量中。因此，现有的基于计算机视觉的方法在支持动态风险状态表征和闭环安全决策方面仍存在局限。现有研究推进了主客观评估方法、LEC方法的改进以及计算机视觉在建筑安全管理中的应用。然而，大多数现有的主客观融合方法和改进LEC方法本质上仍是静态的，难以捕捉现场安全条件的动态变化或适应多样化的项目场景。尤其值得注意的是，当前的计算机视觉研究主要关注检测孤立的不安全行为，如缺少个人防护装备、不安全姿态以及工人与设备的危险交互，但普遍缺乏将重复检测转化为动态项目级风险状态的系统性机制。同时，现有的基于LEC的评估方法通常以静态或周期性专家驱动评估的形式实施，其中暴露参数E通常由专家判断确定，而非实时现场观测。因此，尽管以往的研究提高了建筑安全管理的效率和准确性，但其在动态性和系统性评估方面的局限仍然制约了其在复杂多样化建筑项目中的适用性。针对这些局限性，本研究进行了若干改进，如表2所示。表2 以往研究与本研究方法的比较。研究方向主要贡献局限性本研究的区别基于计算机视觉的不安全行为检测（Kim et al., 2018, Son et al., 2019, Teizer and Cheng, 2015, Wang et al., 2020, Tong et al., 2025, Ding et al., 2024, Kolar et al., 2018, Zhong et al., 2019, Kim and Chi, 2017, Kim et al., 2016）提高了安全监控的自动化程度和效率产生离散检测结果；对演变风险状态的表征能力有限将累积的不安全行为观测转化为暴露指标，用于动态风险状态评估事故报告分析与文本挖掘（Pan et al., 2022, Wang et al., 2025, Cambraia et al., 2010, Li et al., 2022, Shi et al., 2018, Seo and Kang, 2025, Liu et al., 2018）提供了关于建筑通用风险的数据驱动客观证据难以反映特定项目条件和实时变化利用事故报告衍生知识作为客观输入，同时支持特定项目调整基于专家的安全评估与LEC方法（Liu et al., 2018, Xiang et al., 2021, Zhao et al., 2020, Wang et al., 2022, Ji et al., 2022, Xu et al., 2020, Fu et al., 2024）融入了专业知识和项目特定经验相对主观；通常为静态或周期性通过整合客观指标、专家判断和动态监测数据来改进LEC方法3. 方法论本研究提出了一种动态监测与评估框架，用于识别建筑施工中与不安全行为相关的风险状态。如图1所示，该过程主要划分为以下步骤。首先，通过利用网络爬虫抓取建筑事故案例来构建客观数据库。文本挖掘技术提取施工阶段、不安全行为、事故及伤亡统计信息。然后，根据客观数据库结构和LEC指标设计调查问卷，以构建主观数据库。开展问卷调查的专家组按可信度分类，以减少群体信息偏差。在此基础上，采用极差最大化法整合主客观数据，构建安全评估指标体系。该体系充分发挥两类数据的优势，从而增强了其客观性和实际应用中的实用性。最后，基于安全指标体系和现场不安全行为设计自动评估程序。计算机视觉技术持续监测不安全行为，计算安全等级变化，并发出警报以及时反馈潜在风险。（见图2）下载：下载高分辨率图片（657KB）下载：下载完整尺寸图片图1. 融合主客观评估的动态安全评估框架。下载：下载高分辨率图片（403KB）下载：下载完整尺寸图片图2. 基于文本挖掘的客观数据库建立。3.1 基于文本挖掘的客观数据库建立文本挖掘技术是一种高效的信息提取方法，能够迅速从海量原始文本中识别有价值的信息。本研究利用该技术从建筑事故报告中提取相关客观数据，为主客观融合数据库的安全评估系统开发提供基本的不安全行为分类框架。客观数据的采集通过以下四个步骤完成：（1）基于爬虫的事故报告采集；（2）文本预处理；（3）关键特征提取；（4）结果的统计计算。步骤1：基于爬虫的事故报告采集目前，网络爬虫是最广泛用于从各类网站快速高效获取事故报告信息的文本采集技术。本研究采用爬虫技术从官方来源采集安全事故调查报告。这些报告包括事故发生过程、应急响应措施、伤亡情况、经济损失以及事故原因和性质。通过爬虫获取的数据包括报告标题、事发日期、死亡人数以及事故的直接或间接原因。步骤2：文本预处理建筑事故原始文本数据包含无关信息，需要进行预处理和清洗以提高后续分析的质量和效率。本研究采用正则表达式从建筑报告中提取与事故直接和间接原因相关的文本片段，从而构建语料库。随后，构建包含三个词表的词库，包括领域专业词表、同义词词表和停用词表。剔除无关词汇并进行规范化处理，以减少词汇离散化。选择ROST内容挖掘（ROSTCM）作为预处理和文本挖掘工具，以满足建筑安全管理的专门化功能需求。步骤3：关键特征提取在构建语料库和词库之后，进行关键特征提取。系统性识别并列举报告中涉及的不安全行为因素和施工阶段的关键特征项。将前述构建的三个词表导入软件，对建筑风险行为因素和施工阶段进行关键词提取和统计分析。然而，这一数据挖掘过程并非一次性任务。最终的风险关键特征必须根据初步研究结果持续优化和校准。这包括更新词库和完善提取标准，以提高最终统计分析的精确度并减少潜在误差。步骤4：结果的统计计算按照上述步骤完成迭代文本挖掘过程。当所有关键特征词剔除错误项和冗余项后，挖掘过程即视为完成。随后，按照施工相关安全技术规范和预设语料库，对所提取的关键特征词及其对应信息进行系统整理和结构化处理。最终建立建筑阶段和unsafe行为因素的客观数据库，如表3所示。表3 客观数据库示例。施工阶段不安全行为事故数死亡数受伤数H?A?x??y??z??A?x??y??z??……………………H?A?x??y??z??A?x??y??z??……………………其中A?表示施工阶段H?中出现的第j类危险行为，x??表示施工阶段H?中危险行为A?发生后导致的事故数量，y??表示施工阶段H?中危险行为A?发生后导致的死亡人数，z??表示施工阶段H?中不安全行为A?导致的受伤人数。该数据库不仅记录了事故的直接后果，还捕捉了其发生频率。它为建立后续的建筑安全评估体系提供了客观数据基础。3.2 基于专家调查的主观数据库建立LEC评估是一种半定量研究方法。经典方法依赖专家组收集直观简单的评估数据。虽然适用于桥梁工程风险评估，但其指标评估容易受到主观因素影响。本研究采用改进LEC方法来量化不安全行为因素并提高客观性。该方法通过计算与不安全行为因素相关的三个关键指标之积来量化建筑工人的受伤风险。这三个指标包括事故发生的可能性（L）、建筑工人暴露于风险的频率和程度（E），以及事故可能造成的后果和损失的严重程度（C）。参数D代表危险等级，计算公式如式(1)所示。(1)D=L×E×C D值越高，表明系统潜在危险等级越高，必须实施或加强防护措施。L、E、C参数的确定通常依赖于工程实践和专业经验，通过分类赋值进行量化。建筑工地上的重大事故或严重危险事件通常具有低频高后果的特征。由于单个项目可用的历史事故样本有限，仅依赖实际事故数据来重新校准风险阈值将难以确保统计的稳定性和可靠性。因此，本研究采用LEC分类标准作为风险识别的基准，该标准在安全管理研究和工程实践中已长期确立。这些阈值已在制造业、建筑安全和通用工程安全评估中得到广泛引用和应用，因此代表了基于专家共识的典型半定量风险评估基准（Kokangül et al., 2017, Gul and Ak, 2018, Marhavilas et al., 2011）。该方法有助于提高不同风险源之间的可比性，同时减少因样本不足导致的阈值确定主观性。具体分类和数值分配详见表4。表4 L、E、C、D值。事故可能性（L）暴露频率（E）后果及严重程度（C）危险等级（D）完全预期10连续暴露10灾难性超过10人死亡100极其危险>320很可能6每日工作暴露6灾害性数人死亡40高风险160–320可能发生但不频繁3每周或偶尔暴露3非常严重一人死亡15显著风险70–160完全意外1每月暴露2严重残疾7一般危险20–70可设想但不可能0.5每年数次暴露1重伤3轻微危险<20极不可能0.2罕见暴露0.5明显1实际上不可能0.13.3 改进LEC主客观融合评估方法经典LEC方法过于依赖评估者经验和主观判断，缺乏针对施工现场的动态风险调整机制。建立主客观数据融合的评估方法可能使建筑工地安全评估更加客观，同时保留不同项目的主观偏差。这确保综合评估指标更好地契合实际施工现场条件，从而提高评估的有效性和可靠性。具体而言，为提高事故可能性L值的准确性，本研究定制了L值确定方法。该方法涉及统计各施工阶段中每种不安全行为因素导致的事故频率，然后计算归一化最大得分的乘积，从而推导出由不安全行为因素引起的事故可能性L值。为最小化C值的主观性，本研究从客观数据集中提取每种行为因素导致的事故数量和伤亡人数。根据建筑安全事故分类指南计算事故中的平均死亡人数K，并据此赋值C。建筑工地条件多样，导致暴露频率存在显著差异。因此，为获得更具针对性的结果，本研究通过评估建筑工人的现场暴露情况来计算暴露频率E?值，并据此赋值E。D值由L、E、C三个指标值计算得出。E值会随着施工现场时间和暴露次数的变化而持续更新。

D值也会持续更新，以实现自动化、动态和客观的定量施工安全评价。客观数据采集采用了改进的方法，而主观数据采集则采用了传统的专家调查方法。两种方法均采用LEC评分指标作为统一尺度，以实现标准化归一化。主观权重与客观权重的结合被广泛认为是多准则决策中的一种平衡策略，因为它结合了专家认知与数据驱动的信息（Hwang和Yoon，1981；Diakoulaki等人，1995；Greco等人，2016）。四种常用的组合赋权方法包括加法综合法、乘法综合法、级差最大化法以及主观客观修正法（Kim和Chi，2017；Ma等人，1999；Xu，2004；Zhang等人，2023）。其中，级差最大化法使用不同的单一赋权方法计算各指标权重，然后引入一个未知权重向量，通过最大化各单一赋权结果的评价方差来确定组合权重。与其他方法相比，级差最大化法在组合模式的合理性、结果的可解释性以及评价结果的区分能力方面具有显著优势（Zhang等人，2023）。主观方法反映了专业知识和实际安全关注，而客观方法则捕捉了数据离散度、对比强度和 information content（Diakoulaki等人，1995；Wang和Luo，2010）。在此背景下，级差最大化法更为可取，因为它基于评价值的分布通过优化来确定组合系数，而非简单地平均两组权重。这种方法更好地适应了安全指标的异质性以及专家判断与实证数据的双重信息结构。通过增强评价结果的可分离性，级差最大化法避免了得分集中，并支持更稳健的排名与分类，这与综合指标构建原则一致（Greco等人，2016；Nardo等人，2008）。

本研究引入级差最大化法来组合并赋权不安全行为的主观数据和客观数据。所得评价指标保留了客观数据的信息量，同时纳入了专家经验，实现了主观与客观指标优势之间的平衡。具体计算步骤和原理如下：

步骤1：确定样本指标矩阵和赋权方法矩阵

为便于指标融合计算，将前节所得主客观数据库评价结果转换为可计算的矩阵结构。建立样本矩阵A和权重矩阵B如下：

$$A=\begin{bmatrix} a_{11} & \cdots & a_{1k} \\ \vdots & \ddots & \vdots \\ a_{n1} & \cdots & a_{nk} \end{bmatrix} \quad B=\begin{bmatrix} b_{11} & \cdots & b_{1k} \\ \vdots & \ddots & \vdots \\ b_{m1} & \cdots & b_{mk} \end{bmatrix}$$

在矩阵A中，$a_{nk}$表示第$n$个样本的第$k$个指标值。例如，$a_{11}$、$a_{12}$和$a_{13}$对应不安全行为A1的LEC主观评价值，而$a_{14}$、$a_{15}$和$a_{16}$对应A1的LEC客观评价值。

在矩阵B中，$b_{mk}$表示第$m$种方法赋予第$k$个指标的权重。遵循LEC方法，即将LEC值直接相乘。第一种主观赋权方法将$b_{11}$、$b_{12}$和$b_{13}$设为1；$b_{14}$、$b_{15}$和$b_{16}$设为0。反之，第二种客观赋权方法将$b_{21}$、$b_{22}$和$b_{23}$设为0；$b_{24}$、$b_{25}$和$b_{26}$设为1。

步骤2：确定组合赋权向量

由权重矩阵B及其所属区间范围得到组合赋权向量C：

$$C=[c_1 \cdots c_k]$$

$$b_{ij} \in [0,1] \quad i=1,2,3,\cdots,m; \quad j=1,2,3,\cdots,k; \quad \sum_{j=1}^{k} b_{ij} = 3$$

$$c_j \in [\min(b_{\cdot j}), \max(b_{\cdot j})] \quad j=1,2,3,\cdots,k; \quad \sum_{j=1}^{k} c_j = 3$$

步骤3：确定综合评价结果向量

使用LEC评估方法公式，通过将组合赋权向量C与样本指标相乘得到综合评价结果向量D：

$$d_n = c_1 a_{n1} + c_2 a_{n2} + \cdots + c_k a_{nk}$$

$$D = [d_1 \cdots d_n]$$

步骤4：级差最大化求解

定义目标函数为在给定权重组合下评价对象评价指数得分的最大化，并结合相关约束条件构建优化模型：

$$S^2 = \frac{1}{n-1} \sum_{i=1}^{n} (d_i - \bar{d})^2$$

约束条件：
$$\bar{d} = \frac{1}{n} \sum_{i=1}^{n} d_i$$
$$c_j \in [\min(b_{\cdot j}), \max(b_{\cdot j})] \quad j=1,2,3,\cdots,k$$
$$\sum_{j=1}^{k} c_j = 3$$

完成上述步骤后，初步构建了一个整合LEC评价方法主客观要素的施工安全评价指标数据库。随后，可根据施工现场观察到的危险行为实时计算E指标。这使得评价数据库能够动态更新，以反映施工现场安全水平的波动。因此，该系统能够应对各种项目的复杂性并做出响应。

3.4. 不安全行为监测与风险预警机制

3.4.1. 基于计算机视觉的不安全行为识别方法

计算机视觉常被用于识别施工现场的风险行为。该技术已被证明能够有效检测大多数不安全行为并提供相关现场信息。然而，大多数现有研究主要集中于识别单一类型的行为，缺乏系统性识别现场不安全行为的综合框架。

本研究提出了一种可推广的技术流程，用于识别施工环境中广泛存在的不安全行为。该方法将常见不安全行为分为三大类：个人防护装备（PPE）不合规、工人-环境交互以及不安全工人姿势。PPE相关的不安全行为直接使用目标检测技术进行识别，而工人-环境交互和不安全工人姿势则通过预定义感兴趣区域并持续评估检测目标与这些预定义区域之间的交互关系来识别。基于计算机视觉的不安全行为识别方法的整体工作流程如图3所示。该方法能够从现场监控视频中全面、自动化地检测各种不安全行为。

图3. 基于计算机视觉的不安全行为识别方法

3.4.2. 风险状态评估与反馈

本研究专注于开发施工现场的动态风险状态评估与反馈方法。该方法直接利用历史不安全行为记录作为输入数据，将其与特定施工阶段进行匹配，以获取相应阶段不安全行为的相关参数并确定其暴露状态。当检测到不安全行为被判定为暴露时，记录其暴露持续时间。通过计算暴露持续时间占总时长的比例$E_K$来确定暴露等级$E$。根据LEC评分描述符确定相应的频率$E_K$，以计算E值。随后，利用已建立的建筑不安全行为评估框架计算安全等级。将这些结果更新到评价指标数据库中，以实现更加精确的现场安全评估。

当检测到施工现场安全等级超过预设风险阈值时，系统立即激活必要的预防措施，以便及时应对潜在风险。当安全等级低于阈值时，系统持续监控并重新计算安全等级。这确保了及时应对潜在风险，从而维持施工现场的安全与稳定。整体工作流程如图4所示。

图4. 安全风险等级的计算与更新

在实际安全管理中，阈值设置 inevitably 涉及误报与漏报之间的权衡。当预警阈值设定在相对较低的水平时，系统对异常状况更为敏感，能够在更早阶段识别潜在风险，从而降低漏报概率。然而，过度敏感也可能导致频繁的误报，增加管理人员的信息处理负担，并可能削弱其对预警系统的信任。相反，如果阈值设置过高，虽然可以减少不必要的报警，但一些早期风险可能无法及时识别，从而增加漏报和延迟干预的可能性。

因此，本文采用的阈值并非单纯以最小化报警数量或最大化风险识别灵敏度为目标，而是在行业标准约束下，在预警能力与现场管理效率之间进行平衡的一种实用选择。这些阈值可根据历史监控数据、事故记录和专家反馈进行动态校准，以进一步增强预警机制对特定工程场景的适应性。

4. 案例研究

所提出的动态监测与评估框架通过中国黑龙江省哈尔滨市某桥梁建设工程的案例研究进行了验证。该框架在桥梁项目主体结构施工阶段进行了实施。通过整合基于文本挖掘的客观指标与基于专家的主观评价，建立了项目专用的评估系统。从施工现场同步至项目级数字孪生平台的视频数据作为安全监测与分析的主要数据源，如图5所示。风险状态基于同步视频流中不安全行为的识别来确定。最终，动态评估过程捕捉了施工现场安全状态波动的时间趋势。

图5. 桥梁项目主体结构施工阶段场景：(a)第一次监控，(b)第二次监控，(c)第三次监控，(d)第四次监控

4.1. 客观数据收集

4.1.1. 数据来源

优先确保数据来源的全面性和可靠性，系统地从权威渠道检索安全事故调查报告，包括安全管理网络、住房和城乡建设部和国家应急管理部的数据进行分析。在检索过程中，聚焦于桥梁事故，遇到了许多与施工无关的事件，包括桥梁坍塌和桥梁上的交通事故。因此，对检索到的1042份事故文本进行了严格筛选。选择涉及人员伤亡的代表性事故案例，确保最终案例分布与官方发布统计数据一致，以保证样本的代表性和研究结论外推的有效性。来源与筛选标准见表5。最终确定了111份涵盖2019年至2024年期间的 相关事故报告。这些报告包含全面的数据，包括事故过程、应急响应、人员伤亡、经济损失和成因分析。

表5. 事故报告的来源与筛选标准

| 类别 | 来源描述 | 纳入标准 | 排除标准 |
|------|----------|----------|----------|
| 紧急管理部门 | 国家、省、市、县级应急管理部门公开发布的事故调查报告 | 包含事故过程、原因分析和责任认定信息 | 仅为事故通报、新闻摘要、缺乏原因分析报告 |
| 住房和城乡建设部门 | 住房和城乡建设部门发布的施工安全事故调查数据 | 涉及桥梁施工、脚手架、模板、吊装和高空作业 | 与桥梁施工不直接相关 |
| 交通运输部门 | 交通运输部门和交通安全质量监督机构发布的事故报告 | 涉及公路桥梁、城市桥梁或交通基础设施建设 | 仅涉及运营期间的交通事故 |

4.1.2. 数据分析与计算

按照前述方法建立的步骤，对桥梁建设领域的事故报告文本集合进行了全面的特征提取和数据分析，以识别关键行为因素。文本挖掘过程的数据包含在附录A中。

经过多轮彻底的数据挖掘和严谨分析后，获得了全面的统计结果。为增强最终挖掘结果中关键信息的可视化效果，这些统计结果被整合到一个词云生成模块中。所得词云可视化结果如图6(a)所示，其中字号越大对应数据集中关键特征词的出现频率越高。此外，图6(b)展示了按词频（TF）值排序的前23个关键特征及其相应得分。随后对事故记录中获得的统计数据进行挖掘词典比对分析，得出客观评价指标，如表6所示。

图6. 关键特征词词频：(a) 关键特征词云，(b) 关键特征词频

表6. 客观评价指标

| 施工阶段 | 不安全行为 | 事故数 | 死亡 | 受伤 | L | K | C | F |
|----------|------------|--------|------|------|------|------|---|---|
| 基础施工阶段 | 未佩戴个人防护装备 | 6 | 6 | 0 | 2.727 | 1.000 | 1 | 5 |
| 基础施工阶段 | 进入危险区域 | 7 | 8 | 0 | 3.182 | 1.143 | 1 | 5 |
| 基础施工阶段 | 无证操作 | 3 | 3 | 0 | 1.364 | 1.000 | 1 | 5 |
| 基础施工阶段 | 缺乏安全保护措施 | 2 | 2 | 0 | 0.909 | 1.000 | 1 | 5 |
| 基础施工阶段 | 违规操作 | 2 | 1 | 0 | 0.909 | 0.500 | 0 | 7 |
| 基础施工阶段 | 违规堆放 | 27 | 2 | 0 | 0.909 | 6.500 | 4 | 0 |
| 主体结构施工阶段 | 未佩戴个人防护装备 | 9 | 1 | 0 | 2.333 | 1.178 | 1 | 5 |
| 主体结构施工阶段 | 进入危险区域 | 7 | 8 | 3 | 2.593 | 1.271 | 1 | 5 |
| 主体结构施工阶段 | 缺乏安全保护措施 | 7 | 7 | 2 | 2.593 | 1.086 | 1 | 5 |
| 主体结构施工阶段 | 超载 | 3 | 5 | 2 | 1.111 | 1.867 | 1 | 5 |
| 主体结构施工阶段 | 违规堆放 | 12 | 2 | 0 | 0.370 | 2.600 | 4 | 0 |
| 上部结构施工阶段 | 未佩戴个人防护装备 | 8 | 7 | 2 | 2.000 | 0.950 | 0 | 7 |
| 上部结构施工阶段 | 进入危险区域 | 12 | 16 | 8 | 3.000 | 1.533 | 1 | 5 |
| 上部结构施工阶段 | 突破安全防护 | 2 | 2 | 0 | 0.500 | 1.000 | 1 | 5 |
| 上部结构施工阶段 | 缺乏安全保护措施 | 7 | 1 | 12 | 1.750 | 1.657 | 1 | 5 |
| 上部结构施工阶段 | 违规操作 | 5 | 7 | 6 | 1.250 | 1.760 | 1 | 5 |
| 上部结构施工阶段 | 违规堆放 | 6 | 13 | 14 | 1.500 | 2.867 | 4 | 0 |
| 装饰和装修阶段 | 未佩戴个人防护装备 | 4 | 3 | 1 | 5.714 | 0.825 | 0 | 7 |
| 装饰和装修阶段 | 进入危险区域 | 3 | 3 | 0 | 4.286 | 1.000 | 1 | 5 |
| 脚手架和模板支撑阶段 | 未佩戴个人防护装备 | 57 | 12 | 3 | 3.333 | 2.120 | 4 | 0 |
| 脚手架和模板支撑阶段 | 进入危险区域 | 3 | 2 | 1 | 2.000 | 0.767 | 0 | 7 |
| 脚手架和模板支撑阶段 | 无证操作 | 1 | 3 | 1 | 0.667 | 3.300 | 4 | 0 |
| 脚手架和模板支撑阶段 | 缺乏安全保护措施 | 2 | 2 | 0 | 1.333 | 1.000 | 1 | 5 |
| 脚手架和模板支撑阶段 | 违规操作 | 41 | 2 | 19 | 2.667 | 4.425 | 4 | 0 |

4.2. 主观数据收集

4.2.1. 专家信息

组建了由40名桥梁施工专家组成的安全设计与经验评估小组。每位专家使用LEC评分方法对各施工阶段存在的不安全行为因素进行评估。为确保可靠性，排除了四名评估时间异常短暂的专家的数据。预先制定了专家可信度评估指南，如表7所示。最终评价通过加权平均获得，以减少结构性偏差。

表8展示了36位保留专家的可靠性得分。专家组呈现出异质性的可靠性得分。技术职称涵盖技术员至助理工程师、工程师和教授，确保了广泛的专业知识背景。专业经验从0.5年至33年不等，将先进知识与长期实践洞察相结合。此前参与评价的轮次从0到5轮，少数经验丰富的专家增强了可靠性。总体而言，这些特征表明专家组的配置是均衡且胜任的。最后，采用加权平均法计算主观风险数据库得分。

表7 专家分类表

专家分类标准 | 专家分类及赋值
---|---
技术职称（满分0.2） | 技术员、助理工程师、工程师（+0.1）、高级工程师（+0.2）
专业研究时间（满分0.4） | 不少于五年（+0.2）、不少于七年（+0.3）、不少于十年（+0.4）
评价经验（满分0.4） | 具有类似项目评价经验（+0.2），且累计次数超过3次（+0.4）

表8 专家可靠性

| 编号 | 技术职称 | 专业研究时间（年） | 评价经验（次） | 可靠性 |
|------|---------|-----------------|--------------|-------|
| 1 | 技术员 | 0.5 | 0 | 0.1 |
| 2 | 技术员 | 10 | 0 | 0.1 |
| 3 | 助理工程师 | 3 | 0 | 0.1 |
| 4 | 助理工程师 | 3 | 0 | 0.1 |
| 5 | 工程师 | 8 | 0 | 0.4 |
| 6 | 助理工程师 | 2 | 0 | 0.1 |
| 7 | 技术员 | 2 | 0 | 0.1 |
| 8 | 助理工程师 | 3 | 1 | 0.3 |
| 9 | 助理工程师 | 3 | 1 | 0.3 |
| 10 | 技术员 | 10 | 0 | 0.1 |
| 11 | 助理工程师 | 3.5 | 0 | 0.1 |
| 12 | 助理工程师 | 10 | 0 | 0.1 |
| 13 | 助理工程师 | 11 | 0 | 0.5 |
| 14 | 工程师 | 14 | 0 | 0.5 |
| 15 | 工程师 | 8 | 1 | 0.6 |
| 16 | 技术员 | 0.5 | 0 | 0.1 |
| 17 | 工程师 | 5 | 0 | 0.3 |
| 18 | 助理工程师 | 7 | 2 | 0.6 |
| 19 | 技术员 | 6 | 5 | 0.7 |
| 20 | 技术员 | 0.5 | 0 | 0.1 |
| 21 | 技术员 | 2 | 0 | 0.1 |
| 22 | 助理工程师 | 10 | 0 | 0.1 |
| 23 | 助理工程师 | 6 | 0 | 0.3 |
| 24 | 技术员 | 4 | 1 | 0.3 |
| 25 | 高级工程师 | 13 | 0 | 0.6 |
| 26 | 助理工程师 | 15 | 0 | 0.5 |
| 27 | 助理工程师 | 6 | 3 | 0.7 |
| 28 | 高级工程师 | 15 | 0 | 0.6 |
| 29 | 工程师 | 9 | 0 | 0.4 |
| 30 | 助理工程师 | 33 | 0 | 0.5 |
| 31 | 高级工程师 | 30 | 0 | 0.6 |
| 32 | 教授 | 28 | 3 | — |
| 33 | 助理工程师 | 6 | 3 | 0.7 |
| 34 | 助理工程师 | 4 | 0 | 0.1 |
| 35 | 技术员 | 10 | 0 | 0.1 |
| 36 | 技术员 | 7 | 0 | 0.4 |

4.2.2 主观评价指标数据库

采用问卷调查方法，收集专家小组提供的桥梁施工现场安全评价指标。根据评价结果和相应专家可靠性得分，进行加权计算，得出表9所示的主观评价指标。评估得分在建筑施工阶段和行为方面呈现出显著模式。违规操作和超载通常具有较高的L和C值，表明发生频繁且影响严重。不穿戴个人防护装备（PPE）是一种普遍行为，L得分持续较高，范围从3.82到4.35，表明未穿戴PPE的现象频繁发生。这些结果突出了桥梁建设项目安全管理中需要关注的高风险行为。

表9 主观评价指标

| 施工阶段 | 不安全行为 | L | C | E |
|---------|-----------|------|------|------|
| 基础施工阶段 | 不穿戴PPE | 3.24 | 5.76 | 2.35 |
| | 进入危险区域 | 4.05 | 7.10 | 2.10 |
| | 无证操作 | 4.10 | 6.89 | 2.54 |
| | 缺乏安全防护措施 | 4.81 | 6.69 | 1.93 |
| | 违规操作 | 5.33 | 13.51 | 1.93 |
| | 违规堆放 | 4.23 | 11.26 | 1.95 |
| 主体施工阶段 | 不穿戴PPE | 4.23 | 6.15 | 1.82 |
| | 进入危险区域 | 4.35 | 6.89 | 1.73 |
| | 缺乏安全防护措施 | 4.57 | 7.79 | 1.96 |
| | 超载 | 4.63 | 14.59 | 1.86 |
| | 违规堆放 | 4.89 | 10.37 | 1.94 |
| 上部结构施工阶段 | 不穿戴PPE | 4.08 | 5.29 | 2.17 |
| | 进入危险区域 | 4.31 | 7.23 | 2.14 |
| | 突破安全防护 | 4.71 | 6.54 | 2.13 |
| | 缺乏安全防护措施 | 4.22 | 6.97 | 1.97 |
| | 违规操作 | 4.32 | 10.44 | 1.86 |
| | 违规堆放 | 3.73 | 6.59 | 1.80 |
| 装饰与装修阶段 | 不穿戴PPE | 3.82 | 4.80 | 1.78 |
| | 进入危险区域 | 3.79 | 5.13 | 1.89 |
| 脚手架与模板支撑阶段 | 不穿戴PPE | 4.32 | 4.93 | 2.17 |
| | 进入危险区域 | 4.62 | 7.19 | 2.17 |
| | 无证操作 | 4.22 | 8.88 | 1.79 |
| | 缺乏安全防护措施 | 4.20 | 10.20 | 1.71 |
| | 违规操作 | 4.17 | 13.45 | 1.72 |

4.3 组合赋权初始指标计算

本研究采用水平差异极大化组合赋权法确定初始指标。该方法结合了主观赋权法和客观赋权法的优点，从而实现更加合理和可靠的权重赋值。本文采用非线性GRG算法求解水平差异极大化模型。结果表明，模型在满足所有约束条件的情况下，经过8次迭代即获得最优解。优化前，目标函数的方差为289.3684；优化后方差增加至2368.2550，增幅约为718.43%。这表明主观和客观权重的最优组合显著增强了模型区分评价对象的能力。该模型在给定约束下表现出可行性和稳定性。

优化结果见表10。本文采用的主客观组合赋权法不涉及人工设置统一比例，而是在权重非负、归一化等约束条件下，通过最大化综合评价结果方差自动确定每个指标中主观信息和客观信息的贡献。根据权重分配结果，指标1、4和6主要以主观方法赋权，而指标2、3、5和7主要以客观方法赋权。这表明不同指标对主观专家判断和客观数据的依赖程度不同。上述结果表明不同指标对专家判断和客观数据的依赖程度存在差异。

表10 主客观权重分配优化结果

| 名称 | 初始值 | 终值 | 缩减梯度 |
|------|-------|------|---------|
| 方差 | 289.36837162 | 2368.255045 | — |
| 指标1主观方法权重 | 0.834501336 | 1.00 | 0 |
| 指标1客观方法权重 | 0.165498664 | 0.00 | 0 |
| 指标2主观方法权重 | 0.876 | 0 | — |
| 指标2客观方法权重 | 0.124 | 1.0 | 0 |
| 指标3主观方法权重 | 1.0 | 0 | — |
| 指标3客观方法权重 | 0 | 1.0 | 0 |
| 指标4主观方法权重 | 0.954813949 | 1.00 | 0 |
| 指标4客观方法权重 | 0.045186051 | 0.00 | 0 |
| 指标5主观方法权重 | 0.859991039 | 1.04777E-14 | 0 |
| 指标5客观方法权重 | 0.140008961 | 1.0 | 0 |
| 指标6主观方法权重 | 0.958791209 | 1.00 | 0 |
| 指标6客观方法权重 | 0.041208791 | 0.00 | 0 |
| 指标7主观方法权重 | 0.987179487 | 4.43603E-14 | 0 |
| 指标7客观方法权重 | 0.012820513 | 1.0 | 0 |

缩减梯度是非线性规划求解器（特别是GRG非线性求解器）的常见输出指标，它表明在当前解附近，若调整某个变量，目标函数是否还有进一步改善的空间。在本表中，所有权重变量的缩减梯度均为0，表明在当前约束下，求解器未找到任何可通过微小调整变量来进一步改善目标函数的方向。因此，该解可视为在给定模型和约束下达到了稳定的最优状态，通常被解释为局部最优解。最终计算的初始指标值见表11。

表11 初始指标值

| 施工阶段 | 不安全行为 | L | E | C | 初始得分 |
|---------|-----------|------|------|------|---------|
| 主体施工阶段 | 不穿戴PPE | 4.23 | 1.82 | 6.15 | 47.35 |
| | 进入危险区域 | 4.35 | 1.73 | 6.89 | 51.85 |
| | 缺乏安全防护措施 | 2.59 | 1.96 | 15.00 | 76.23 |
| | 超载 | 4.63 | 1.86 | 14.59 | 125.65 |
| | 违规堆放 | 0.37 | 1.94 | 40.00 | 28.71 |

如表9所示，缺乏安全防护措施的C得分存在显著差异。表11中的得分为15，远高于表9中的7.79分。这表明客观方法有效弥补了主观方法对该风险后果严重程度低估的问题。超载、不穿戴个人防护装备和进入危险区域的L得分保持一致，表明对这些不安全行为发生频率的认知统一。结果表明，主客观综合方法通过整合客观数据，对不安全行为的严重程度和可能性提供了更全面的评价。该方法保留了主观方法的直观洞察，同时通过整合客观数据增强了评价效果，从而对后果严重程度和整体风险优先级提供了更深入的见解。

4.4 基于计算机视觉的不安全行为检测性能

4.4.1 数据集准备与模型训练

数据集对不安全行为检测性能具有重要影响。众多学者开发了多个针对不同研究方向的施工现场数据集，列于表12。大规模图像数据集SODA包含15个目标类别，拥有超过20,000张从多个施工现场多样化场景中采集的图像（Duan et al., 2022）。该数据集涵盖了多样的拍摄角度和光照条件，可识别施工现场的多种实体，包括工人、机械、材料和环境特征。因此，本研究采用SODA数据集作为训练语料库。此外，不同场地间防护装备和材料的规格差异将导致精度下降。本研究通过收集和标注桥梁施工现场图像来补充SODA数据集，以扩大样本规模。该数据集共包含24,015张图像，其中包括原始SODA数据集的23,751张图像和从桥梁施工现场新收集的264张图像。训练集包含20,056张图像，验证集包含3,959张图像（见表13）。

表12 计算机视觉在安全管理中的研究示例

| 作者 | 描述 |
|------|------|
| Duan et al (Hwang and Yoon, 1981) | 一种新的施工现场大规模图像数据集（SODA） |
| An et al (An et al., 2021) | 施工现场移动物体（MOCS）图像数据集 |
| Tajeen et al (Tajeen and Zhu, 2014) | 挖掘机、装载机、推土机等识别数据集 |
| Jeong et al (Jeong et al., 2025) | 专门用于检测悬挂物的数据集 |

表13 SODA数据集上的算法训练结果

| 模型 | P | R | mAP0.5 | 延迟（ms） | FPS |
|------|------|------|--------|----------|------|
| SSD | 0.863 | 0.447 | 0.611 | 5.916 | 9.9 |
| Faster-R-CNN | 0.507 | 0.753 | 0.691 | 23.542 | 2.6 |
| RT-DETR-R50 | 0.843 | 0.829 | 0.876 | 6.415 | 6.3 |
| YOLO11-N | 0.782 | 0.641 | 0.701 | 11.376 | 9.2 |
| YOLO11-S | 0.851 | 0.765 | 0.821 | 11.758 | 8.2 |
| YOLO11-M | 0.846 | 0.762 | 0.819 | 2.050 | 0.0 |
| YOLO11-L | 0.852 | 0.816 | 0.855 | 3.033 | 3.3 |
| YOLO11-X | 0.881 | 0.840 | 0.886 | 4.721 | 2.8 |

基于深度学习的目标检测算法因其高检测精度和快速推理速度，已成为不安全行为识别研究中广泛采用的计算机视觉技术。这些算法主要分为高精度两阶段检测算法、快速单阶段算法和基于Transformer的算法（Redmon et al., 2016, Huan and Yan, 2025）。为系统评估各种经典算法在SODA数据集上的性能，本文统一训练并比较其交并比阈值为0.5时的平均精度均值（mAP0.5）、精确率（P）、召回率（R）、延迟和帧率（FPS）。YOLO11-X以0.886的mAP0.5领先，其次是RT-DETR-R50和YOLO11-L。然而，前两者需要更多参数且延迟较高，导致FPS较低，无法满足动态施工环境中的实时识别需求。YOLO11-L在实时性能和精度之间实现了出色的平衡。其平均精度仅比YOLO11-X低3.1个百分点，同时保持了333 FPS的实时识别性能和3 ms的延迟。最终选择YOLOv11-L作为检测模型。此外，图7所示的训练结果表明，基于改进SODA的精度足够高，能够满足本研究的不安全行为识别需求。

图7 数据集训练结果

4.4.2 不安全行为检测性能

本研究中的"实时"指的是用于施工现场安全相关决策支持的软实时概念，而非用于设备控制的硬实时概念。这一定义主要与现场安全管理中的动态风险识别和决策支持相关。在施工现场，工人位置、设备运行状态、工作条件以及人机交互等因素可能随时间变化，从而引起风险等级的动态波动。因此，本研究强调的实时能力是指系统及时感知不安全行为或危险状态变化并为安全管理人员调整控制措施和决策方案提供依据的能力。

为验证系统的实时识别能力，本研究记录了15分钟监控视频处理过程中动态延迟的变化，如图8所示。结果表明，由于YOLO模型加载和推理初始化等因素，初始阶段总延迟相对较高。然而，初始化完成后，总体延迟保持在低水平，满足施工现场安全风险实时识别和预警的需求。

图8 延迟时间的动态波动

图9表明，将该框架与前述安全风险评价系统相结合，可识别桥梁项目主体施工阶段的主要不安全行为及其风险等级演变。案例中发生的行为包括：(1) 安全帽佩戴情况，(2) 违规堆放，(3) 进入危险区域，(4) 安全围栏的存在。

图9 案例项目中不安全行为的自动识别：(a) 工人佩戴安全帽及未佩戴安全帽，(b) 钢筋违规堆放，(c) 工人进入危险区域，(d) 危险边缘区域的安全围栏

表14为这些行为准确率的混淆矩阵统计结果。计算表明，总体准确率超过85%，基本满足不安全行为识别的精度要求。仅有少量因遮挡导致的错误，可通过在后续迭代中增加监控角度来解决。

表14 不安全行为识别准确率

准确率 = 0.86

| | 安全帽检测 | 违规堆放 | 进入危险区域 | 背景 |
|---|---|---|---|---|
| 安全帽检测 | 88 | 0 | 0 | 12 |
| 违规堆放 | 0 | 95 | 0 | 5 |
| 进入危险区域 | 0 | 0 | 89 | 11 |
| 背景 | 2 | 3 | 3 | 272 |

4.5 安全等级评价结果

在计算过程中实时收集相关统计数据。检测到不安全行为的时刻标记为1，未检测到的时刻标记为0。从监控视频中每30帧提取1帧以增强计算效率。在7天的监控视频数据集中，共进行了604,800次提取。

使用前文建立的施工现场安全等级评价方法进行计算和更新。当安全等级超过预定阈值时，会生成及时预警。此过程为制定后续安全措施和完善安全培训策略提供了依据。

本研究利用计算机视觉技术识别七天监控视频数据集中风险行为的发生时间和频率，并将识别结果与风险评估状态曲线进行对比分析。

图10(a)–(c)展示了时间曲线E_K，反映了七天内各种已识别的不安全行为的发生频率；图10(d)–(f)展示了相应时段内风险等级的动态变化。图10. 不同危险行为随时间变化的暴露时间比例：(a)与进入危险区域相关的暴露时间比例，(b)与未佩戴安全帽相关的暴露时间比例，(c)与违规堆放相关的暴露时间比例，(d)与进入危险区域相关的风险等级（综合动态评价），(e)与未佩戴安全帽相关的风险等级（综合动态评价），(f)与违规堆放相关的风险等级（综合动态评价）。如图10所示，所提出的风险状态曲线的峰值主要出现在风险行为发生频率较高的时段。当现场风险行为的发生频率达到一定阈值时，风险等级随之升高；当频率降至该阈值以下时，风险等级则呈下降趋势。该阈值由前文构建的主客观融合数据库确定。如图10(c)和(f)所示，风险等级从峰值下降，是因为现场风险行为的实际发生频率始终低于主客观融合模型的预测值。当现场未检测到相关行为时，风险等级基于初始预测值计算；一旦检测到相关行为，则根据施工现场行为的实际频率重新计算风险等级。上述结果表明，该方法能够更准确地刻画现场条件的动态变化，并提供更详细的信息支持，从而为后续安全管理策略的调整提供依据。此外，模型输出的结果不仅表现出显著的时间动态性，还与风险行为的演化模式具有良好的吻合度，这为所识别风险状态轨迹的有效性提供了进一步的外部证据。为进一步验证所识别风险状态的有效性，本研究纳入了与传统的专家驱动静态评估方法的对比分析。由经验丰富的安全专家通过观察桥梁施工现场得出的风险评估结果被作为基准参考。如图11(a)–(d)所示，专家评估方法和主客观融合方法获得的初始风险值相同。然而，本文开发的动态评估方法能够进一步捕捉静态评估方法难以反映的随时间变化的波动。在整体安全水平可接受的前提下，该方法可以根据现场风险行为的实际发生频率，对施工现场的风险状态进行更细致的动态分类。图11. 安全意识等级随时间的变化：(a)与进入危险区域相关的风险等级（专家方法与主客观混合方法），(b)与进入危险区域相关的风险等级（综合动态评价），(c)与未佩戴安全帽相关的风险等级（专家方法与主客观混合方法），(d)与未佩戴安全帽相关的风险等级（综合动态评价），(e)与违规堆放相关的风险等级（专家方法与主客观混合方法），(f)与违规堆放相关的风险等级（综合动态评价）。此外，如图11(e)和(f)所示，对于施工现场的违规堆放，专家评估获得的风险值高于主客观融合方法的初始风险值。这主要是由于专家判断现场违规堆放发生频繁，因此给出了较高的风险评级。然而，主客观融合评估方法也纳入了历史桥梁事故数据。事故数据表明，虽然违规堆放发生频繁，但很少直接导致桥梁施工现场的人员伤亡；因此，此类行为的整体风险等级相对较低。因此，本文开发的综合动态评估框架不仅反映了现场风险行为的实时特征，还结合了专家经验和事故数据的信息优势，从而确保评估结果更贴合施工现场的实际风险状况。如图11(b)、(d)和(f)所示，三种不安全行为的D值均偏离了其初始水平。对于违规堆放，危险等级D初始保持稳定，随后有所下降，反映出项目现场发生暴露频率E的持续降低，目前已低于初始主客观融合评估值。相比之下，进入危险区域和未佩戴安全帽的风险等级D呈现交替升降的趋势。这表明这两种风险初始发生频繁，导致风险等级D升高。随着时间推移，其发生暴露频率E出现波动，引起风险等级D的相应变化。上述结果表明，所提出的方法不仅生成了可视化可解释的曲线，还提供了风险演化的动态表征，能够支持更及时的安全监督和干预。与静态评估方法相比，所提出的框架可以帮助管理者更精确地识别高风险时段并将注意力集中在关键时间窗口，从而为主动式施工安全管理提供实用价值。5. 讨论 5.1. 案例评估结果分析 本研究提出了一个用于识别施工领域不安全行为相关风险状态的动态监测与评估框架。在一项案例研究中，所开发的框架成功应用于某桥梁项目主结构施工阶段的为期七天的监测。动态识别机制的有效性以及风险状态时间变化分析的可行性均得到了验证。施工现场监控视频作为数据源，通过识别监控画面中的不安全行为来确定安全等级。本研究所使用的风险阈值基于既有的LEC行业实践和专家判断确定。现场风险等级通过整合主观专家评价与客观事故数据进一步评估。如图10所示，施工现场最常见的不安全行为是未佩戴安全帽。第二常见的不安全行为是进入危险区域。违规堆放发生频率较低，但往往持续时间较长。这表明该施工现场的工人可能需要提醒佩戴安全帽的重要性。应为现场工人提供安全培训，以增强其安全意识。如图11所示，违规堆放的风险值从初始值28.71开始。由于该不安全行为在现场的发生频率低于前述平均值，其风险值随时间推移降至20以下。这表明该现场工人在违规堆放方面的安全意识相对较强。对于进入危险区域，风险值在经过一段时间后从初始值51.85开始上升，因为该行为发生较为频繁。在早期阶段，其风险值超过了160并进入高风险范围。在本案例中，此类事件主要集中在最初几天，随后几天频率逐渐降低。因此，相应的风险值也呈逐渐下降趋势。然而，事件反复发生表明工人对此不安全行为的安全意识不够稳定。因此，应提醒现场工人避免进入危险区域。对于未佩戴安全帽，由于该行为发生较为频繁，风险值从初始值47.35迅速上升。危险等级在重大危险和高风险之间波动，表明现场工人对该行为的安全意识较弱。在本案例中，所有项目风险的最大评估值D为260，在可接受阈值320范围内。该框架能够有效捕捉施工现场的动态风险信息。动态评估监测施工现场安全水平的波动。5.2. 理论与实践意义 本研究将所提出的框架与桥梁工程案例结合进行验证，得出了若干理论和实践启示。在理论方面，本研究通过整合基于计算机视觉的现场监测与主客观混合风险评估方法，提出了一个用于施工安全自动化评估的动态监测与评估框架。开发了一种改进的经典LEC法，在保留必要专家判断的同时增强了指标的客观性，从而解决了传统LEC方法对评估者经验的依赖以及动态调整能力有限的问题（Huang等，2017）。通过将历史事故数据与项目特定的专家评估相结合，该框架支持项目定制化且具有系统结构的风险评估方案。与以往主要关注单一安全识别任务的研究不同，所提出的框架将多类不安全行为整合到动态风险评估过程中。通过将行为识别与风险评估输出相链接，建立了从识别到评估再到预警的初步闭环流程。虽然以往研究已将主观评估与客观数据相结合（Li和Fan，2022），但大多数仍为静态的，因此无法充分捕捉施工现场风险的动态变化（Zhao等，2025）。本研究通过引入计算机视觉技术，从现场视频中持续提取安全相关信息，并将不安全行为观察转化为项目层面的风险状态并实现及时反馈，从而提高了安全评估的时效性和准确性。从实践角度来看，该框架在各类施工现场具有较强的部署能力。首先，现有的监控视频消除了额外的硬件成本。其次，D值的实时或近实时输出提供了可解释的指标，可帮助管理者了解现场安全条件的变化。此外，所提出的评估方法具有模块化结构，允许根据项目特定特征调整项目参数、行为类别和风险阈值。桥梁案例研究证实了该框架在所调查项目主结构施工阶段的可行性。总之，本研究将施工安全评估从静态方法转向动态方法，并为施工现场提供了一种能够更准确反映实际风险状况的智能安全管理工具。与现有研究相比，本研究在整合主客观机制、动态评估能力和实际应用性方面展现出显著优势。5.3. 局限性与未来工作 尽管本研究初步验证了所提框架的有效性和技术可行性，但仍有若干局限性需要承认。本研究的发现仅提供了该框架在特定桥梁施工情境下可行性的初步证据，尚不足以支持其在其他施工项目中的广泛应用。未来研究应在多个项目、更长的监测周期和不同施工阶段进行跨情境验证。此外，应根据不同项目的施工条件、风险承受能力和管理要求重新校准预警阈值，以增强所提评估方法在不同工程场景中的适应性。本案例研究仅考虑了三类不安全行为。虽然这些行为与所研究项目相关，但并不涵盖施工行业不安全行为的全貌。未来研究应扩展行为分类体系以覆盖更广泛的风险行为。此外，虽然本研究使用的模型满足基本识别要求，但在某些遮挡条件下仍可能出现细微的识别误差。未来研究可探索更先进的模型以提高复杂背景和遮挡场景下的识别性能。此外，可穿戴设备信息、环境监测数据和噪声数据可以集成以实现安全状况的多维度评估，从而提高此类评估的准确性。本案例研究未对组织层面的结果进行实证验证，如干预效率的提升、事故率的降低或工人安全行为的长期变化。这些结果不仅受技术检测准确性的影响，还受到工作流整合、警报响应机制和安全文化等因素的影响。未来研究应通过多个施工项目进行纵向现场实验或准实验评估，以考察所提出的框架能否有效降低监管负担、提高主动干预效果并支持可持续的安全管理。6. 结论 本研究提出了一个用于识别施工领域不安全行为相关风险状态的动态监测与评估框架。本研究的主要贡献和结论如下：提出了一种系统框架，整合了主客观评估与计算机视觉技术，实现施工现场不安全行为的动态评估、反馈与控制。

该框架能够适应施工现场的复杂条件和风险偏好，提供了一种更有效的项目特定安全管理评估方法，从而更好地反映实际风险状况。它增强了施工现场不安全行为评估的客观性和时效性，同时提供了一种动态自动方法来监测不安全行为相关状态。此外，本研究的贡献不仅仅局限于计算机视觉检测、事故报告统计和 LEC 评分法的简单整合。本研究在每个组件中都引入了方法论创新。基于计算机视觉的监控组件从图像和视频检测不安全行为，并将其转换为累积暴露数据，为动态风险评估提供定量基础，并将监控从行为识别扩展到风险状态表征。基于 LEC 法的评估组件通过整合源自事故报告的客观指标与项目特定的专家判断，改进了传统方法，增强了基于监控数据和专家知识的客观性、适应性和可更新性。安全管理组件将现有工具集成到统一的工作流中，形成一个闭环机制，在此机制中，不安全行为观察被收集，转换为暴露指标，使用改进的 LEC 方法进行评估，并转化为项目级风险反馈。总体而言，该框架展示了如何将离散的不安全行为检测转化为演变的安全生产风险状态，以支持自适应的建筑安全管理。

此外，本研究开展了一项案例研究以验证所提出方法的有效性。跨不同施工场景的动态评估表明，项目整体安全水平保持在可接受范围内，结果与预期一致。所提出的方法动态评估了与不安全行为相关的风险状态，并成功识别出高风险行为。这些发现为制定针对性的安全措施和优化安全培训策略提供了依据。

CRediT 作者贡献声明
Yingyue Zhang：写作 – 原稿，可视化，软件，方法论，调查，数据整理，概念化。Yidong Tang：可视化，软件，方法论，形式化分析。Siyuan Zhang：软件，资源。Xuefeng Ma：写作 – 审阅与编辑，可视化，验证，监督，资金获取，概念化。Changyong Liu：监督，资源。
Yingyue Zhang|Yidong Tang|Siyuan Zhang|Xuefeng Ma|Changyong Liu