## Tổng quan nghiên cứu

Ngành xây dựng là một trong những ngành công nghiệp lớn nhất thế giới với nhiều công việc đa dạng như xây dựng, kỹ thuật dân dụng, phá dỡ, cải tạo, sửa chữa và bảo trì. Theo thống kê toàn cầu, mỗi năm có khoảng 108.000 công nhân thiệt mạng do tai nạn lao động tại các công trường xây dựng, chiếm khoảng 30% tổng số tai nạn lao động gây tử vong. Tại Việt Nam, trong 6 tháng đầu năm 2022, ngành xây dựng chiếm tỷ lệ cao nhất về số vụ tai nạn và số người chết so với các lĩnh vực khác, với 3.518 vụ tai nạn và 299 người tử vong. Một trong những nguyên nhân chính gây tai nạn là hiện tượng té ngã khi thi công trên cao, đặc biệt trong công tác lắp đặt hệ mặt dựng.

Mục tiêu nghiên cứu là phát triển một hệ thống kiểm soát công tác lắp đặt hệ mặt dựng và an toàn lao động khi thi công trên cao bằng phương pháp lai ghép trí tuệ nhân tạo, cụ thể là ứng dụng thuật toán YOLOv8 để phát hiện và giám sát việc sử dụng thiết bị bảo hộ cá nhân (PPE). Nghiên cứu tập trung vào việc thu thập và xử lý bộ dữ liệu gồm 10.043 hình ảnh liên quan đến công tác thi công và thiết bị bảo hộ, xây dựng mô hình nhận diện đối tượng với độ chính xác cao và tốc độ xử lý lên đến 136 khung hình/giây, đáp ứng yêu cầu giám sát thời gian thực.

Phạm vi nghiên cứu được thực hiện tại các công trường xây dựng ở TP. Hồ Chí Minh trong giai đoạn từ tháng 2 đến tháng 6 năm 2023. Ý nghĩa của nghiên cứu không chỉ nâng cao hiệu quả quản lý an toàn lao động mà còn góp phần giảm thiểu tai nạn lao động, tăng năng suất và đảm bảo tiến độ thi công các công trình cao tầng sử dụng hệ mặt dựng.

---

## Cơ sở lý thuyết và phương pháp nghiên cứu

### Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết và mô hình sau:

- **Quản lý thi công lắp đặt hệ mặt dựng:** Bao gồm các tiêu chí kỹ thuật về cung cấp vật tư, vận chuyển, lắp đặt mô đun kính và các thiết bị bảo hộ lao động theo quy trình chuẩn, đảm bảo an toàn và hiệu quả thi công.
- **Quản lý an toàn lao động khi thi công trên cao:** Tập trung vào các biện pháp phòng ngừa tai nạn té ngã, sử dụng thiết bị bảo hộ cá nhân (PPE) như mũ bảo hộ, áo bảo hộ, giày bảo hộ và thiết bị chống rơi, cùng với các quy định pháp luật về an toàn lao động.
- **Thuật toán phát hiện đối tượng YOLOv8:** Là phương pháp học sâu (Deep Learning) dựa trên mạng nơ-ron tích chập (CNN), cho phép phát hiện và phân loại đối tượng trong ảnh với tốc độ và độ chính xác cao. YOLOv8 có 5 biến thể (YOLOv8n, s, m, l, x) với YOLOv8x cho độ chính xác cao nhất.
- **Phương pháp học sâu (Deep Learning):** Hỗ trợ máy tính tự học và cải thiện hiệu suất nhận diện qua dữ liệu lớn, giúp phát hiện các đối tượng nhỏ và phức tạp trong môi trường thi công.

### Phương pháp nghiên cứu

- **Nguồn dữ liệu:** Bộ dữ liệu gồm 10.043 hình ảnh được thu thập từ các công trường thi công hệ mặt dựng tại TP. Hồ Chí Minh, bao gồm các hình ảnh về công nhân, thiết bị bảo hộ và các cấu kiện thi công.
- **Phương pháp phân tích:** Sử dụng thuật toán YOLOv8x để huấn luyện mô hình nhận diện đối tượng, phân loại và phát hiện các thiết bị bảo hộ cá nhân và các hành vi không an toàn trong quá trình thi công. Mô hình được huấn luyện qua nhiều vòng lặp để tối ưu độ chính xác và tốc độ xử lý.
- **Timeline nghiên cứu:** Nghiên cứu được thực hiện từ tháng 2 đến tháng 6 năm 2023, bao gồm các giai đoạn thu thập dữ liệu, xây dựng mô hình, huấn luyện, kiểm tra và ứng dụng thực tế.
- **Phương pháp chọn mẫu:** Hình ảnh được chọn ngẫu nhiên từ nhiều công trường khác nhau nhằm đảm bảo tính đại diện và đa dạng của dữ liệu.
- **Lý do lựa chọn phương pháp:** YOLOv8x được lựa chọn do khả năng phát hiện đối tượng nhanh, chính xác, phù hợp với yêu cầu giám sát an toàn lao động trong môi trường thi công phức tạp và có thể tích hợp trên nền tảng đám mây để cảnh báo kịp thời.

---

## Kết quả nghiên cứu và thảo luận

### Những phát hiện chính

- Mô hình YOLOv8x đạt độ chính xác trung bình (mAP) trên 90%, vượt trội so với các biến thể YOLOv8 khác và các mô hình phát hiện đối tượng truyền thống như R-CNN, Faster R-CNN.
- Tốc độ xử lý của mô hình đạt trung bình 136 khung hình/giây, đáp ứng yêu cầu giám sát thời gian thực tại công trường.
- Mô hình có khả năng nhận diện chính xác 4 loại thiết bị bảo hộ cá nhân gồm mũ bảo hộ, áo bảo hộ, giày bảo hộ và thiết bị chống rơi, với độ chính xác lần lượt trên 92%, 90%, 88% và 85%.
- Qua ứng dụng thực tế tại một số công trường, hệ thống đã phát hiện và cảnh báo kịp thời các hành vi không tuân thủ quy định an toàn lao động, giảm thiểu nguy cơ tai nạn té ngã.

### Thảo luận kết quả

Nguyên nhân mô hình đạt hiệu quả cao là do việc thu thập bộ dữ liệu lớn và đa dạng, cùng với việc áp dụng thuật toán YOLOv8x có cấu trúc anchor-free và mô đun C2f giúp tăng khả năng nhận diện các vật thể nhỏ và phức tạp trong môi trường thi công. So với các nghiên cứu trước đây chỉ tập trung vào phát hiện mũ bảo hộ, nghiên cứu này mở rộng nhận diện nhiều loại thiết bị bảo hộ, phù hợp với yêu cầu thực tế thi công hệ mặt dựng trên cao.

Kết quả cũng cho thấy việc ứng dụng trí tuệ nhân tạo trong giám sát an toàn lao động có thể nâng cao hiệu quả quản lý, giảm thiểu sự phụ thuộc vào giám sát thủ công và hạn chế sai sót do con người. Dữ liệu có thể được trình bày qua biểu đồ đường cong Precision-Recall và ma trận nhầm lẫn để minh họa độ chính xác và hiệu suất của mô hình.

---

## Đề xuất và khuyến nghị

- **Triển khai hệ thống giám sát tự động:** Áp dụng mô hình YOLOv8x trên nền tảng đám mây để giám sát liên tục, cảnh báo kịp thời các vi phạm an toàn lao động, giảm thiểu tai nạn té ngã. Thời gian triển khai dự kiến trong 6 tháng, chủ thể thực hiện là các nhà thầu và đơn vị quản lý công trường.
- **Tăng cường đào tạo và nâng cao nhận thức:** Tổ chức các khóa huấn luyện thực tế kết hợp công nghệ AI để cải thiện ý thức và hành vi an toàn của công nhân, giảm tỷ lệ không sử dụng PPE xuống dưới 5% trong vòng 1 năm.
- **Phát triển bộ dữ liệu mở rộng:** Thu thập thêm dữ liệu hình ảnh từ nhiều công trường khác nhau để nâng cao khả năng tổng quát hóa của mô hình, đảm bảo hiệu quả trong mọi điều kiện thi công.
- **Xây dựng quy trình quản lý an toàn tích hợp:** Kết hợp công nghệ AI với các quy định pháp luật và tiêu chuẩn kỹ thuật hiện hành để xây dựng quy trình kiểm soát an toàn đồng bộ, minh bạch và hiệu quả.
- **Đầu tư thiết bị giám sát hiện đại:** Trang bị camera có độ phân giải cao, góc quay đa chiều để hỗ trợ mô hình nhận diện chính xác hơn, đặc biệt trong các khu vực thi công phức tạp.

---

## Đối tượng nên tham khảo luận văn

- **Nhà quản lý công trường xây dựng:** Hỗ trợ trong việc giám sát an toàn lao động, nâng cao hiệu quả quản lý và giảm thiểu rủi ro tai nạn.
- **Chuyên gia an toàn lao động:** Cung cấp cơ sở khoa học và công nghệ mới để phát triển các biện pháp phòng ngừa tai nạn hiệu quả hơn.
- **Nhà nghiên cứu và phát triển công nghệ AI:** Tham khảo mô hình ứng dụng thực tiễn của thuật toán YOLOv8 trong lĩnh vực xây dựng và an toàn lao động.
- **Các đơn vị đào tạo nghề xây dựng:** Áp dụng nội dung nghiên cứu để thiết kế chương trình đào tạo thực tế, nâng cao nhận thức và kỹ năng an toàn cho công nhân.

---

## Câu hỏi thường gặp

1. **Mô hình YOLOv8x có thể áp dụng cho các công trình xây dựng khác không?**  
   Mô hình có thể được điều chỉnh và huấn luyện lại với dữ liệu phù hợp để áp dụng cho nhiều loại công trình khác nhau, đảm bảo tính linh hoạt và hiệu quả.

2. **Hệ thống giám sát có thể phát hiện các hành vi vi phạm an toàn khác ngoài việc không sử dụng PPE không?**  
   Hệ thống có thể mở rộng để nhận diện các hành vi như leo trèo không đúng cách, di chuyển trong khu vực nguy hiểm, giúp quản lý kịp thời.

3. **Chi phí triển khai hệ thống AI này có cao không?**  
   Chi phí đầu tư ban đầu có thể cao nhưng về lâu dài giúp giảm thiểu tai nạn, tiết kiệm chi phí bồi thường và nâng cao năng suất lao động.

4. **Dữ liệu hình ảnh thu thập có đảm bảo quyền riêng tư của công nhân không?**  
   Dữ liệu được xử lý và lưu trữ theo quy định bảo mật, chỉ sử dụng cho mục đích giám sát an toàn và không chia sẻ trái phép.

5. **Mô hình có thể hoạt động hiệu quả trong điều kiện ánh sáng yếu hoặc thời tiết xấu không?**  
   Mô hình được huấn luyện với dữ liệu đa dạng, tuy nhiên cần bổ sung thêm hình ảnh trong các điều kiện này để nâng cao độ chính xác.

---

## Kết luận

- Thuật toán YOLOv8x cho phép phát hiện thiết bị bảo hộ và hành vi an toàn lao động với độ chính xác trên 90% và tốc độ xử lý 136 khung hình/giây.  
- Nghiên cứu đã xây dựng thành công mô hình nhận diện đối tượng phục vụ kiểm soát công tác lắp đặt hệ mặt dựng và an toàn lao động trên cao.  
- Hệ thống giám sát tự động giúp giảm thiểu tai nạn lao động, nâng cao hiệu quả quản lý và đảm bảo tiến độ thi công.  
- Đề xuất triển khai hệ thống giám sát tích hợp AI trên nền tảng đám mây, kết hợp đào tạo và xây dựng quy trình quản lý an toàn đồng bộ.  
- Hướng nghiên cứu tiếp theo tập trung mở rộng bộ dữ liệu, nâng cao khả năng nhận diện trong điều kiện phức tạp và phát triển các ứng dụng AI hỗ trợ quản lý xây dựng thông minh.

**Hành động tiếp theo:** Các đơn vị quản lý và nhà thầu nên phối hợp triển khai thử nghiệm hệ thống tại các công trường trọng điểm, đồng thời đào tạo nhân sự vận hành và bảo trì hệ thống để đạt hiệu quả tối ưu.