世界安全生产与健康日｜AI主动学习构筑工业建筑安全生产新防线

世界安全生产与健康日｜AI主动学习构筑工业建筑安全生产新防线

工业建筑企业的安全生产治理一直是企业、政府、社会共同关注的重大议题。由于环境、设备、管理的高度复杂性和不确定性，工业建筑行业往往难以单纯依靠人力实现有效的安全治理。以人工智能（AI）为核心手段对工业建筑领域的人、设备、环境进行全域安全治理，加速安全生产从静态分析向动态感知、事后应急向事前预防、单点防控向全域联防的转变，成为构筑工业安全生产新防线的关键途径。

工业建筑领域的安全痛点

安全生产是实现工业建筑行业高质量发展的前提。近年来，我国安全生产形势复杂严峻，安全生产总体仍处于爬坡过坎期，煤矿、建筑施工、危险化学品等所在的传统高危行业风险还未得到全面有效防控，重特大事故时有发生。虽然各企业均基于“风险分级管控与隐患排查治理双重预防性工作机制”制定了安全生产管理制度，但制度的具体实施仍主要靠人力巡检，安全管理人员工作负荷大、效率低。

2020年4月，国务院安全生产委员会印发《全国安全生产专项整治三年行动计划》，明确在全国部署开展安全生产专项整治三年行动，推进煤矿、建筑施工、危险化学品、道路交通等所在重点行业领域机械化、信息化、智能化建设，实现高危作业场所和环节的智能感知与风险预警，着力“从根本上消除事故隐患”。在国家政策的强力推动下，通过智慧手段和先进技术，构筑全方位的安全生产新防线，已经越来越成为行业共识。

AI落地工业安全领域的难点

人工智能具有从数据中学习、推演预测的能力以及自适应和延展的能力，且不会疲倦，也不会情绪化。人工智能参与工业安全生产治理，可以把人从繁杂、重复和需要每时每刻盯住的事情中解放出来，而且比人更精准、更高效。然而，AI技术在工业安全生产领域的落地推广仍然面临数据、算法、模式等3个层面的挑战。

一是数据层面。 异常和违规样本数据少，训练出的模型精确度低。目前，一般的深度学习模型需要相对均衡的正样本和负样本才能训练出具备实用性的模型。因此，产生的违规样本数据非常少，无法满足算法模型需要十万级甚至百万级的样本数据量。由此训练出的模型精确度不够，无法达到预期。

二是算法层面。 算法泛化能力弱，场景迁移门槛高。AI落地工业安全领域最大的难点在于其在应变方面的“笨拙”。对不少AI企业而言，传统工业场景的不确定性和需求的碎片化是一项严苛的技术与应用挑战。缺乏更具针对性的模型，以及缺乏应对不确定性场景的强容错能力，是以往AI难以深度介入工业建筑领域的原因。

三是模式层面。 在信息传递相对闭塞的工业建筑行业中，基于AI技术构建的全域安全联防体系在国内成熟的先例并不多，个别案例的宣传交流也远未充分。企业往往存在路径依赖，期待通过严格管理实现安全设备与安全流程的有效应用。 这种全面的数字化管理变革，需要AI技术陪伴企业主共同耐心、细致探索，而这也往往是以技术导向的AI企业难以胜任的工作。

基于主动学习的全域安全治理

主动学习（Active Learning） 技术为应对工业建筑领域这种复杂环境、复杂流程下的AI落地问题提供了技术路径。作为机器学习的一个子领域，主动学习的典型特征是其迭代式的交互训练流程，即通过特定筛选策略找到未标注样本池中最有价值的数据，交由专家进行人工标注后，将标注数据集及其类别标签纳入训练集中迭代优化目标模型，使迭代训练得到符合预期的模型。

在工业建筑领域中，人、设备、环境都是能够产生安全事故的因素。人为因素主要包括注意力不集中、过度疲劳、冒险与侥幸心理以及安全意识淡薄、安全管理不善等。机械设备因素主要包括设备老化故障、人机协调设计缺陷、操作流程不规范等。工作环境因素主要包括温度、照明、噪声、粉尘等。主动学习能够基于AI建立面向全域的联防体系，可以有效应对上述各因素。

● 对人的安全管理保障体系

国内外的相关调查研究显示，工业安全生产事故中约80%都是人为因素造成的，即人因失误。面向人的管理内容主要包含3个部分。第一，身份认证，例如：他是谁？该不该来？是不是靠近了危险区域？是不是操作了他不该操作的设备？第二，安全设备检查，如安全帽、高温防护服、绝缘鞋等。第三，安全操作流程监测，如是不是在专用车辆的路上行驶（部分专用车辆驾驶员盲区较大）。对上述情况主动学习的AI技术能够实现管理方法的完善，例如：通过摄像头或门禁系统进行身份识别；通过多维识别以及规则匹配精确定位，监测限行区域和特种设备的人员，确保无证人员不能上塔吊；结合场所处置机制形成安全预警闭环，防止事故发生，如果有违规行为，将联动处置机制如远程喇叭对其警告，若未能制止，将联动进一步的处置机制如关闸、停车、切断电源等。

● 对设备的联动安全保障体系

工地、工厂均有一定的安全规范和标准流程，一旦AI赋能的安全联防体系发现有危险的行为，就能通过控制设备实现减速或者停止以避免安全事故的发生。像这类人与设备的联动以及设备状态的持续识别，是全域安全体系建设的关键所在。对比以往远程监控对设备进行的数据采集，这种AI提供的联动安全保障时效性更强，手段也更加直接，甚至能够采取预防性措施，联动设备来避免安全生产事故。例如，煤矿、工地动火作业很多，在现场冒烟或出现小火星的时候，AI能及时检测，预警告知并直接联动灭火系统。又如，厂区内几十吨的重型卡车超速是非常危险的，以前不仅没有处罚依据，而且监控室的安全员也看不出车速有多快，AI安全系统不需要激光或者雷达测速仪，依靠普通摄像头就能精确测速，发现违规超速行为。

● 对环境的泛化适应保障体系

因为工厂、工地或矿井里的环境非常复杂，粉尘干扰多，光线多变，所以靠一般的AI算法做不到全天候的安全治理。基于主动学习的AI能够结合可见光、不可见光、激光、微波、红外线等传感器，可适应任何气象条件和环境，对设备状态进行监测，对维修流程进行管控，形成保证全天候实时运行的安全治理系统。

AI+安全生产全域联防实践

中科智云科技有限公司（以下简称“中科智云”）是一家专注于先进AI技术落地实践的人工智能企业。面向工业和建筑领域的安全生产痛点，在2021年世界人工智能大会上，中科智云发布了以自主研发的主动学习算法框架为核心的AI+行业自动训练平台“X-Brain”。

“X-Brain”只需要小样本就能高效完成工业场景中各类视频、图像、文本语义等AI算法的训练。同时，通过预置在“X-Brain”平台内的100多种工业场景模型，非AI专业人员也可以快速开发和维护应用，传统企业的使用者根据自身的需求在平台内如同拼图般实现模块搭建，形成场景化算法。

该算法被部署在客户端后，能够根据环境的变化自适应、自学习，同时，用户可自行对系统和关联设备进行调整和维护。在应对复杂多变的环境和规则方面，中科智云的主动学习技术不仅将算法所需的训练时间缩短到传统模式的10%，还能显著减少传统算法标注所需的人力成本，令AI应用部署更为准确和高效。

中科智云全域安全系统监测深圳地铁维修标准流程（SOP）

同样在工业领域，科大讯飞推出“顺风耳”图聆工业云平台，围绕设备预测性维护、产品质检、人机交互、安全生产等工业应用场景，构建了面向能源化工、机械制造等多行业的AI赋能平台。

在浙江捷昌驱动的生产线上，依托工业质检系统，产品质检方式由之前的“工人人耳盲听辨别”升级为“机器自动识别” ，实现了电机的无人化自动判定，检测一致率达90%，识别准确率达96%。该系统使制造业企业的产品生产效率提升约15%，为公司创收提升约30%。

讯飞声学相机在工业场景被广泛应用

就在2021世界人工智能大会上，讯飞工业听诊算法及创新应用从上百个项目中脱颖而出，荣获“首届应用算法实践典范BPAA工业算法赛道银奖”。同时“顺风耳”图聆工业云平台将升级为2.0，用人工智能更好服务于工业企业的智能化升级。

工业与建筑的安全生产是一项艰巨而长期的任务。在国家大力推进新一代信息技术和制造业融合发展的背景下，顺应新一轮科技革命和产业变革趋势，服务于产业一线的人工智能能够有效助力劳动密集、安全隐患集中的工业与建筑行业企业完成安全治理领域的数字化转型，进而使其在“十四五”期间收获更为稳健和高质量的成长。这是AI赋能工业建筑领域安全生产治理、构筑安全生产新防线的终极目标，也是AI技术与企业突破既有落地瓶颈、深耕复杂场景“脱虚向实”的生动案例。