李亚伟， 陈文铿， 林鸿强， 张旭生， 陈子健， 林进浔， 陈国栋

（1 福州大学物理与信息工程学院， 福州 350108； 2 福建数博讯信息科技有限公司， 福州 350002）

0 引 言

塔式起重机（又名“塔吊”），是建筑工地上常用的起重设备，纵观国内塔吊租赁行业，每年塔吊安全事故都有发生。 据有关部门统计，目前国内塔吊重大安全事故率约为0.3%，多数情况都是由驾驶人员的违规操作造成的，且一旦发生事故，驾驶人员的生还率极低。

目前，对于驾驶人员的行为规范监测研究中，基于面部识别的驾驶员疲劳危险驾驶检测系统［1-2］针对眨眼和打哈欠时的人脸特征点进行建模、提取和训练，通过疲劳阈值来判断是否疲劳驾驶，但疲劳阈值的设定存在因人而异，泛化能力不够的问题；基于双向长短记忆网络［3-4］的异常驾驶行为的检测方法，通过构建前向LSTM（Long Short-Term Memory）和后向LSTM 双向网络来记忆过去时刻的车辆运动状态（横纵向加速度和转向角等），再将结果输入到全连接层中回归分类异常驾驶行为（急刹车和急拐弯等），但此方法并不适用于塔吊驾驶人员检测；多任务级联卷积神经网络MTCNN［5］结合人脸识别方法，同时对手机和烟头进行检测，通过级联结构达到较高的人脸检测对齐速度，构建其关联性，来判断驾驶人员是否存在违规行为，但若驾驶人员使用手机时离脸部较远会出现漏判情况；双线性注意力网络［6］在RNN 的基础上引入了长短时记忆单元，拥有了记忆功能，解决了RNN 的梯度消失问题，构建了多重损失网络的结构，能对多种分心行为进行分类，但每个LSTM 的神经元都连接多个全连接层，对设备的算力、内存要求高，而且耗时，较难在移动端实施实时性部署；……