建筑业安全事故频发,工人不安全行为是安全事故发生的主要原因之一。传统的不安全行为管控措施主要依赖人工方式,力度不足、效果不佳,且监控相机拍摄的大量图像未能得到有效处理。近年来,新兴技术的快速发展为不安全行为的自动识别提供了有效支持。特别是,计算机视觉技术不需要在工人身上附着设备,对其作业影响较小,且能够对大量图像数据进行及时快速处理,因此更适用于施工现场环境。然而,当前相关研究主要聚焦于生产率分析,对不安全行为识别的研究较少,且局限于个别不安全行为的识别。同时,不安全行为识别对特征细度、识别实时性等要求较高,这也为不安全行为识别研究带来了挑战。本研究的目的是从系统性、实时性和精细性的角度研究并构建基于计算机视觉技术的工人不安全行为识别方法。首先,在文献综述的基础上,从行为识别视角对工人不安全行为进行分类,选取支撑行为识别的关键元素(工人基本信息、工人动作和实体间关系)对不安全行为进行结构化描述。然后,针对实体间关系与工人动作,分别选取Mask R-CNN(Region-Convolutional Neural Networks)和LSTM(Long Short-Term Memory)网络构建其识别方法。最后,选取施工现场两项常见的不安全行为,即在梯子上爬得过高与安全带使用不当,分别对构建的方法进行实证分析。结果显示:1)在梯子实验中,所训练的实体识别模型在0.85的置信度阈值下,工人的精确率与召回率分别达到了97.3%与92.4%,梯子的精确率与召回率分别达到了97.1%与91.4%;通过比较膝盖关节点与梯子顶部点而识别出的安全关系的精确率与召回率均为92%,危险关系的精确率与召回率均为73.5%。2)在安全带实验中,选取特征动作以支持安全带使用情况的判别,其中三类行走动作的平均精确率为90.5%,挂安全带动作与解安全带动作的精确率分别为50%和75%。尽管挂安全带动作的识别精度稍低,但通过与其他动作的综合应用可以辅助判别安全带使用情况。由上述结果可以看出,本研究构建的不安全行为识别方法是适用的、可行的。本研究通过对施工现场工人不安全行为的识别,一方面有助于现场危险行为的管控与预警,另一方面长期收集的大量数据可辅助安全管理决策,从而减少施工现场安全事故的发生,提升安全管理水平。