SiteAssist 通过 Ultralytics YOLO 处理超过 77 万张图像来改善现场安全
了解 SiteAssist 如何利用 Ultralytics YOLO 模型改善施工现场安全。
Problem
SiteAssist 需要一种可靠的方法来核实大型建筑工地的安全合规性，因为手动图像检查既缓慢、不一致，又往往不可靠。
Solution
通过使用 Ultralytics YOLO 模型，SiteAssist 实现了图像核验的自动化，能够实时检测合规性问题，并为数千名用户和各个工地简化了安全工作流程。
建筑工地涉及高风险活动，如吊装作业和动火作业，团队在工作开始前需要遵循严格的安全程序。为了确认这些检查，工人们通常会上传照片作为数字工作流程中的证明。
然而，审核这些图像并不总是直截了当。它们可能不清晰、不完整或有时具有误导性，这使得很难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种工具和人工智能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潜在问题。这减少了人工工作量，并使团队能够保持一致的安全标准。
Link to this section利用人工智能提高建筑工地的安全性和合规性#
SiteAssist 是一个作业控制平台，专为管理建筑、基础设施和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。
像 Balfour Beatty、Taylor Woodrow (VINCI)、Skanska 和 HG Construction 等公司都在使用 SiteAssist 来提高一致性、保持合规性并确保项目顺利进行。通过数字化许可和工作流程，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对安全流程拥有了更强的掌控力。
Link to this section为什么建筑安全检查难以规模化#
保持建筑工地安全且运行顺畅并不简单。大型项目通常涉及在多个地点作业的数千名工人，每个人在工作开始前都需要执行需要严格安全检查的高风险任务。
为了核实这些检查是否已完成，工人通常被要求将照片作为证明上传到数字工作流程或许可证系统中。但审核这些提交内容并不总是容易的。
图像可能不清晰、不完整或有时具有误导性，因此很难确认是否确实达到了安全要求。审批人员必须手动检查每份提交的内容，查看设备是否正确、设置是否规范以及总体合规情况。
随着提交数量的增加，此过程变得更加耗时，且难以进行统一管理。与此同时，许多项目仍然依赖于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，这增加了进一步的延误。
随着运营规模的扩大，这些挑战使得维持一致的安全标准变得更加困难，并增加了错过或延迟检查的风险。
Link to this section利用 Ultralytics YOLO 模型实现稳健的安全检查#
SiteAssist 通过将许可工作流程与实时图像核验相结合，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，每份提交在进入审批流程前都会经过验证。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。
Ultralytics YOLO26 等模型已在 SiteAssist 自身的数据集上进行了微调，这些数据集由通过其平台在真实建筑工地收集的图像构建而成。这包括约 45 种建筑相关对象，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的提交，例如并非在真实工地条件下拍摄的图像。在这些提交中，每张图像平均检测到 1.7 个对象，排除背景图像后这一数字上升至 2.7，凸显了现场有意义活动的密度。
以下是 Ultralytics YOLO 模型在 SiteAssist 中应用的几个示例：
- 验证实时图像：系统可以检测出上传的图像并非在真实条件下拍摄（例如屏幕截图），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 配合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. 在 SiteAssist 上使用 Ultralytics YOLO 模型检测灭火器 (来源)
Link to this section为何选择 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，使得进行安全检查时不会出现延迟。
事实上，自 2025 年 1 月以来，SiteAssist 已使用 Ultralytics YOLO 模型处理了超过 770,918 张图像，检测到超过 1,302,315 个对象，展示了在大规模应用下的可靠性能。
Ultralytics Python 软件包 也使得使用从真实工地工作流程中收集的数据来训练和微调模型变得十分简单。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。
从部署角度来看，YOLO 模型既高效又灵活。SiteAssist 目前在其后端云端处理图像，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应用场景。
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 在大约 4,000 台设备上支持约 12,000 名活跃用户，使安全工作流程能够为大型、复杂的项目高效扩展。
通过引入自动化图像核验，团队减少了对人工审核的依赖并加快了审批流程。以前需要重复检查的任务现在可以更快地得到验证，从而帮助工作按时开始并减少延误。
YOLO 驱动的图像分析还提高了安全检查执行的一致性。提交内容以更结构化的方式进行评估，从而更容易识别缺失的设备、伪造的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 283,000 辆车辆和超过 201,000 名人员，以及近 68,500 张伪造图像和超过 55,000 个灭火器。
这让现场管理人员能更清晰地了解正在进行的工作，并更有把握确保安全要求得到满足。
图 2. SiteAssist 使用 Ultralytics YOLO 检测到的伪造照片示例。
最重要的是，减少人工文书工作使团队能够减少行政任务的时间，将更多时间用于现场。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将视觉驱动的建筑安全工作流程引入边缘端#
展望未来，SiteAssist 正在探索边缘 AI，以便在现场数据捕获处更近距离地运行 Ultralytics YOLO 模型。通过在设备上直接处理图像，团队旨在降低云端成本、改善数据隐私并支持实时决策。他们计划继续扩展这些能力，以支持更先进、实时的安全和运营工作流程。
想要将视觉 AI 引入你的业务吗？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 仓库并查看授权选项，立即开始吧！
