让我们从本文的结论开始——通过实时分析7x24小时的视频信号，AI和机器学习正在减少建筑工地的事故、盗窃、破坏和危险的操作环境。同时，获得有关威胁的预测性见解和信息。根据美国国家设备登记局的数据，建筑工地的盗窃每年造成的损失通常超过10亿美元。最新型号的设备、工具和用品最容易被盗，也最难找回。具体而言，只有25%的被盗建筑设备被找回，估计每年因事故和伤害给建筑行业增加了130亿美元的成本。因此，提高施工现场安全性的紧迫性很高。依靠机器学习提高施工现场安全根据具体施工现场的具体条件、因素、位置和状态分析，是否以及如何导致更大的现场安全和风险，最适合机器学习来展示其力量。未来，用于保护建筑工地的远程监控系统将依靠机器学习算法来挖掘历史数据中的新范式。同时，基于机器学习的远程监控系统也将依靠物联网传感器，结合夜视、红外和热像仪来收集实时数据流。通过将历史视频流和图像与实时数据流相结合，基于机器学习的远程监控系统可以对潜在事故、盗窃或危险操作环境进行预测性识别。AI可以提高建筑工地安全的10种方法建筑安全和安保行业的资深从业者最近基于云的讨论中最有价值的收获之一是标准化的基于机器学习的远程在误报中节省了多少时间。在迈阿密、亚特兰大和芝加哥管理正在进行的建筑项目的安全主管说，机器学习几乎消除了他建筑工地上的误报。“我们的团队已经根据我们业务的特定模式对机器学习算法进行了微调，它几乎消除了误报，并专注于更准确地预测盗窃和闯入企图，”他解释道。基于电话会议中的思想碰撞，我们总结了AI提升工地安全的10条途径：1.减少对现场安保团队的依赖，通过监控获得365天全天候的安全保障。各工地气象监测视图。所有建筑安全和安保从业者都表示，这是基于云的远程监控系统最有价值的部分，能够接受来自物联网、数字、热成像和红外摄像机的数据。当然，现场安全团队仍然必不可少，但拥有实时、始终在线的监控以提供数据流来训练模型也是非常宝贵的。2.通过识别工人是否穿戴个人防护装备(PPE)，可以减少工伤和潜在的责任诉讼。借助由机器学习算法提供支持的高级模式匹配功能，从业人员可以识别高风险任务和工作区域的工人是否佩戴了PPE。建筑工地在大流行期间继续运营，因此在许多情况下，每个人都必须戴上口罩以符合CDC的要求。有了远程监控系统，一眼就能知道哪些工作人员没有戴口罩。3.放弃清单、例程和其他手动安全审计方法，直接切换到实时监控，在几秒钟内提取趋势和图形分析。从业者表示，他们目前最大的挑战是如何节省现场施工队伍的宝贵时间，因为他们不知道有项目的城市什么时候会重新实施封锁或隔离。将机器学习技术与现场数据相结合，并将这些数据放在直观的仪表板上，可以将手动工作流程减少5倍或更多。4、施工现场的实时安全监控越好，施工过程就越灵活。从业者指出，建筑工地捕获和解释实时传感器和视频数据的能力越好，其施工过程的适应性就越强。也就是说，这些初始投资将通过流程改进为您带来回报。5.支持智能标签和关键事件上下文线索的高级视频分析技术的到来将进一步提高基于机器学习的远程监控系统的预测准确性。目前，远程监控行业的大部分研发支出都投资于从视频的每一帧中获取更高级别的情报线索，明年我们预计会看到有关远程监控系统高级模式匹配和预测准确性的新专利。6.实时预测网络和物理双重威胁对建设项目的影响，创建特定算法，为特定系列事件分配风险评分。远程监控系统开发最引人入胜的方面之一是如何关联物理和网络事件。例如，假设特定建筑工地的系统受到网络攻击。在这种情况下，可以提高监视和预测目标物理系统的准确性，以阻止物品的盗窃和破坏。7.对每个建设项目进行风险评分，然后分析需要改进哪些因素以减少设备和材料盗窃的威胁。同时，基于相关盗窃数据，利用机器学习建立预测模型，判断小偷何时再次下手。从业者说，这就是为什么每个项目都从录制视频数据开始，这些视频数据可用于训练机器学习模型并预测未来的盗窃企图。8.通过识别和跟踪无法进入工作现场的入侵者的移动来减少工业间谍活动的威胁。建筑行业的工业间谍活动可能耗资数十亿美元，尤其是在包含专有技术的芯片代工厂中。因此，保持工地安全始于有效的基于人工智能的远程监控策略。9.找出建筑材料被盗的时间、地点和方式，以控制成本并使工作场所更安全。每年，重大建设项目中有10%至25%的材料被盗并转售。阻止盗窃对于有利可图的建设项目至关重要，这就是从业者转向远程监控的原因。10.确保建筑工地符合OSHA（职业安全与健康条例）和相关合规要求，同时为审计员创建实时审计跟踪。安全和安保行业内部人士表示，准备OSHA审核可能需要数周甚至数月的前期工作。实时监控系统可以按需生成报告，每年节省数百小时的审计准备时间。
