SiteAssist 通过处理 77 万多张图像提升了现场安全性，并采用了 Ultralytics YOLO

施工现场涉及吊装作业和动火作业等高风险活动，团队在开始工作前必须遵循严格的安全程序。为了确认这些检查，工人通常会通过数字工作流程上传照片作为证明。

然而，查看这些图像并不总是直截了当的。它们可能不清晰、不完整，有时甚至具有误导性，这使得在大型项目中很难判断安全要求是否真正得到满足。

SiteAssist 通过其数字平台结合各种工具和 AI 来支持这些工作流程。特别是 计算机视觉 模型（如 Ultralytics YOLO 模型）被用于分析上传的图像，帮助平台了解现场情况，标记无效提交并突出显示潜在问题。这减少了手动工作，并使团队能够保持一致的安全标准。

Link to this section利用 AI 提升施工现场的安全性和合规性#

SiteAssist 是一个作业控制平台，专为管理建筑、基础设施及其他关键行业高风险活动的团队而设计。它用结构化的数字工作流程取代了复杂的纸质流程，支持挖掘、动火、吊装和受限空间作业等任务。

Balfour Beatty、Taylor Woodrow (VINCI)、Skanska 和 HG Construction 等公司使用 SiteAssist 来提高一致性、保持合规性并确保项目顺利运行。通过将许可证和工作流程数字化，该平台帮助团队识别潜在风险并确保安全要求得到一致应用。

如今，SiteAssist 支持数千名工人，让团队能够更清晰地了解日常运营情况。这种改进的可见性使团队能够更好地控制安全流程。

Link to this section为什么施工安全检查难以大规模实施#

保持施工现场安全并确保其顺利运行并不简单。大型项目通常涉及在多个地点作业的数千名工人，每个人都在进行高风险任务，这些任务在工作开始前需要进行严格的安全检查。

为了验证这些检查是否已完成，工人通常需要将照片作为证明上传到数字工作流程或许可证系统中。但查看这些提交的内容并不总是简单明了的。

图像可能不清晰、不完整，有时甚至具有误导性，这使得确认安全要求是否已达到变得困难。审批人员必须手动检查每份提交的内容，寻找正确的设备、适当的设置和整体合规性。

随着提交数量的增加，这个过程变得更加耗时，且难以保持一致的管理。同时，许多项目仍然依赖纸质许可证或部分数字化的工作流程。

这减慢了审批速度，造成了瓶颈，并限制了对现场活动的实时可见性。团队可能需要亲自跟进或重复检查，这进一步增加了延迟。

随着运营规模的扩大，这些挑战使得保持一致的安全标准变得更加困难，并增加了错过或延迟检查的风险。

Link to this section利用 Ultralytics YOLO 模型实现强大的安全检查#

SiteAssist 通过将许可证工作流程与实时图像验证相结合，简化了安全检查。团队无需依赖人工审核，而是可以直接从现场捕获并上传图像，每份提交在批准前都会经过验证。这有助于确保安全检查在不断变化的环境中也能保持一致。

在后台，每张上传的图像都使用 Ultralytics YOLO 模型进行分析，利用 目标检测 和图像分类等视觉任务来了解现场情况。

像 Ultralytics YOLO26 这样的模型已经根据 SiteAssist 自己的数据集进行了微调，这些数据集是通过其平台从真实施工现场收集的图像构建的。这包括大约 45 种与建筑相关的对象，如灭火器、安全装备、气罐以及常见的电动工具和机械。

系统会识别这些对象并检查所需物品是否可见，标记任何缺失或不符合预期标准的内容。它还可以突出显示无效提交，例如在非真实施工现场条件下拍摄的图像。在这些提交中，平均每张图像检测到 1.7 个对象，如果不计算背景图像，这一数字会上升到 2.7，突显了现场活动的密度。

以下是 Ultralytics YOLO 模型如何在 SiteAssist 中应用的几个示例：

• 验证实时图像：系统可以检测到上传的图像是否并非在真实环境下拍摄（例如拍摄屏幕的照片），并将其标记以供审核。
• 检测和清点设备：系统可以识别所需物品（如灭火器），并检查数量是否正确。在某些情况下，OCR 与 YOLO 一起使用以从图像中提取文本，例如读取标签以确定设备类型。

图 1. 使用 Ultralytics YOLO 模型在 SiteAssist 上检测灭火器 (来源)

Link to this section为什么选择 Ultralytics YOLO 模型？#

Ultralytics YOLO 模型提供了 SiteAssist 进行现实世界图像验证所需的速度和准确性。图像在上传时即可快速处理，从而更易于进行安全检查而不会造成延迟。

事实上，自 2025 年 1 月以来，SiteAssist 已经使用 Ultralytics YOLO 模型处理了超过 770,918 张图像，检测到了超过 1,302,315 个对象，展示了大规模下的可靠性能。

Ultralytics Python 包 也使得使用从真实现场工作流程收集的数据来训练和微调模型变得简单直接。这意味着随着时间的推移捕获更多数据，模型性能可以持续提升。

从部署的角度来看，YOLO 模型既高效又灵活。SiteAssist 目前在云端作为其后端的一部分处理图像，实时处理来自工人们设备的上传。同时，这些模型也可以在设备本地运行，从而支持未来直接在现场进行处理的用例。

此外，通过对 ONNX 和 ExecuTorch 等 导出格式 的支持，Ultralytics YOLO 模型可以集成到不同的边缘系统中，而不会增加复杂性。这为 SiteAssist 构建和扩展其视觉 AI 工作流程提供了一种实用且可扩展的方法。

Link to this sectionSiteAssist 和 Ultralytics YOLO 助力实时安全检查#

截至目前，SiteAssist 支持大约 12,000 名活跃用户，使用约 4,000 台设备，使安全工作流程能够高效地扩展以适应大型、复杂的项目。

通过引入自动图像验证，团队减少了对人工审核的依赖，加快了审批流程。以前需要重复检查的任务现在可以更快地完成验证，有助于按时开始工作并减少延误。

YOLO 驱动的图像分析也提高了安全检查方式的一致性。提交内容以更结构化的方式进行评估，从而更容易识别缺少的设备、人工生成的图像或不完整的检查。自 2025 年 1 月以来，最常检测到的对象包括超过 283,000 辆车辆和 201,000 多人，以及近 68,500 张人工生成的图像和 55,000 多个灭火器。

这让现场管理人员能够更清晰地了解正在进行的工作，并更有信心确保满足安全要求。

图 2. SiteAssist 使用 Ultralytics YOLO 检测到的人工生成的照片示例。

最重要的是，减少人工文书工作使得团队可以减少在行政任务上花费的时间，并将更多时间投入到现场。因此，运营更加顺畅，安全流程在不同地点也变得更加可靠。

Link to this section将视觉驱动的施工安全工作流程带到边缘#

展望未来，SiteAssist 正在探索边缘 AI，以便在更靠近现场数据采集点的地方运行 Ultralytics YOLO 模型。通过直接在设备上处理图像，团队旨在降低云成本、改善数据隐私并支持实时决策。他们计划继续扩展这些功能，以实现更先进、实时的安全和运营工作流程。

想将视觉 AI 带入你的运营中吗？加入 我们的社区，了解诸如 医疗保健中的 AI 和 农业中的视觉 AI 等应用。访问我们的 GitHub 仓库 并发现 许可选项 以立即开始！