塔吊作为施工现场最常见的起重机械之一，承担着大量的水平及垂直吊运任务^[1]。由于其作业范围广、承载负荷重且操作过程复杂，塔吊相关的安全事故往往伴随着致命的风险^[2]。统计数据表明，2014至2018年间塔吊相关事故一直是中国房屋市政工程生产安全事故的三大类型之一^[2]，且致死率高^[3]。美国劳工统计局数据显示，2011至2017年间平均每年塔吊相关死亡人数为42人^[4]。由于塔吊使用阶段是事故高发期^[5]，因此面对高频、高危的塔吊事故，及时有效地监测塔吊的运行状态及它与工人的空间交互关系，有助于尽早发现安全风险，从而预防事故发生。

目前，信息技术在提升塔吊安全监测效果方面逐步发挥关键作用。例如，采用四维技术和建筑信息模型(building information modeling, BIM)检测塔吊运行过程中可能发生的物理碰撞^[6]；利用Cloud-BIM和超宽带(ultra-wide band, UWB)技术进行场地规划和相关分析^[7]；结合各类传感器开发塔吊运行状态实时监测系统^{[1, 8]}；利用无人机(unmanned aerial system，UAS)检测起重机的活动^[9]；通过综合各类技术的优势构建物联网(internet of things, IoT)平台，实时监测起重机群组的安全风险或发现潜在的设备和现场风险^[10-11]。然而，上述工作重点关注了塔吊运动状态的监测，却忽视了塔吊与现场作业工人之间的空间交互风险。

由于塔吊主要事故类型涉及折臂断臂、钢丝绳断裂和坠物等^[1]，因此站在吊物下方的工人更可能发生碰撞或物体打击等安全事故^[9]。针对这一情况，中国行业标准JG/T100—1999 《塔式起重机操作使用规范》 5.2.22中指出：“起升或下降重物时，重物下方禁止有人通行或停留。”因此，结合工人空间位置与塔吊吊物的垂直投影区域，分析并自动判别危险场景，对提升塔吊运行安全监测效果具有重要意义。

尽管当前基于UWB的定位方法能够满足工人空间位置获取及时性的要求，但该技术依靠定位基站和电子标签之间的信息传输获取距离数据。定位标签在项目中大规模使用带来的成本问题、电量消耗导致的数据缺失问题等^[12]，均限制了安全管理的效果。相较之下，基于计算机视觉的定位技术，在保证覆盖范围广泛、性能稳定的同时，具有不干扰作业过程、全面获取场景信息等优势^[13]。例如，利用视觉跟踪算法对塔臂运动轨迹进行追踪和预警^[14]；利用YOLO (you only look once)算法识别吊钩并获取其深度信息^[15]；利用基于掩膜的卷积神经网络(mask region-based convolutional neural network，Mask R-CNN)算法获取工人和危险区域的像素坐标^[16]。同时，随着施工进度的推进，工人与塔吊的空间关系也会发生动态变化。因此，有必要结合BIM模型^[17]，实现塔吊与工人空间交互下危险场景的全面精确检测。

本研究将BIM与传感器、计算机视觉等技术相结合，构建危险场景自动检测框架，改进塔吊运行和工人作业状态数据收集方法，明确空间关系判别规则，形成一种基于塔吊与工人空间交互关系的危险场景自动检测方法，从而提高塔吊相关风险监测的及时性，为施工安全管理提供技术支持。

塔吊运行过程中危险场景的自动检测，一方面依赖于稳定可靠的硬件设备，在不影响现场环境和工人作业的前提下，持续有效地获取塔吊与工人的信息；另一方面，对收集的原始数据，需要准确的算法识别和关系映射来判别存在危险与否。为此，本研究构建了危险场景自动检测框架(见图 1)，主要包括4个方面：设备安装与网络环境构建、塔吊运行状态数据收集、工人作业状态数据收集以及空间关系分析与判别。该框架通过分析吊物起升和下降过程中吊物与工人的空间位置关系，判别是否存在危险。基于实时获取的不安全空间交互关系，将向现场作业人员及时发出预警信息，避免潜在事故的发生。

图 1 危险场景自动检测框架

图选项

1) 设备安装与网络环境构建。通过使用架设在高处的摄像头，实时捕捉塔吊下方作业平面内工人的空间位置信息，同时利用传感器和安装在吊臂小车下方的摄像头采集塔吊的运行状态。另外，利用现场架设的局域网络实现相关数据实时传输。

2) 塔吊运行状态数据收集。在塔臂追踪的基础上，利用空间三角函数关系计算吊钩的空间位置，以获取塔吊的运行状态。

3) 工人作业状态数据收集。利用图像识别技术确定工人位置，并通过坐标系转化将图像中的工人位置转换为空间定位。

4) 空间关系分析与判别。将塔吊的运行状态和工人的空间位置映射于同一BIM模型中，并结合判别规则实现危险场景自动检测。

塔吊的实际运行数据主要包括吊臂的转动角度、下压角度、吊臂上滑动小车的滑动距离、吊物的垂直距离以及吊物的摆动距离。其中，吊物的空间位置是后续判别与工人空间交互关系的关键。为精确获取上述信息，本研究在塔吊主体布置了角度传感器、测距传感器以及摄像头等设备，具体布置位置如图 2所示。其中：角度与测距传感器分别获取塔臂运动角度以及滑动小车和吊钩的运动距离，摄像头则用来获取吊物的水平偏移距离。

图 2 塔吊数据采集设备布置示意图

图选项

首先，构建塔吊坐标系。该坐标系以塔身中心线在地面上的投影点为原点O_t，以大地坐标系正北方向为X_t轴、正东方向为Y_t轴、沿塔身中轴线竖直向上方向为Z_t轴。在塔吊坐标系下，设塔身高度为H，则塔身顶部中心点的空间位置坐标为C(0, 0, H)，如图 3所示。此外，借助角度传感器，可直接获取塔臂运动的旋转角度A₁和下压角度A₂；借助测距传感器，可获取滑动小车到塔身顶部中心点的距离d₁以及吊钩到塔身顶部中心点的距离d₂。由于吊物与吊钩的相对位置关系较为固定，本研究选择吊钩的空间坐标表示吊物的运动轨迹。由于吊钩在吊起和运输过程中存在水平方向摆动的现象，本研究将吊钩位置的参数化表达分为2个步骤，即首先根据图像数据获取吊钩在水平方向的偏移距离，然后结合距离数据计算吊钩在塔吊坐标系下的坐标。

图 3 塔吊坐标系示意图

图选项

为计算吊钩在水平方向的偏移距离，本研究在吊臂滑动小车下方安装摄像头。该摄像头垂直向下拍摄，根据所拍摄图像计算吊物的水平偏移。如图 4所示，设置图像绝对坐标系，以左上角顶点为坐标系原点O_L，以该原点向右方向为X_L轴、向下方向为Y_L轴。该图像中心点像素坐标记为P(x_P, y_P)。在此基础上，借助计算机视觉技术，检测图像中吊钩相对于图像绝对坐标系的坐标P_i (x_i, y_i)。

图 4 根据图像数据获取吊钩偏移距离示意图

图选项

为将图像中的像素偏移量转换为实际空间中的距离，还需计算像素距离与实际尺寸的比例。本研究将吊物识别框的宽度设为box_width、长度设为box_height，结合吊物实际宽度W_i和长度L_i，得出长度比例尺(式(1))和宽度比例尺(式(2))。考虑到吊钩自身旋转导致的识别框不稳定，本研究选取S_Li和S_Wi中最小值作为实际比例尺参考值S_i。进而，根据P和P_i之间的像素偏移距离计算吊钩的实际偏移距离D_i，具体计算方法见式(3)。

为计算吊钩在塔吊坐标系下的坐标，本研究综合考虑吊钩摆动的空间距离、吊钩相对于塔身顶部中心点的距离、吊臂的旋转角度和下压角度等数据，利用三角函数公式计算吊钩在塔吊坐标系下的空间位置坐标。相关计算参数如图 5所示。吊钩摆动过程中吊绳空间摆角θ_i的计算方法如式(4)和(5)所示，吊钩的下垂长度h_i可通过式(6)计算。

图 5 吊钩空间坐标计算参数示意图

图选项

在计算吊钩空间位置坐标M_i (x_i, y_i, z_i)的过程中，涉及到角度变量A_i，其计算过程如式(7)和(8)所示：

由此得出，吊钩和塔顶中心点的垂直高度差L_i为d₂×sin(A₂+A_i)。综上，吊钩的空间位置坐标为(d₁cosA₁, d₁sinA₁, H-L_i)。

本研究在塔吊驾驶室下方架设远视角摄像头，以捕捉区域内工人的位置信息。如图 6所示，利用计算机视觉技术对空间数据进行实时收集，并计算工人的空间位置。考虑到收集的工人位置数据是图像中的像素坐标，为了实现与实际物理空间坐标的转换，本研究在原始图像旋转处理的基础上，将识别的工人像素坐标通过几何换算得到相对于塔吊的空间坐标。

图 6 工人空间位置数据获取方法

图选项

首先，将图片数据的左上顶点设置为绝对坐标系原点O，以该原点向右方向为绝对坐标系的X轴、向下方向为绝对坐标系的Y轴。同时，设置所选取区域(即图像中的左上区域)的西北顶点为相对坐标系原点O′，以该原点向东方向为相对坐标系X′轴、向南方向为相对坐标系Y′轴。为了实现工人像素坐标到实际物理空间坐标的转换，本研究将图像进行缩小后旋转处理，使得相对坐标轴与绝对坐标轴平行，如图 6a所示。设旋转处理后相对坐标系的原点O′在绝对坐标系中表示为(x₀, y₀)。

然后，利用深度学习的目标检测算法YOLOv5从图像数据中检测工人对象，并提取每个工人检测框底部中心点的像素坐标记为工人位置，如图 6b所示。经图像旋转处理后，若工人i在绝对坐标系中的位置为P_i (x_{box_i}, y_{box_i})，则在相对坐标系中表示为P′_i (x_{box_i}-x₀, y_{box_i}-y₀)。

在此基础上，选取平行于图像绝对坐标系X轴的两个点P₁ (x₁, y₁)、P₂ (x₂, y₂)，通过获取两点在现场的实际空间距离d₁，计算图像距离与现实空间距离的比例尺S₁，

最后，结合BIM，可得所选取区域西北顶点O′相对塔吊坐标系的空间位置为(x_O′, y_O′, z_O′)，则工人i在塔吊坐标系下的空间位置为(x_O′+(x_{box_i}-x₀)×S₁, y_O′+(y_{box_i}-y₀)×S₁, z_O′)。

根据行业标准JG/T100—1999《塔式起重机操作使用规范》，本研究重点关注的空间关系为：在吊物起吊或放置过程中，工人是否位于吊物下方。若位于吊物下方，则记为一次危险场景。为实现这一判别过程，一方面需要连续追踪工人的空间位置，即判断在不同图像帧中识别的工人对象是否为同一人；另一方面，需要将工人和吊钩的空间位置结合分析，从而判别其空间关系是否存在危险。

为实现相邻图像帧之间的数据匹配，本研究设置相邻帧的检测结果距离阈值为d_c。首先计算当前帧所有检测对象识别框与上一帧所有检测对象识别框的Euclid距离。在阈值d_c范围内且距离最近的检测对象默认为同一人，赋予相同编号；若Euclid距离超出d_c，则给予检测对象新的编号。在这一过程中，将每帧图像中检测出的所有工人数据存储到t时刻的集合M_t中。具体实现流程如图 7所示。

图 7 相邻帧中工人空间位置匹配流程

图选项

在工人和吊钩空间坐标实时更新的基础上，将上述坐标数据映射至当前施工阶段的BIM模型中，如图 8所示。图中红色数字为工人编号。在映射过程中，根据现场吊物的常见尺寸，设置吊物投影至工人作业平面的危险区域直径。当工人空间位置与危险区域发生交互时，则判定为危险场景。至此，完成危险场景的自动检测。

图 8 工人与吊钩空间位置在BIM模型中的映射

图选项

本研究选取某产业基地施工项目作为应用案例，具体划定该项目西南方向的中心大楼施工现场作为监测区域。该区域长约66.3 m、宽约20.35 m，东北方向有一座塔吊，位置关系如图 9所示。该项目于2022年6月开始施工。考虑到施工进度和塔吊作业密度，本研究于10月开展了为期1个月的塔吊与工人空间交互下危险场景的自动检测。由于现场吊物常见类型为10 m左右长度的钢管、钢筋等物料，本研究设置以吊钩平面垂直投影点为圆心、以10 m为直径的圆形范围作为动态危险区域。此外，根据现场观察和对塔吊操作人员的访谈，吊物起吊及放下过程约为1 min，因此本研究重点关注该时间段内发生的危险场景次数。

图 9 案例区域塔吊位置关系

图选项

为保证数据收集的稳定性和持续性，本研究尽量选取体型轻便小巧的数据采集设备。通过在施工现场进行性能测试，最终选定的设备及其功能如表 1所示。

在2022年10月为期1个月的现场应用中，由于天气(风速过大导致无法开展塔吊作业或雨水天气导致工人停工)、工作安排(塔吊集中在现场其他区域执行任务)等原因，实际共收集15 d的有效数据。尽管10月1日至7日为节假日，但受施工进度安排的影响，现场作业并未停止。实时监测结果如图 10所示，可视化呈现界面如图 11所示。

图 10 2022年10月危险场景实时监测结果

图选项

图 11 案例项目塔吊与工人空间交互监测界面

图选项

从图 10和11可以看出，案例区域内每天危险场景的检测结果呈现出明显差异，最高可达523次，最低35次。这主要是由于在同一施工区域内，每天现场作业的工人人数存在显著差异。经观察，最少10余人，最多50余人，且人数变化与危险场景检测结果基本吻合。这验证了危险场景自动检测方法的适用性，以及对塔吊作业场景开展智能危险场景检测的必要性。

此外，每天该区域检测到的危险场景的发生数量处于较高水平。这表明在塔吊作业过程中，下方的作业人员对塔吊的运行轨迹并未保持足够的关注，仅有少数参与吊物装卸作业的工人位于适当的安全范围。因此，针对塔吊下方施工工人相对密集且危险系数较高的吊物作业，建议通过设置专门安全员或者预警广播来减少危险场景的发生。

本研究结合BIM、传感器和计算机视觉技术，构建了塔吊与工人空间交互下危险场景自动检测方法，包括危险场景自动检测框架、塔吊运行状态和工人作业状态数据收集方法，以及危险场景自动判别方法。针对塔吊运行过程中工人位于吊物下方这类常见且高危的危险场景，本研究实现了自动实时地智能化检测。在不干扰现场作业的前提下，本研究建立的自动检测方法充分提高了塔吊作业安全性，加强了信息技术手段的安全管控效果。案例应用表明，该方法能够有效且稳定地检测出现场存在的危险场景，以支持施工安全管理实践。

此外，本研究还存在一定的局限性。当塔吊高度较高时，作业过程中可能会发生轻微振动，导致传感器的数据采集结果受到一定的干扰。未来研究可考虑采用降噪手段减少振动对检测结果的影响。