在工程管理方面，本项目指导老师作为主要承担者参与了国家和上海市近20项重大重点基础设施建设项目，如虹桥交通枢纽、宁杭高铁、上海迪士尼乐园、宁杭高铁、宁安高铁、安九高铁等，拥有丰富的工程建设管理经验。

近年来，随着人工智能算法的快速发展和摄像硬件的普遍安装，本项目指导老师积极主持和参与计算机视觉应用于工程管理方面的研究和开发，所在的课题组在计算机视觉应用于工程管理方面已有较好的研究积累。

本项目指导老师及所在课题组开发基于背景消除法和帧差法的非法侵入研究，相关成果已发表在多个SCI期刊上，例如2018年发表于安全领域的顶级期刊Safety Science （影响因子4.105）等。

近一年来，本项目指导老师探索基于深度学习和计算机视觉的工程管理研究，开发基于YOLOv5s模型的施工人员侵入危险区域的智能监测算法，并已对长达1600余小时的视频文件进行处理和分析。

本项目指导教师正在承担的相关科研课题有：

（1）上海市“科技创新行动计划”社会发展科技攻关项目“基于人工智能的物业风险管理处置及预测关键技术与系统”（项目编号：20dz1201300）——以计算机视觉为主要工具和基础，对历史保护建筑物业管理中安全风险开展实时监测、自动识别、智慧管理进行相关研究。

依托本项目指导教师正在承担的上海市“科技创新行动计划”社会发展科技攻关项目“基于人工智能的物业风险管理处置及预测关键技术与系统”（项目编号：20dz1201300），以及上海市住房和城乡建设管理委员会2021年科研项目计划课题“基于计算机视觉的施工工程安全风险智能管控关键技术研究”（课题编号：沪建科2021-002-049），为本项目的研究提供配套经费支持、研究实验条件支持、研究成果应用验证场所支持。

施工人员侵入危险区域的行为是施工现场发生频繁、伤亡率高的一种典型不安全行为，其产生原因主要由于施工人员在工地走动时违反安全规定、寻找捷径以及没注意到危险区域界限标识或其他人员机械的活动轨迹等因素导致。结合计算机视觉等方面技术，可以通过对施工危险区域和人员行为的动态监测实现对上述入侵行为的实时识别。但如何对施工人员侵入危险区域的不安全行为的风险进行评估，是实现对上述入侵行为进行提前预警并开展有效管理的关键。

施工人员侵入危险区域的不安全行为本质上是一种空间冲突行为，其中，人的运动特征是该不安全行为评估分析的主要指标。以往研究证明，由于施工现场环境复杂、人员目标较多，大面积的跟踪识别成本较高，不利于实际应用。并且，由于施工人员存在明显的个体差异，如何确保上述入侵行为的风险评估准确度，也是施工安全管理的难点。对此，通过引入施工人员侵入危险区域的不安全行为的人体运动学特征，将其与上述入侵行为发生的场景特点相结合，在特定的区域根据关键的风险评估因素（如人体运动特征信息等），同时考虑不同入侵人员的个体特征，是实现施工人员入侵危险区域的不安全行为风险等级判定的一种可行方法。

因此，本课题针对施工人员侵入危险区域这一容易引发各类施工安全事故的典型不安全行为，将其发生场景特点与入侵行为的人体运动特征、入侵人员个体特征相结合，提出一种结合计算机视觉技术和人体运动学理论的不安全行为风险智能化评估方法。该方法通过建立入侵识别缓冲区，应用计算机视觉人体骨架识别技术，结合入侵行为人体运动特征数据和专家经验，对施工人员的入侵行为进行风险评估，为现场安全管理提供针对性管理建议。

本课题的主要研究内容包括：（1）个性化缓冲区建立方法；（2）结合人体运动信息的施工人员目标识别；（3）施工人员入侵行为风险评估方法；（4）实验设计、数据采集和案例分析。