根据美国国家设备注册局的数据，建筑盗窃每年造成的损失超过10亿美元。最新型号的设备和工具被盗的风险较高，且追回的成功率仅为25%。此外，事故和伤害事件所带来的成本使得建筑行业面临高达13亿美元的意外支出。因此，提升建筑施工现场的安全性已成为当务之急。
通过机器学习提升施工现场安全性
机器学习技术能够通过分析建筑现场的具体条件、因素、位置和阶段，识别和预测安全状况及潜在风险。越来越多的建筑工地将采用有监督机器学习算法，以从历史数据中提取新模式。结合物联网传感器、夜视、红外和热成像摄像机，基于机器学习的远程监控系统可以实时捕捉数据流。
将历史视频和实时数据结合，基于机器学习的监控系统能够预测潜在的事故、盗窃或危险操作的发生时间。AI远程监控系统的供应商持续推动创新，改进用户界面设计，并希望将这些系统推广到全球。Twenty20 Solutions作为该领域的领导者，推出了基于云的平台和实用方案，为远程施工安全树立了新标杆。Twenty20 Solutions的远程监控系统完全依赖浏览器，支持地理位置应用，并提供可定制的仪表板。以下是Twenty20 Solutions仪表板的示意图：
AI技术提升建筑现场安全的十种方式
在最近与多位实施标准化机器学习远程监控系统的建筑安全负责人进行的电话会议上，我们了解到这些方案确实能有效减少误报，并节省大量时间。
一位负责迈阿密、亚特兰大和芝加哥等地建设项目的安全主管表示，机器学习显著降低了建筑工地上的误报。通过对机器学习算法的微调，他们适应了特定的运营模式，几乎完全消除了误报，同时提升了对盗窃和意外闯入行为的预测能力。
根据此次会议，AI技术正在通过以下十种方式提升建筑现场的安全：
1、减少对现场安全团队的依赖，为建筑现场提供24/7的监控视图。
所有建筑安全负责人表示，云远程监控系统能够接收来自物联网、数字、热成像和红外探头的数据，尽管仍需现场团队，但这种实时监控能力能提供强大的数据支持和洞察。
2、通过识别未正确穿着个人防护设备（PPE）的工人，降低施工现场的伤害及潜在责任诉讼风险。
利用有监督机器学习算法的高级模式匹配，安全负责人可以快速识别高风险的工人和工作区域。例如，面对COVID-19疫情，施工现场要求每位工作人员佩戴口罩，远程监控系统能迅速识别需要警告的团队。
3、用实时监控替代传统的检查表和手动安全审计方法，确保快速提供趋势和画面内容的分析。
安全负责人表示，目前的挑战在于如何帮助施工团队节省时间。通过结合机器学习技术和实时数据，工作效率较手动方式提高了至少五倍。
4、建筑现场的物理与网络安全监控越强，施工流程的灵活性越高。
负责人们指出，现场在实时数据捕捉和解释方面的能力越强，施工流程的灵活性也越高。这种新的数据洞察能力不仅是为了安全保障，也能促进流程改进，从而提高运营收益。
5、结合智能标签与关键事件支持的高级视频分析技术即将推出，进一步提高机器学习远程监控系统的预测准确性。
当前，远程监控行业的研发重点在于从视频帧中提取更多上下文信息，希望在新一年中能看到更多技术专利，以定义高级模式匹配并提高预测准确性。
6、实时预测网络与物理威胁对建筑项目的影响，并为特定事件生成风险评分。
远程监控系统的一个重要开发方向是将物理事件与网络事件关联。例如，如果某建筑现场遭遇网络攻击，将二者结合有助于提升安全态势的监控和预测能力，从而阻止盗窃、入侵和破坏行为。
7、为各个建筑项目生成风险评分，并分析可改进的因素以减少设备和材料盗窃威胁。
通过机器学习技术建立盗窃预测模型，可以预测下一次事件的发生时间。安全负责人指出，持续保留视频数据对项目实施至关重要，利用这些素材，机器学习模型将逐渐学习并预测盗窃尝试。
8、在建筑现场识别并跟踪未授权入侵者的活动，降低工业间谍行为的威胁。
建筑业的间谍活动可能导致数十亿美元的损失，尤其是在建设包含专有技术的项目时。为了确保现场安全，负责人们需尽快引入基于AI的远程监控策略。
9、识别建筑材料的盗窃时间和地点，以控制成本并提高现场安全性。
大型建筑项目每年有10%到25%的材料遭到盗窃或倒卖。能否阻止盗窃活动常常直接影响项目的推进和竣工，目前安全负责人纷纷寄希望于远程监控系统。
10、确保建筑现场符合OSHA及其他相关政府合规性要求，并为审计人员提供实时审计记录。
安全负责人表示，过去的OSHA审计准备工作往往需要数周甚至数月，而现在实时监控系统可以按需生成报告，每年为施工机构节省数百小时的审计准备时间。
