根据美国国家设备注册局公布的数据，建筑盗窃造成的损失每年往往超过10亿美元。最新型号的设备、工具与用品的被盗可能性最高，追回的几率也最小。目前只有25%的被盗建筑设备能够被成功追回。再加上每年因事故及伤害事件造成的成本，建筑行业不得不承受高达13/亿美元的意外支出。从这个角度来看，改善建筑现场安全水平的需求已经变得愈发迫切。

通过对特定建筑现场的具体条件、因素、位置以及阶段进行分析，机器学习技术能够有效发现并预测出当前工地安全状况与安全风险。着眼于当下乃至未来，将有越来越多的建筑工地远程监控系统采用有监督机器学习算法从历史数据中发现种种新模式。基于机器学习技术的远程监控系统将与物联网传感器、夜视、红外以及热感测摄像机相结合，共同捕捉实时数据流。

通过将历史视频馈送及图像与实时数据馈送结合起来，基于机器学习技术的远程监控系统能够预测到潜在的事故、盗窃或危险操作何时可能发生。基于AI的远程监控系统供应商正在持续推动相关创新举措，包括在仪表板上引入更为直观的设计，以及将这类系统平台方法扩展到全球范围之内。作为这一领域中的领导者，Twenty20 Solutions推出基于云的平台与实用方案，由此为远程施工安全树立起新的标杆。Twenty20 Solutions的远程监控系统可完全依靠浏览器呈现，支持地理位置应用(例如RFID、GPS及雷达感知)，并提供可供用户调整的定制化仪表板。以下为Twenty20 Solutions仪表板示意图：

在最近与多位已经采用标准化机器学习远程监控系统的建筑安全保障负责人进行的电话会议中，我们了解到这类方案确实能够减少误报、节约大量时间。

一位负责迈阿密、亚特兰大以及芝加哥等地建设项目的安全主管表示，机器学习确实有效消除了他所在建筑工地上的误报问题。他解释道，“我们团队对机器学习算法做出了微调，旨在适应特定运营模式，在几乎彻底消除了误报的同时，进一步提高了对盗窃预测与意外闯入行为的预测能力。”

所有建筑安全负责人均表示，这也是云远程监控系统最具价值的优势，其能够接收来自物联网、数字、热像仪以及红外探头的数据。虽然建筑方仍然需要组织实地团队，但这种实时且始终在线的监控能力，确实能够以数据流为载体提供强大模型与洞见支持。

使用有监督机器学习算法所支持的高级模式匹配，施工安全及安全负责人可以根据工人们穿着PPE的情况快速识别出高风险角色及工作区域。例如，面对席卷全球的COVID-19疫情，目前仍在施工的现场必须要求每位工作人员佩戴口罩，这也是各国疾控中心提出的统一要求。远程监控系统能够立即发现那些需要警告、引导以保持合规要求的施工团队。

安全与安保负责人们指出，他们目前最大的挑战在于如何帮助现场施工团队节约时间。他们不清楚当前项目所在城市何时会突然宣布再次实施隔离或封锁。据与会负责人们所言将机器学习技术与可通过直观仪表板随时访问的现场数据相结合，目前的工作效率相较于纯手动方式提高了至少5倍。

各位负责人表示，建筑现场在捕捉及解释实时传感器与视频数据方面的能力越强，其施工流程的灵活性就越高。虽然最初只是为了达成物理与网络安全保障而建立，但这种新的数据洞察能力确实能够为流程改进做出贡献、进而增加运营收益。

目前，整个远程监控行业的研发支出，主要集中在通过各个视频帧提取更多上下文情报之上。希望能够在新的一年中，看到能够定义高级模式匹配、进而提高远程监控系统预测准确性的更多技术专利。

远程监控系统当中，最值得期待的开发工作就是尝试将物理事件与网络事件关联起来。例如，假设特定建筑现场的系统遭遇网络攻击，那么将二者结合起来将提高防御方对于安全态势的监控与预测准确性，借此阻止盗窃、入侵及破坏等行为的推进。

使用盗窃相关数据通过机器学习技术建立预测模型，我们可以预测下一次事件可能何时出现。安全与安保负责人们指出，持续保留视频数据对于项目实施的重大意义也正在于此。利用这部分素材，机器学习模型将逐渐学习并预测出下一次盗窃尝试。

建筑业的间谍活动可能导致数十亿美元损失，这一点在负责建造包含专有技术的芯片代工厂等项目场景下表现得尤为明显。为了确保现场安全，负责人们需要尽快引入基于AI的远程监控策略。

大型建筑项目每年有10%到25%的材料供应遭到盗窃或倒卖。有时候，能否阻止盗窃活动甚至可能直接决定某一项目能否正常推进、顺利竣工。目前，安全与安保负责人纷纷寄希望于远程监控系统。

安全与安保负责人们表示，以往OSHA审计筹备工作往往需要数周甚至数个月时间。如今，实时监控系统可以按需生成报告，每年为施工机构节约下长达数百小时的审计准备时间。

原文来自：

本文地址：//gulass.cn/safety-construction-ai.html编辑：J+1，审核员：清蒸github

Linux大全：

Linux系统大全：

红帽认证RHCE考试心得：