SiteAssist 借助Ultralytics YOLO提升施工现场安全

建筑工地涉及起重作业和热作业等高风险活动，施工团队在开工前必须严格遵守安全规程。为了确认这些检查已落实，工人通常会通过数字化工作流程上传照片作为证明。

然而，审查这些图像并非总是那么简单。它们可能模糊不清、不完整，有时甚至具有误导性，这使得人们难以判断安全要求是否确实得到满足，尤其是在大型项目中。

SiteAssist通过其数字平台，结合各类工具与人工智能技术，支持这些工作流程。特别是，该平台利用Ultralytics YOLO 计算机视觉 YOLO 来分析上传的图像，从而帮助平台理解现场情况、标记无效提交并突出显示潜在问题。这不仅减少了人工操作，还使团队能够保持一致的安全标准。

利用人工智能提升施工现场的安全与合规性

SiteAssist 是一款专为在建筑、基础设施及其他关键行业中管理高风险活动的团队设计的作业管控平台。它以结构化的数字工作流取代了复杂的纸质流程，支持挖掘、热作业、起重及受限空间作业等任务。

Balfour Beatty、Taylor Woodrow（VINCI）、Skanska 和 HG Construction 等公司都在使用 SiteAssist 来提高工作的一致性、确保合规性，并保障项目顺利进行。通过将许可文件和工作流程数字化，该平台帮助团队识别潜在风险，并确保安全要求得到一致落实。

如今，SiteAssist 为数千名员工提供支持，帮助团队更清晰地掌握日常运营情况。这种增强的可见性使团队能够更好地掌控安全流程。

为何大规模施工安全检查会失效

确保施工现场安全且运作顺畅并非易事。大型项目通常涉及数千名工人分布在多个地点作业，每个人都要执行高风险任务，这些任务在开工前都需要进行严格的安全检查。 

为了验证这些检查是否已完成，通常要求工人将照片作为证明上传至数字工作流或许可系统。但审核这些提交内容并非总是那么简单。 

图片可能模糊不清、不完整，有时甚至具有误导性，这使得难以确认安全要求是否确实得到满足。审批人员必须手动检查每一份提交材料，核对设备是否正确、设置是否妥当以及整体是否符合要求。 

随着提交数量的增加，这一流程变得越来越耗时，也越来越难以保持一致的管理。与此同时，许多项目仍然依赖纸质许可或部分数字化的工作流程。 

这会导致审批流程放缓、形成瓶颈，并限制对现场活动的实时掌握。团队可能需要亲自跟进或重复核查，从而造成进一步的延误。 

随着业务规模的扩大，这些挑战使得维持一致的安全标准变得更加困难，并增加了检查遗漏或延迟的风险。

借助Ultralytics YOLO 实现可靠的安全检查

SiteAssist 通过将许可审批流程与实时图像验证相结合，简化了安全检查流程。团队无需依赖人工审核，可直接在现场拍摄并上传图像，每份提交的材料在获得批准前都会经过验证。这有助于确保安全检查始终如一地进行，即使在环境条件不断变化的情况下也是如此。

在后台，每张上传的图片都会通过Ultralytics YOLO 进行分析，利用物体检测和图像分类等视觉任务来识别现场的情况。 

Ultralytics 等模型已在 SiteAssist 的自有数据集上进行了微调，这些数据集由该平台从真实施工现场收集的图像构建而成。其中包含约 45 种与施工相关的物体，例如灭火器、安全装备、气罐以及常见的电动工具和机械设备。

该系统会识别这些对象，并检查所需项目是否可见，同时标记任何缺失或不符合预期标准的项目。它还能突出显示无效的提交内容，例如非现场实景拍摄的图片。在所有提交内容中，平均每张图片可检测到1.7个对象；若排除背景图片，这一数字将升至2.7，这凸显了现场有意义活动的密集程度。

以下是几个关于Ultralytics YOLO SiteAssist 中应用的示例：

• 实时图像验证：系统能够detect 上传的图像并非在真实场景下拍摄detect 例如屏幕截图），并将其标记为待审核。
• 检测与计数设备：该系统能够识别所需物品（如灭火器），并检查其数量是否正确。在某些情况下，系统会结合使用光学字符识别（OCR）YOLO 图像YOLO 提取文本，例如通过读取标签来确定设备的类型。

​

为什么选择Ultralytics YOLO 模型？

Ultralytics YOLO 具备 SiteAssist 进行实际图像验证所需的速度和准确性。图像可在上传时立即得到处理，从而能够更轻松地进行安全检查，且不会造成延迟。

事实上，自2025年1月以来，SiteAssist已Ultralytics YOLO 处理了超过770,918张图像，检测到超过1,302,315个物体，并在大规模应用中展现了可靠的性能。

Ultralytics 的Python 还使得利用从实际现场工作流程中收集的数据来训练和微调模型变得非常简单。这意味着随着时间的推移收集到更多数据，模型的性能可以持续提升。

从部署角度来看YOLO 兼具高效性和灵活性。SiteAssist 目前通过其后端在云端处理图像，并实时处理来自工作人员设备的上传数据。与此同时，这些模型也可在设备本地运行，从而能够支持未来在现场直接进行图像处理的应用场景。

此外，凭借对ONNX ExecuTorch等导出格式的支持Ultralytics 的YOLO 能够无缝集成到各种边缘系统中，而不会增加系统复杂性。这为 SiteAssist 提供了一种实用且可扩展的方式，用于构建和扩展其视觉 AI 工作流。

SiteAssist 与Ultralytics YOLO 实时安全检查能力

截至目前，SiteAssist 支持约 12,000 名活跃用户在约 4,000 台设备上使用，能够为大型复杂项目高效扩展安全工作流程。

通过引入自动化图像验证，团队减少了对人工审核的依赖，并加快了审批流程。以往需要反复核查的任务现在能够更快地得到验证，从而确保工作按时启动，减少延误。

YOLO图像分析还提高了安全检查执行的一致性。 提交的检查报告将以更规范的方式进行评估，从而更容易识别出缺失的设备、伪造图像或不完整的检查。自2025年1月以来，最常被检测到的对象包括超过28.3万辆车辆和20.1万余人，以及近6.85万张伪造图像和5.5万余具灭火器。 

这使现场管理人员能够更清晰地掌握正在进行的工作，并对安全要求的落实更有信心。

​

此外，减少人工文书工作使团队能够减少在行政事务上花费的时间，从而有更多时间投入现场工作。因此，运营更加顺畅，不同地点的安全流程也更加可靠。

将基于视觉的施工安全工作流程推向边缘

展望未来，SiteAssist 正探索利用边缘人工智能，将Ultralytics YOLO 部署在更接近现场数据采集位置的地方。通过在设备上直接处理图像，该团队旨在降低云端成本、增强数据隐私保护，并支持实时决策。他们计划继续扩展这些功能，以实现更先进的实时安全与运营工作流程。

想将视觉人工智能应用到您的业务中吗？加入我们的社区，了解人工智能在医疗保健领域的应用以及视觉人工智能在农业中的应用。访问我们的GitHub 仓库，探索许可方案，立即开始吧！