DOI: https://doi.org/10.3991/ijim.v20i05.60117
تاريخ النشر: 2026-03-13
المؤلف: Mohd Nasrun Mohd Nawi وآخرون
الموضوع الرئيسي: أبحاث الصحة والسلامة المهنية
نظرة عامة
تقدم ورقة البحث RWASHCS-MMLF، وهو إطار عمل للتعلم الآلي المحمول مصمم لتعزيز السلامة في مواقع البناء من خلال التنبؤ بحوادث العمال ومخاطر السلامة ومنعها. غالبًا ما تفشل تدابير السلامة التقليدية بسبب اعتمادها على المراقبة اليدوية التي تتطلب جهدًا كبيرًا، بالإضافة إلى الظروف الداخلية المعقدة التي تتميز بها بيئات البناء. يتناول RWASHCS-MMLF هذه التحديات من خلال استخدام التكنولوجيا المحمولة لجمع البيانات في الوقت الفعلي من مصادر متنوعة، بما في ذلك المستشعرات والكاميرات والأجهزة القابلة للارتداء. تخضع هذه البيانات لعمليات معالجة مسبقة لتصفية وتنظيف البيانات، تليها استخراج الميزات الزمنية والمكانية الحرجة مثل أنماط الحركة والسرعة والموقع والقرب من المخاطر.
ثم يتم دمج البيانات المحمولة المعالجة في نموذج تعلم آلي مدرب يمكنه التنبؤ الفوري بالحوادث المحتملة أو مخاطر السلامة. بالإضافة إلى ذلك، يتضمن الإطار نظام تنبيه واتخاذ قرار يوفر لمشرفي المواقع إشعارات فورية ولوحات معلومات بصرية لتقديم اقتراحات للتدابير الوقائية. تؤكد التجارب الواسعة في الموقع فعالية RWASHCS-MMLF في تحسين أنظمة إدارة سلامة البناء، مما يقلل بشكل كبير من احتمالية الحوادث والوفيات. وتخلص الدراسة إلى أن النظام المقترح يقدم استجابة وسرعة محسنتين، وهما أمران حاسمان للتدخلات في الوقت المناسب في توقع سلامة العمال.
مقدمة
تعتبر صناعة البناء واحدة من أكثر القطاعات خطورة، حيث يُعزى حوالي 20% من وفيات العمال إلى هذا المجال، وفقًا لما ذكرته إدارة السلامة والصحة المهنية (OSHA). على الرغم من الجهود المستمرة لتحسين السلامة، يواجه عمال البناء معدلًا أعلى بكثير من الإصابات غير القاتلة والأمراض المهنية مقارنة بالصناعات الأخرى. تتناول هذه الدراسة الحاجة الملحة لتعزيز تدابير السلامة من خلال دمج تقنيات الاستشعار المتقدمة وطرق معالجة البيانات بهدف تقليل كل من الإصابات القاتلة وغير القاتلة في مواقع البناء.
تشير الأبحاث إلى أن أكثر من 90% من الحوادث مرتبطة بسلوكيات غير آمنة وظروف بيئية، مما يستلزم المراقبة المستمرة لأفعال العمال والبيئة المحيطة. غالبًا ما تكون طرق المراقبة التقليدية، مثل عمليات التفتيش في الموقع، غير فعالة وعرضة للأخطاء البشرية. تقترح هذه الدراسة نهجًا جديدًا يستخدم إطار عمل للتعلم الآلي المحمول (RWASHCS-MMLF) يستفيد من البيانات في الوقت الفعلي من المستشعرات والكاميرات والأجهزة القابلة للارتداء للتنبؤ بالحوادث ومنعها. يستخدم الإطار تقنيات التعلم العميق، وتحديدًا YOLOv8، لتحليل البيانات المرئية لتحديد السلوكيات والظروف الخطرة. من خلال التجارب الواسعة في الموقع، يظهر نموذج RWASHCS-MMLF فعاليته في تعزيز إدارة سلامة البناء وتقليل احتمالية الحوادث والوفيات.
طرق
تستفيد منهجية RWASHCS-MMLF المقترحة من التكنولوجيا المحمولة لجمع البيانات في الوقت الفعلي من مصادر متنوعة، بما في ذلك المستشعرات والكاميرات والأجهزة القابلة للارتداء، في مواقع البناء. تتم معالجة هذه البيانات لاستخراج الميزات الزمنية والمكانية الحرجة مثل أنماط الحركة والقرب من المخاطر، مما يمكّن نماذج التعلم الآلي من التنبؤ بالحوادث المحتملة للعمال ومخاطر السلامة. يتضمن النظام آلية تنبيه توفر لمشرفي المواقع إشعارات ولوحات معلومات بصرية لتسهيل اتخاذ القرارات في الوقت المناسب.
تظهر النتائج التجريبية فعالية خوارزمية RWASHCS-MMLF، التي تم اختبارها على مجموعة بيانات من كاجل تتكون من 54,661 عينة عبر خمس فئات. تم تدريب النموذج باستخدام صور موحدة (640 × 640 بكسل) باستخدام حجم دفعة قدره 8 على مدى 500 تكرار، مع استخدام الانحدار العشوائي (SGD) بمعدل تعلم أولي قدره 0.01 وزخم قدره 0.937. أظهر عملية التدريب انخفاضًا مستمرًا في خسارة التدريب والتحقق، مما يدل على نجاح التعلم والتقاط الأنماط. كشفت مقاييس الأداء، بما في ذلك تحليل الدقة والاسترجاع (PR) وتحليل منحنى التشغيل (ROC)، أن طريقة RWASHCS-MMLF حققت أداءً تصنيفيًا متفوقًا، حيث كانت قيم الدقة والاسترجاع وF-score 97.99% و96.90% و98.08% و97.92% على التوالي، متفوقة على نماذج أخرى مثل Faster R-CNN وYOLOv3. تؤكد هذه النتائج على قوة النموذج في مهام اكتشاف الكائنات ضمن سياق سلامة البناء.
نقاش
تسلط قسم النقاش في ورقة البحث الضوء على التقدم في سلامة مواقع البناء من خلال دمج تقنيات ومنهجيات متنوعة. يقترح مو وآخرون [8] نهج التعلم الفيدرالي (FL) الذي يستخدم أجهزة إنترنت الأشياء المستندة إلى المستشعرات لجمع بيانات بيئية وعمالية مفصلة مع ضمان خصوصية البيانات. تشير نتائجهم التجريبية إلى أن هذا النموذج يعزز بشكل فعال أنظمة إدارة سلامة البناء، مما يقلل من احتمالية الحوادث والوفيات. يساهم عبد الله بور وآخرون [9] بنظام تنبيه سلامة في الوقت الفعلي يستخدم تقنيات التعلم الآلي للتحديد الداخلي، محققًا دقة عالية وأوقات استجابة سريعة، مما يحسن الامتثال للسلامة في مواقع البناء.
بالإضافة إلى ذلك، يستكشف حسين وآخرون [10] تطبيق التقنيات المتطورة مثل الأجهزة القابلة للارتداء والطائرات بدون طيار والواقع المعزز/الافتراضي لتحسين نتائج السلامة. تسهل هذه التقنيات المراقبة في الوقت الفعلي واكتشاف المخاطر، مما يعزز ثقافة السلامة الاستباقية التي تقلل من الأخطاء البشرية وتحسن الوعي بالوضع. يستفيد نموذج RWASHCS-MMLF، كما تم مناقشته، من التعلم الآلي المحمول للتنبؤ بالحوادث المحتملة للعمال من خلال تحليل البيانات من مصادر متنوعة، بما في ذلك الصور وقراءات المستشعرات. يتم التحقق من فعالية النموذج من خلال التجارب الواسعة في الموقع، مما يظهر قدرته على تعزيز أنظمة إدارة السلامة وتقليل معدلات الإصابات والوفيات بشكل كبير في بيئات البناء.
DOI: https://doi.org/10.3991/ijim.v20i05.60117
Publication Date: 2026-03-13
Author(s): Mohd Nasrun Mohd Nawi et al.
Primary Topic: Occupational Health and Safety Research
Overview
The research paper presents the RWASHCS-MMLF, a mobile machine learning framework designed to enhance safety on construction sites by predicting and preventing worker accidents and safety hazards. Traditional safety measures often fall short due to their reliance on labor-intensive manual monitoring, compounded by the complex indoor conditions typical of construction environments. The RWASHCS-MMLF addresses these challenges by utilizing mobile technology to collect real-time data from various sources, including sensors, cameras, and wearable devices. This data undergoes preprocessing to filter and clean it, followed by the extraction of critical temporal and spatial features such as movement patterns, speed, position, and proximity to hazards.
The processed mobile data is then integrated into a trained machine learning model that can instantaneously forecast potential accidents or safety risks. Additionally, the framework includes an alert and decision system that provides site supervisors with push notifications and visual dashboards to suggest preventive measures. Extensive on-site trials validate the effectiveness of the RWASHCS-MMLF in improving construction safety management systems, significantly reducing the likelihood of accidents and fatalities. The study concludes that the proposed system offers enhanced responsiveness and speed, which are crucial for timely interventions in worker safety prediction.
Introduction
The construction industry is recognized as one of the most hazardous sectors, with approximately 20% of worker fatalities attributed to this field, as reported by the Occupational Safety and Health Administration (OSHA). Despite ongoing efforts to improve safety, construction workers face a significantly higher incidence of nonfatal injuries and occupational diseases compared to other industries. This study addresses the urgent need for enhanced safety measures through the integration of advanced sensing technologies and data processing methods aimed at reducing both fatal and nonfatal injuries on construction sites.
Research indicates that over 90% of accidents are linked to unsafe behaviors and environmental conditions, necessitating continuous monitoring of workers’ actions and surroundings. Traditional monitoring methods, such as site inspections, are often inefficient and prone to human error. This study proposes a novel approach utilizing a mobile machine learning framework (RWASHCS-MMLF) that leverages real-time data from sensors, cameras, and wearable devices to predict and prevent accidents. The framework employs deep learning techniques, specifically YOLOv8, to analyze visual data for identifying hazardous behaviors and conditions. Through extensive on-site trials, the RWASHCS-MMLF model demonstrates its effectiveness in enhancing construction safety management and reducing the likelihood of accidents and fatalities.
Methods
The proposed RWASHCS-MMLF methodology leverages mobile technology to collect real-time data from various sources, including sensors, cameras, and wearable devices, on construction sites. This data is processed to extract critical temporal and spatial features such as movement patterns and proximity to hazards, enabling machine learning models to predict potential worker accidents and safety risks. The system includes an alert mechanism that provides site supervisors with notifications and visual dashboards to facilitate timely decision-making.
Experimental results demonstrate the effectiveness of the RWASHCS-MMLF algorithm, which was tested on a Kaggle dataset comprising 54,661 samples across five classes. The model was trained with standardized images (640 × 640 pixels) using a batch size of 8 over 500 iterations, employing stochastic gradient descent (SGD) with an initial learning rate of 0.01 and momentum of 0.937. The training process showed a continuous decrease in training and validation loss, indicating successful learning and pattern capture. Performance metrics, including precision-recall (PR) and receiver operating characteristic (ROC) analyses, revealed that the RWASHCS-MMLF method achieved superior classification performance, with accuracy, precision, recall, and F-score values of 97.99%, 96.90%, 98.08%, and 97.92%, respectively, outperforming other models such as Faster R-CNN and YOLOv3. These findings underscore the model’s robustness in object detection tasks within the construction safety context.
Discussion
The discussion section of the research paper highlights advancements in construction site safety through the integration of various technologies and methodologies. Moe et al. [8] propose a federated learning (FL) approach that utilizes sensor-based IoT devices to collect detailed environmental and worker data while ensuring data privacy. Their experimental results indicate that this model effectively enhances construction safety management systems, reducing the likelihood of accidents and fatalities. Abdollahpour et al. [9] contribute a real-time safety alert system that employs machine learning techniques for indoor localization, achieving high accuracy and rapid response times, thereby improving safety compliance on construction sites.
Additionally, Hossain et al. [10] explore the application of cutting-edge technologies such as wearable devices, drones, and augmented/virtual reality to enhance safety outcomes. These technologies facilitate real-time monitoring and hazard detection, fostering a proactive safety culture that minimizes human error and improves situational awareness. The RWASHCS-MMLF model, as discussed, leverages mobile machine learning to predict potential worker accidents by analyzing data from various sources, including images and sensor readings. The model’s effectiveness is validated through extensive on-site trials, demonstrating its capability to enhance safety management systems and significantly reduce injury and fatality rates in construction environments.