בטיחות מקום העבודה תלויה באופן מסורתי בבדיקות ידניות ובדיווח תגובתי, אך שילוב למידת מכונה (ML) מאפשר לארגונים לזהות הפרות בטיחות כפי שהם מתפתחים.על ידי עיבוד נתונים בזמן אמת ממצלמות, חיישנים, ולבושים, מודלים של ML לזהות תנאים מסוכנים והתנהגויות לא בטוחות באופן מיידי, מתן צוותי בטיחות את היכולת להתערב לפני התרחשות אירועים.

המונחים: real-Time Safety Monitoring

בדיקות בטיחות סטנדרטיות מתקיימות במרווחים מתוכננים - באופן פתאומי, שבועי או חודשי. בעוד בדיקות אלה מספקות תמונה של תנאים ברגע מסוים, הם מתגעגעים לסיכוןים שהתפתחו בין ביקורים. a רופפת, עובד עקף את החסימה של בטיחות, או שפך כימי יכול להופיע להיעלם בתוך שעות, משאיר את העובדים חשופים.

עלויות פיננסיות ואנושיות של גילוי מתעכב הן משמעותיות.המנהל לביטחון ולבריאות (OSHA) מדווח כי פציעות במקומות העבודה עולות למעסיקים בארה"ב כמעט 171 מיליארד דולר בשנה בהוצאות הישירות והעקיפות.

(FLT:0) פיקוח מעמיק על פני השטח (FLT:1) הוא קריטי במיוחד בסביבות בסיכון גבוה כגון אתרי בנייה, רצפות ייצור, צמחים כימיים, ומכרות.בהגדרות אלה, נפילה רגעית בפרוטוקול בטיחות יכולה להוביל לפציעה חמורה או למוות. על ידי הטמעת מודלים של ML לתוך הבד התפעולי, חברות מרוויחות את היכולת לאכוף תאימות דינמיות, להסתגל לתנאים משתנים ללא צורך בפקחים אנושיים כדי להציג בכל מקום.

Machine Learning Mechanisms for Virtion Detection

למידת מכונות מאפשרת זיהוי בטיחות באמצעות מספר גישות משלימים, כל אחד מתאים לסוגים שונים של הפרות ומקורות נתונים.הרעיון המרכזי הוא להכשיר מודלים על דוגמאות מתוויות של תנאים בטוחים ולא בטוחים, ואז לפרוס אותם כדי לקבל תצפיות חדשות בזמן אמת.

חזון מחשב עבור PPE Compliance

מודלים ראיית מחשב מנתחים את הזנות של מצלמות CCTV קיימות או מצלמות IoT מבוססות מטרה.מודלים אלה מאומנים לזהות נוכחות או היעדר ציוד הגנה אישי (PPE) כגון כובעים קשים, משקפי בטיחות, אפודים בעלי יכולת גבוהה, וכפפות. רשתות עצביות מתקדמות (CNN) יכולים לזהות אם כל אדם במסגרות הוא לובש את הציוד הנדרש, אפילו בתנאים נמוכים או כאשר עובדים הם חלקיים.

לאחר שפגיעה מזוהה - לדוגמה, עובד נכנס לאזור שנאה קשה ללא קסדה - המערכת לוגנת את האירוע וגורם התראה בזמן אמת.לאורך זמן, המודל לומד להבחין בין חריגים לגיטימיים (כגון מפקח קצר עובר דרך) לבין אי-ציות מתמשך, צמצום אזהרות קצבה.

חיישן Fusion ו- Wearable Data

מכשירים לבישים כגון ⁇ חכמות, פסים, ושרידים לאסוף נתונים ביומטריים וסביבתיים - קצב לב, טמפרטורה עור, רמות גז מתפתל, חשיפה רעש, ודפוסי תנועה. ML ממזגים את האותות הטרוגניים האלה כדי לזהות סימנים מוקדמים של עייפות, לחץ חום, חשיפה לרעשי מטושטשים רעילים, או סיכונים ארגונומיים כמו זנים חוזרים.

אלגוריתמים של היתוך חושי משלבים נתונים ממספריים של עונדים וחיישנים קבועים כדי לבנות תמונה מקיפה של כל עובד במצב.גישה זו היא בעלת ערך מיוחד בתעשיות כמו בנייה ולוגיסטיקה, שם עובדים עוברים דרך סביבות שונות ופניהם משתנים סיכונים.על ידי ניתוח מגמות לאורך זמן, המערכת יכולה גם לזהות חשיפה כרונית כי יהיה בלתי נראה במהלך בדיקה אחת.

גילוי אוטומטי בפעילות מכונות

מכונות תעשייתיות כוללות לעתים קרובות חיישנים בנוי למדידת רטט, טמפרטורה, לחץ ומהירות רוטאלית.מודלים למידה מכונה מאומן בתנאי הפעלה רגילים יכולים לסמן סטיית דגל שעשויות להצביע על כשל מכני, שימוש לא תקין, או סכנות בטיחות.לדוגמה, עלייה פתאומית בחגורת רטט פתאומית יכול לסמן ריבק או כישלון מיידי, סיכון פגיעה בעובדים הסמוכים.

גילוי אנומלי משתרע על אינטראקציה בין בני אדם למכונה.ראייה ממוחשבת יכולה לזהות כאשר עובד נכנס לאזור הסכנה של מכונה בזמן שהוא פועל - גורם נפוץ לפציעות סבך.על ידי שילוב ראיית מכונה עם מערכת הבקרה, כמה מתקנים יכולים באופן אוטומטי לסגור ציוד כאשר עבירה מזוהה, הוספת שכבת אכיפה של ביטחון עצמי.

DataPipeline ו- Model Training

מאחורי כל מערכת זיהוי בטיחות מבוססת ML יעילה היא צינור נתונים חזק המטפל באוסף, תוויות, הכשרה ופריסה.איכות ונציגות של נתוני האימון באופן ישיר לקבוע את הדיוק והאמינות של המודל בייצור.

רכישת נתונים ולייבל

הצעד הראשון הוא לאסוף נתונים מאומתים שלוכדים את שני התרחישים בטוחים ולא בטוחים.עבור ראיית מחשב, זה אומר מאות אלפי תמונות או מסגרות וידאו המציגות עובדים עם וללא PPE, בתנאי תאורה שונים, זוויות וסביבות.עבור נתוני חיישן, זה כרוך הקלטות של זמן מפעילות רגילה ומאירועים מסימולציה או בפועל.

(FLT:0Data AugmentationFLT:1 טכניקות כגון סיבוב, דרוג, והחלפת צבע עזרה להרחיב את מערכת האימונים ולשפר את יציבות המודל. Synthetic Data Generation, באמצעות כלים כגון gans או 3D סביבות, משמש יותר ויותר ליצירת תרחישים נדירים אך קריטיים (למשל, עובד נופל מגובה) שיהיו מסוכנים או בלתי אפשריים לאסוף חיים אמיתיים.

בחירת מודל ואימון

מספר ארכיטקטורות מודל פופולריים עבור משימות הקשורות לבטיחות.ל זיהוי אובייקטים וציות PPE, גלאי צילום יחיד (SSDs) ו YOLO (You Only Look Once) גרסאות מציעים איזון טוב של מהירות ודיוק, חיוני לעיבוד וידאו בזמן אמת.עבור צילומי זמן של זמן aomaly זיהוי, רשתות עצביות חוזרות ונשנות (RNNs), רשתות זיכרון לטווח ארוך (TM), ותחזיות), הם לעתים קרובות מודלים מורכבים של מודלים של מודלים חד-מודלים.

אימון כרוך פיצול הנתונים לאימון, אימות ומבחן ערכות. Hyperparameter כוונון - כגון שיעור למידה, גודל אצווה וכוח סדיר - מבוצע כדי למקסם את המדדים כמו דיוק, זיכרון ו- F1 ציון כי זיהוי בטיחות הוא יישום גבוה של נקודות קבלה גבוהה, לזכור (היכולת לתפוס הפרות בפועל) הוא לעתים קרובות לפני דיוק, אבל כוונון זהיר נדרש כדי למנוע מפעילי ענן מתאימים, לאחר אימון).

המונחים: אינטגרציה

ה Deployment מתרחשת בדרך כלל על מכשירים קצה (כגון מצלמות עם שבבים על גבי לוח AI או שרתי הקצוץ ייעודי) כדי למזער את הכדאיות.שלח את כל הנתונים וידאו וחיישנים לשרת מרוחק לעיבוד יכול להציג עיכובים של שניות עד דקות, אשר מביס את מטרת גילוי בזמן אמת. Edge בהקצאה מאפשר אזהרות להיווצר במסגרות זמן תת שניות, ומאפשר תגובה מיידית.

אינטגרציה עם תשתיות בטיחות קיימות היא קריטית.מערכת ה-ML חייבת להתחבר לדומנים אירניים, מערכות עמודר, מערכות כתובת ציבוריות, ואולי אפילו לתכנת בקרים לוגיים (PLCs) להחלפת ציוד אוטומטי.ממשקי תכנות יישומים (APIs) ומתווכים הודעות (למשל, MQTT, קפקא) להקל על יכולת פעולה זו.חברות לעתים קרובות לפרוס ארכיטקטורת היברידית שבו יש יתרון במערכות ענן, תוך כדי טיפול לטווח ארוך, תוך כדי העדכונים של מערכות ניתוח, תוך כדי טיפול לטווח ארוך, תוך כדי ניתוח, ועדכונים, ועדכונים לטווח ארוך, תוך כדי ניתוח, ועדכונים לטווח ארוך, ועדכונים לטווח ארוך.

מערכות התראה ו- Human-in-the-Loop

גילוי בזמן אמת הוא רק שימושי אם ההתראה מגיעה לאנשים הנכונים ופעולה תיקון מהיר.מערכות התראה אוטומטית יכולות להודיע למשגיחים באמצעות הודעות אפליקציה סלולריות, SMS, דוא"ל, או תצוגות באתר.ביישומים בוגרים יותר, התראות משולבות עם מכשירים לבישים - שעון חכם עשוי ליישר כאשר עובד קרוב מבצע הפרה, המאפשר תיקון עמיתים לpeer.

(FLT:0 Human-in-the-loopFalphcio:1 עיצוב חיוני כדי לנהל את אי הוודאות הבלתי נמנעת של ML.כאשר מודל אינו בטוח על זיהוי (למשל, ציון אמון מתחת לסף אבל מעל גבול נמוך יותר), זה יכול להסלים את הסרטון או חיישן קריאה לקצין בטיחות אנושי לבדיקה.

אזהרות יעילות כוללות גם את ה-FLT:0 severity דירוג דירוג דירוג דירוגים של 1(לא כל הפרות דורשות את אותה תגובה.כובע קשה חסר באזור בסיכון נמוך עלול לעורר תזכורת עדינה, בעוד עובד נכנס לחלל מוגבל ללא פיקוח גז דורש פינוי מיידי.מודלים של ML יכולים להיות מאומן כדי לסווג את חומרת כל הפרה מזוהה, להערים בהתאם ועוזרים לפני פעולותיהם.

אתגרים ומוטיבציה

למידת מכונות לזיהוי בטיחות בקנה מידה מציגה מספר מכשולים טכניים וארגוניים.הכרה באתגרים אלה מוקדם מאפשר לצוותים לתכנן נטיות ולהימנע מכשלים יקרים.

פרטיות נתונים ואבטחה

מעקב וידאו רציף ואוסף ביומטרי מעלה חששות פרטיות לגיטימיים בקרב העובדים ועשויים להתמודד עם חוקי עבודה או הסכמי איחוד.כדי לטפל בזה, ארגונים צריכים לבצע הערכות של השפעות פרטיות, אנונימיות נתונים שבהם ניתן (למשל, מטושטשת פרצופים בהזנת וידאו), ובאופן ברור כי המטרה היא הגנה על בטיחות, לא ניטור ביצועים.

ניכוי חיובי

מודל שיוצר יותר מדי אזעקה כוזבת - מרתיע מצבים בטוחים כמו הפרות - מאבד את האמינות של עובדים ומשגיחים להיות מתועבים להזהיר, המוביל לעייפות ערנית והתעלמות מאיומים אמיתיים. Mitigating חיובי כוזב דורש תוספת זהירה של סף כוונון, מודלים של קומביציה (למשל, לפני כן, מתעלם מעובד הסרת כובע קשה באזור פרידה ייעודי), והגיון לאחר עיבוד הדורש מספר רב של דוגמאות לחיקוי, כולל נתונים קבועים.

סקלאלה וסובלנות

בעוד ארגונים מרחיבים את המעקב למתקנים שלמים או לאתרים מרובים, העומס החישובי ורוחב הפס ברשת יכולים להפוך לצווארוני פריסה. Edge, כי כל מכשיר מעבד את הנתונים שלו, אבל ניהול עדכוני קושחה ומודלים של מאות צמתים קצה דורשות תזוזה חזקה.עבור ניתוח מונע ענן, הגמישות ממשלוח נתונים חייב להישאר מתחת לכמה שניות עבור רוב מקרי הבטיחות של 5G או רשתות אבטחה ייעודיות, אך עדיין יכול להישאר מחוזקה, אך עדיין ממכשירי אבטחה ייעודיות, אך עדיין לאות.

(FLT:0ModelסחףFLT:1) הוא אתגר נוסף מדרגת.לאורך זמן, סביבת העבודה משתנה - ציוד חדש, תנאי תאורה, או שגרות עבודה - אשר יכול לדרג את ביצועי המודל. ניטור רציף של מדדי דיוק ושיקום תקופתי עם נתונים טריים הם הכרחיים כדי לשמור על יעילות.

מחיר ו-ROI Justification

יישום מערכות בטיחות מבוססות ML כרוך בהשקעות רחבות בחומרה (הנדסה, חיישנים, מכשירים קצה), פיתוח תוכנה או רישוי, והכשרה של נתונים אנטמנטציה. ארגונים חייבים גם לקחת בחשבון עלויות מתמשך של תחזוקה מודל, תמיכה IT ואימון צוות.ההתאוששות על ההשקעה (ROI) לעתים קרובות דורש קישור המערכת להפחתה בשיעורי אירועים, פרמיות ביטוח, ו קנסות קנסות מקריות מוקדם מ- 12 חודשים לפני כן, במיוחד.

כיוונים עתידיים ומסקנות

ההתכנסות של למידת מכונה עם האינטרנט של הדברים (IoT), מציאות מוגברת (AR), ותאומים דיגיטליים מבטיחים אפילו מערכות אקולוגיות אבטחה חזקות יותר.מערכות עתידיות יכולות לחזות הפרות לפני שהן מתרחשות על ידי מודל התנהגות העובדת ומצבים סביבתיים בזמן אמת.לדוגמה, תאום דיגיטלי של אתר בנייה יכול לדמות את הנתיב הסביר של עומס ערניים ודגל עובדים חשופים לפני המעלית מתחילה.

AI (XAI) יהיה חשוב יותר ויותר, במיוחד בתעשיות מוסדרות.אם אזהרה מובילה לפעולה משמעתית או לסגירה, מפעילי צריכים להבין מדוע המערכת קיבלה את ההחלטה הזו.מודלים המספקים הסברים בני אדם - כגון הדגשת האזור של תמונה שבה התגלה כיפה החסרה - בניית אמון והערכה.

(FLT:0) שיקולים אתיים FLT:1 חייב להנחות את האבולוציה של המערכות האלה.נתוני הכשרה מבוהלים יכולים להוביל לפירוק הטיפול של העובדים המבוססים על מגדר, גזע או גיל.אודטים להגינות, שקיפות כיצד המערכת משמשת, ומעורבות העובד בתהליך העיצוב חיונית למניעת החריפה של חוסר צדק.

למידת מכונות לזיהוי בטיחות בזמן אמת אינה טכנולוגיה של טבילה – זהו כלי מעשי שפורסים במפעלים, מחסנים ויצירות ברחבי העולם.כאשר ייושמו בתשומת לב לאיכות המידע, הפרטיות וגורמי אנוש, הוא מקטין פציעות, מציל חיים, ויוצר תרבות של בטיחות פרואקטיבית.הארגונים שמשקיעים במערכות אלה היום יהיו יותר טוב יותר לגנות על כוח העבודה שלהם ולתאים את הסטנדרטים הגבוהים יותר של בטיחות מחר.

(ב) ראו את הנחיותיה של OSHA על FLT:0 תגובות תגובה ו ניטור של ההרחבה 1, מסמך מחקר על למידה עמוקה עבור PPE גילויים FLT 3, ו-FLT:4NIOSH משאב על נתוני חיישן בטיחות הכיבוש:5.