Tổng quan nghiên cứu

Theo thống kê của Bộ Lao động - Thương binh và Xã hội, trong năm 2021 toàn quốc đã ghi nhận 5.797 vụ tai nạn lao động làm 602 người tử vong và 1.226 người bị thương nặng. Trong đó, ngành xây dựng chiếm tỷ lệ nghiêm trọng nhất với 10,61% tổng số vụ tai nạn chết người và 10,26% tổng số nạn nhân tử vong. Nguyên nhân hàng đầu dẫn đến các tai nạn thương tâm bắt nguồn từ việc người lao động vi phạm quy trình an toàn, đặc biệt là không trang bị hoặc sử dụng sai quy cách các trang thiết bị bảo hộ lao động cá nhân. Trong khi đó, quy mô thị trường xây dựng toàn cầu được dự báo tăng trưởng mạnh từ 6,3 nghìn tỷ USD lên 15 nghìn tỷ USD, tương đương mức tăng 70%, đòi hỏi công tác quản trị rủi ro tại các dự án phải có bước chuyển dịch công nghệ tương xứng.

Vấn đề cốt lõi hiện nay là công tác kiểm soát an toàn tại đa số công trường xây dựng vẫn phụ thuộc hoàn toàn vào phương thức tuần tra thủ công của cán bộ an toàn. Cách tiếp cận truyền thống này bộc lộ nhiều hạn chế do tầm quan sát bị che khuất, thiếu tính liên tục và dễ bỏ sót các trường hợp vi phạm tại những thời điểm cao điểm. Nhằm giải quyết triệt để rủi ro trên, luận văn tập trung nghiên cứu giải pháp tự động hóa kiểm soát an toàn lao động thông qua mô hình lai ghép trí tuệ nhân tạo.

Mục tiêu cụ thể của đề tài là xây dựng hệ thống thị giác máy tính tích hợp tại cổng ra vào công trường, có khả năng nhận diện tự động 4 nhóm thiết bị bảo hộ chính gồm mũ bảo hộ, áo phản quang, giày bảo hộ và khẩu trang, đồng thời định danh chính xác đối tượng vi phạm theo thời gian thực. Nghiên cứu được triển khai thực nghiệm trên dữ liệu camera giám sát tại một dự án nhà xưởng công nghiệp trong giai đoạn từ tháng 9 năm 2022 đến tháng 1 năm 2023. Kết quả ứng dụng công nghệ này mở ra tiềm năng cắt giảm hơn 60% nhân lực kiểm soát thủ công, nâng cao ý thức tuân thủ kỷ luật lao động và giảm thiểu tối đa các sự cố đáng tiếc trên công trường.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng lý thuyết thị giác máy tính và học sâu (Deep Learning), kết hợp chặt chẽ giữa các kiến trúc mạng nơ-ron tích chập (Convolutional Neural Networks - CNN) và các giải thuật theo dõi đa đối tượng. Mô hình nghiên cứu tích hợp ba trụ cột công nghệ chính:

Thứ nhất, mô hình nhận diện đối tượng thời gian thực YOLOv5 (You Only Look Once phiên bản 5s) đóng vai trò bóc tách các đặc trưng hình ảnh và dự đoán đồng thời vị trí không gian cùng xác suất nhãn của thiết bị bảo hộ chỉ qua một lần truyền dữ liệu.

Thứ hai, thuật toán theo dõi đa đối tượng Deep SORT (Simple Online and Realtime Tracking with a Deep Association Metric) giúp duy trì định danh duy nhất cho từng công nhân xuyên suốt các khung hình video, giải quyết bài toán mất dấu khi đối tượng bị che khuất cục bộ.

Thứ ba, sự kết hợp giữa thuật toán phát hiện khuôn mặt SCRFD và mô hình trích xuất đặc trưng ArcFace sử dụng kiến trúc nền ResNet-100 nhằm phân loại danh tính người lao động với độ chính xác cao.

Bên cạnh đó, nghiên cứu vận dụng các khái niệm quản trị an toàn lao động theo quy chuẩn của Luật Xây dựng số 50/2014/QH13, Luật An toàn, vệ sinh lao động số 84/2015/QH13 và Thông tư số 04/2017/TT-BXD, biến các quy định pháp lý thành các chỉ số kiểm soát tự động trên hệ thống số.

Phương pháp nghiên cứu

Về nguồn dữ liệu, tác giả thu thập và chuẩn hóa bộ dữ liệu hơn 3.000 hình ảnh thực tế từ nền tảng Kaggle và các nguồn lưu trữ mở chuyên ngành xây dựng, kết hợp cùng các đoạn video clip ghi hình thực tế tại cổng công trường thi công nhà xưởng. Cỡ mẫu này được phân chia theo tỷ lệ chuẩn gồm 70% dữ liệu dùng cho tập huấn luyện (training set), 20% cho tập kiểm định (validation set) và 10% cho tập kiểm tra độc lập (test set).

Phương pháp chọn mẫu có chủ đích được áp dụng nhằm bao quát đa dạng các kịch bản công trường: điều kiện ánh sáng thay đổi từ sáng sớm đến chiều muộn, các góc quay camera khác nhau, tư thế di chuyển và hiện tượng che khuất giữa các nhóm công nhân.

Lý do lựa chọn chuỗi thuật toán lai ghép YOLOv5s, Deep SORT và ArcFace xuất phát từ yêu cầu tối ưu hóa cân bằng giữa tốc độ xử lý và độ chính xác nhận diện. Mô hình YOLOv5s có cấu trúc gọn nhẹ, giảm thiểu tài nguyên phần cứng tính toán nhưng vẫn đảm bảo khả năng xử lý dòng video đạt từ 25 đến 30 khung hình mỗi giây. Toàn bộ quy trình từ khâu thu thập, gán nhãn dữ liệu, huấn luyện mô hình trên môi trường đồ họa GPU cho đến kiểm thử tích hợp phần mềm được thực hiện liên tục trong 5 tháng, từ tháng 9 năm 2022 đến tháng 1 năm 2023.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm và kiểm tra mô hình lai ghép trên tập dữ liệu kiểm thử độc lập cùng video thực tế tại công trường đã mang lại những kết quả định lượng cụ thể:

Thứ nhất, mô hình YOLOv5s đạt độ chính xác trung bình vượt trội trên 88% đối với các lớp trang thiết bị bảo hộ chính. Cụ thể, mũ bảo hộ đạt độ chính xác nhận diện 92,4%, áo bảo hộ phản quang đạt 89,6%, khẩu trang y tế đạt 86,1% và giày bảo hộ đạt 84,3%. Sự chênh lệch giữa các lớp xuất phát từ vị trí và kích thước vật thể, trong đó mũ và áo có diện tích hiển thị lớn ở phần thân trên nên tỷ lệ nhận biết cao hơn khoảng 5% đến 8% so với giày bảo hộ ở sát mặt đất.

Thứ hai, giải thuật Deep SORT duy trì định danh đối tượng với tỷ lệ lỗi chuyển đổi ID dưới 7,5%. Ngay cả khi công nhân di chuyển thành nhóm từ 3 đến 5 người và xảy ra hiện tượng che khuất cục bộ từ 30% đến 40% diện tích cơ thể, hệ thống vẫn tái nhận diện chính xác danh tính khi đối tượng xuất hiện trở lại trong tầm quan sát.

Thứ ba, mô hình nhận diện khuôn mặt ArcFace kết hợp thuật toán SCRFD đạt tỷ lệ khớp danh tính 94,8% khi đối chiếu với cơ sở dữ liệu nhân sự nội bộ, với thời gian xử lý trích xuất đặc trưng chỉ mất khoảng 0,04 giây cho mỗi khuôn mặt.

Thứ tư, hệ thống phần mềm hoàn chỉnh xử lý mượt mà luồng video đầu vào ở tốc độ trung bình 28 khung hình mỗi giây (FPS), đáp ứng hoàn hảo tiêu chuẩn kiểm soát an toàn thời gian thực tại cổng dự án.

Thảo luận kết quả

Hiệu năng cao của mô hình được minh chứng thông qua các biểu đồ đường cong Precision - Recall và đồ thị F1 - Confidence. Khi ngưỡng tin cậy được thiết lập ở mức 0,5, điểm F1 của toàn bộ các lớp thiết bị đều duy trì ở mức trên 0,85, chứng minh sự cân bằng tối ưu giữa việc tránh bỏ sót lỗi và hạn chế cảnh báo sai. Trong các bảng thống kê suy hao, hàm mất mát hồi quy tọa độ và phân loại nhãn giảm đều đặn sau 100 chu kỳ huấn luyện (epochs), cho thấy mô hình học sâu hội tụ rất tốt mà không gặp hiện tượng quá khớp (overfitting).

Khi so sánh với các nghiên cứu sử dụng kiến trúc hai giai đoạn truyền thống như Faster R-CNN, mô hình YOLOv5s trong nghiên cứu này mang lại tốc độ xử lý nhanh hơn gấp 2,5 lần trong khi dung lượng lưu trữ trọng số giảm hơn 65%. Khả năng liên kết dữ liệu vi phạm và tự động xuất báo cáo dưới định dạng bảng tính Excel và tệp tin CSV giúp số hóa toàn diện quy trình kiểm tra an toàn. Điều này khắc phục triệt để sự thiếu nhất quán của phương pháp thủ công, tạo lập cơ sở minh bạch để ban chỉ huy đánh giá mức độ tuân thủ nội quy của từng tổ đội thi công.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, tác giả đề xuất 4 nhóm giải pháp mang tính ứng dụng cao nhằm nâng cao hiệu quả kiểm soát an toàn lao động tại các dự án xây dựng:

  1. Lắp đặt hệ thống camera giám sát thông minh tích hợp mô hình AI tại 100% cổng ra vào và các khu vực thi công trọng điểm. Ban chỉ huy công trường phối hợp cùng nhà thầu chính hoàn thiện hạ tầng thiết bị trong vòng 3 tháng đầu của giai đoạn chuẩn bị thi công, hướng tới mục tiêu tự động hóa 90% công tác điểm danh an toàn đầu ca.

  2. Chuẩn hóa quy trình số hóa hồ sơ nhân sự và dữ liệu khuôn mặt công nhân ngay khi ký hợp đồng lao động. Bộ phận quản lý an toàn và phòng nhân sự thực hiện thu thập ảnh chân dung đa góc độ và cập nhật định kỳ hàng tuần lên hệ thống cơ sở dữ liệu nội bộ, đảm bảo độ phủ nhận diện đạt trên 98% lực lượng lao động tại dự án.

  3. Thiết lập cơ chế cảnh báo vi phạm tức thì và xuất báo cáo tự động theo chu kỳ 24 giờ. Kỹ sư an toàn lao động sử dụng bảng dữ liệu vi phạm được trích xuất tự động để nhắc nhở, lập biên bản xử phạt hành chính đối với các trường hợp cố tình không mang đầy đủ trang bị bảo hộ, phấn đấu giảm 80% số lượt vi phạm sau 4 tuần triển khai.

  4. Bổ sung các tiêu chuẩn kỹ thuật về ứng dụng trí tuệ nhân tạo trong công tác giám sát an toàn vào hồ sơ mời thầu và nội quy công trường. Cơ quan quản lý nhà nước và các chủ đầu tư lớn cần xây dựng khung hướng dẫn công nghệ trong giai đoạn 2023 - 2025, tạo động lực thúc đẩy các nhà thầu thi công đầu tư chuyển đổi số cho an toàn lao động.

Đối tượng nên tham khảo luận văn

  1. Ban chỉ huy công trường và Kỹ sư an toàn lao động (HSE): Tài liệu cung cấp công cụ tự động hóa công tác kiểm tra bảo hộ, giúp giảm 60% áp lực giám sát thủ công, quản lý dữ liệu vi phạm minh bạch và xây dựng các biện pháp phòng ngừa rủi ro kịp thời.

  2. Lãnh đạo doanh nghiệp xây dựng và Chủ đầu tư dự án: Luận văn là cơ sở thực tiễn để lập kế hoạch đầu tư công nghệ số, tối ưu hóa chi phí vận hành an toàn, nâng cao uy tín thương hiệu và đảm bảo tiến độ thi công thông suốt không bị gián đoạn bởi tai nạn lao động.

  3. Kỹ sư công nghệ thông tin và Nhà nghiên cứu thị giác máy tính: Nghiên cứu đóng vai trò là tài liệu tham khảo chuyên sâu về phương pháp lai ghép các thuật toán hiện đại gồm YOLOv5, Deep SORT, SCRFD và ArcFace, xử lý hiệu quả bài toán nhận diện đối tượng trong môi trường công nghiệp phức tạp.

  4. Giảng viên và Học viên cao học chuyên ngành Quản lý xây dựng: Công trình là một điển hình nghiên cứu liên ngành giá trị, kết hợp hài hòa giữa kỹ thuật quản lý xây dựng truyền thống và công nghệ trí tuệ nhân tạo 4.0, phục vụ đắc lực cho công tác giảng dạy và phát triển các đề tài nghiên cứu tiếp theo.

Câu hỏi thường gặp

Mô hình lai ghép AI trong luận văn bao gồm những thuật toán cốt lõi nào? Hệ thống kết hợp 4 thuật toán tiên tiến: YOLOv5s phụ trách nhận diện các trang thiết bị bảo hộ, Deep SORT đảm nhiệm theo dõi hướng di chuyển và duy trì mã định danh công nhân, thuật toán SCRFD phát hiện vùng khuôn mặt và mạng ArcFace ResNet-100 trích xuất đặc trưng để xác định danh tính người lao động với độ chính xác trên 94%.

Tại sao nghiên cứu chỉ tập trung nhận diện 4 loại thiết bị bảo hộ là mũ, áo, giày và khẩu trang? Đây là 4 trang thiết bị bảo vệ cá nhân bắt buộc cơ bản nhất theo Thông tư 04/2017/TT-BXD, có tần suất sử dụng 100% tại mọi vị trí công trường. Các thiết bị này có đặc trưng màu sắc, hình học rõ nét và nằm ở các vị trí thuận lợi giúp camera lắp đặt tại cổng ghi nhận dữ liệu đạt độ chính xác trên 85%.

Hệ thống xử lý như thế nào khi công nhân bị che khuất hoặc di chuyển thành nhóm đông người? Nhờ tích hợp thuật toán Deep SORT kết hợp bộ lọc Kalman và vector đặc trưng ngoại quan, hệ thống có khả năng dự đoán quỹ đạo chuyển động. Khi công nhân bị che khuất từ 30% đến 40% diện tích cơ thể, mã định danh ID vẫn được giữ nguyên và tái nhận diện chuẩn xác ngay khi rời khỏi vùng che chắn.

Yêu cầu về cấu hình phần cứng để vận hành mô hình này trên công trường có tốn kém không? Nhờ sử dụng phiên bản tối ưu hóa YOLOv5s kết hợp bộ công cụ OpenVINO, mô hình được tinh gọn kích thước và giảm thiểu đáng kể tài nguyên tính toán. Hệ thống có thể vận hành ổn định trên các máy tính trạm phổ thông trang bị GPU tầm trung với mức chi phí đầu tư rất hợp lý cho một dự án xây dựng.

Dữ liệu vi phạm an toàn của công nhân được lưu trữ và sử dụng ra sao? Mỗi khi phát hiện trường hợp thiếu thiết bị bảo hộ, hệ thống tự động ghi lại ảnh chụp bằng chứng, thời gian chính xác, vị trí vi phạm và mã số nhân sự. Toàn bộ thông tin được tổng hợp tự động thành tệp tin CSV hoặc bảng tính Excel, giúp cán bộ an toàn lập báo cáo định kỳ chỉ trong vài phút.

Kết luận

  1. Nghiên cứu đã chứng minh tính khả thi và hiệu quả vượt trội của việc ứng dụng mô hình lai ghép trí tuệ nhân tạo trong kiểm soát an toàn lao động tại công trường xây dựng.

  2. Chuỗi thuật toán tích hợp YOLOv5s, Deep SORT, SCRFD và ArcFace đạt độ chính xác nhận diện thiết bị bảo hộ và định danh công nhân trung bình từ 84% đến trên 94%.

  3. Hệ thống xử lý video thời gian thực đạt tốc độ 28 khung hình mỗi giây, đáp ứng hoàn toàn yêu cầu giám sát tự động liên tục tại cổng ra vào dự án.

  4. Giải pháp đã số hóa thành công quy trình quản lý vi phạm an toàn, tự động xuất dữ liệu báo cáo giúp giảm thiểu hơn 60% nhân lực kiểm soát thủ công.

  5. Trong lộ trình 6 đến 12 tháng tới, các doanh nghiệp xây dựng cần nhanh chóng thí điểm tích hợp hệ thống AI này vào quy trình điều hành để hiện đại hóa công tác an toàn lao động.

Đã đến lúc các nhà thầu và ban quản lý dự án chủ động đón đầu làn sóng chuyển đổi số, áp dụng giải pháp trí tuệ nhân tạo vào kiểm soát công trường nhằm bảo vệ an toàn tính mạng cho người lao động và kiến tạo môi trường xây dựng bền vững, văn minh.