Elasticsearch倒排索引与分词

靠机器学习提升建筑工地安全

依据特定施工现场的具体条件、因素、位置和状态分析是否会导致，如何导致更大的现场安全和风险，最适合机器学习施展拳脚了。今后，用于保护建筑工地的远程监控系统将依靠机器学习算法在历史数据中挖掘新范式。同时，基于机器学习的远程监控系统也会依靠物联网传感器，结合夜视、红外和热感摄像头采集实时数据流。

通过将历史视频流和图像与实时数据流相结合，基于机器学习的远程监控系统可以对潜在的事故、盗窃或危险操作环境进行预测性识别。

AI 改善建筑工地安全的 10 大手段

最近，建筑安全与安保行业的资深从业者在云端齐聚一堂，针对标准化的基于机器学习的远程监控系统进行了讨论，最宝贵的收获之一是他们能从误报中节省多少时间。一位管理迈阿密、亚特兰大和芝加哥在建工程项目的安全总监表示，机器学习几乎消除了他负责建筑工地的误报。“我们的团队已经根据自家业务的特定模式对机器学习算法进行了微调，它几乎消除了误报问题，并专注于更准确地预测盗窃和闯入的企图，”他解释道。

基于电话会议的思想碰撞，我们总结出 AI 改善建筑工地安全的 10 大手段：

1. 减少对现场安保团队的依赖，用监控来获取每个施工现场365 天全天候的监控视野。所有的建筑安全和安保从业人士都表示，这是基于云的远程监控系统最有价值的部分，该系统能够接受来自物联网、数字、热感应和红外摄像机的数据。当然，常驻现场的安保团队依然是必不可少的，然而拥有实时的、始终在线的监控提供数据流来训练模型也是非常宝贵的。

2. 通过识别工人是否穿戴了个人防护装备(PPE)，可以减少工伤和潜在的责任诉讼。借助由机器学习算法支持的高级模式匹配功能，从业者可以识别高风险任务和工作区的工人是否穿戴 PPE。在疫情期间，建筑工地仍然要持续作业，因此在很多情况下，每个人都需要戴上口罩，以符合疾控中心的要求。有了远程监控系统，只需扫一眼就能知道哪些工作人员没戴口罩。
 

开头就先给出本文的结论吧——通过实时分析 7x24小时的视频信号，AI 和机器学习正在减少建筑工地的事故、盗窃与破坏行为和危险的操作环境。同时，还能获得对于威胁的预测性见解和信息。

美国国家设备登记局的数据显示，发生在建筑工地的盗窃损失往往每年超过 10 亿美元。最新型号的设备、工具和用品被盗最多，也最难找回。详细来说，被盗的建筑设备中只有 25% 被找回，再加上每年因事故和受伤而给建筑业造成的损失估计有 130 亿美元。因此，改善建筑工地安全的迫切性相当之高。
 

Alertmanager在接收到报警后，可以对报警进行分组、抑制、静默等额外处理，然后路由到不同的接收器。Alertmanager支持多种报警通知方式，除常用的邮件通知外，还支持钉钉、企业微信等方式，也支持通过webhook自定义通知方式。

爱奇艺的统一报警平台实现了报警话题、报警内容、报警渠道、报警订阅的统一处理，我们充分利用了统一报警平台，开发了Alert-proxy报警代理服务。Alertmanager通过webhook方式将报警发送到Alert-proxy，Alert-proxy再投递到统一报警平台，最终发送到最终热聊、邮件、短信等接收端。Alert-proxy会将报警投递到统一报警平台一个默认的报警话题Topic，也支持投递到其他的Topic上。可以为不同服务、不同报警级别单独设置Topic，实现更精确的通知触达和聚焦。

报警涵盖了服务HTTP接口、第三方HTTP接口，也包括了JVM和容器的状态，目前已基本满足需求。

写在最后

监控是一个老生常谈但又常谈常新的话题，与业务特点、技术栈、方案选型有很大关联，看待问题的角度不同最终的方案也不尽相同，到底什么样的方式是最合适的，这都是仁者见仁、智者见智，只有适合自己的才是最好的。

本文是现阶段微服务监控的一些实践总结，随着业务和技术的不断发展，未来还有许多方面需要不断地探索和改进，例如报警规则优化、自动化报表、系统智能化监控等，使监控更加全面、强大和智能，进一步提升服务质量和稳定性，助力业务快速发展。

（编辑：唐山站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!