案例简介

工厂人员管理一直是工厂正常运营的重要管理模块，  使用计算机视觉技术，  在工厂实现工作服穿戴检测、员工到岗和离岗检测、员工疲劳检测等人员管理的场景 AI 化，可以帮助客户提升工厂人员管理效率并降低企业管理成本。

人员到岗 / 离岗 / 疲劳 / 着装检测

上海音智达借助 PaddleDetection，基于视频流数据实现了净化间穿戴检测、到岗 / 离岗检测、疲劳检测等功能， 并在客户方成功上线，推理速度达 5FPS，事件级别违规识别准确率平均在 90% 以上，满足上线要求。

场景分析

业务挑战

各场景任务难点分析

技术架构要点

• 可拓展性：当前每个场景仅 1 个摄像头，应考虑后期接入更多摄像头的可拓展性。
• 场景的配置与管理：业务参数与规则条件等，需要能方便地对其进行配置、管理。
• 与其他系统的集成能力：  Dashboard，违规记录展示，消息提醒等。

技术方案

技术选型

上海音智达的学员基于对业务的理解，从软件到硬件构建了一整套的系统架构解决方案，如下图所示。

更进一步的，从系统架构解决方案中提炼出技术架构图如下。

数据采集与标注

原始数据采集：模拟违规，从视频片段中采样得到数据集。

在模型迭代优化中，同步进行（下图绿色虚线）：

• Bad Case 数据的收集与标注 扩充数据集，尽量涵盖数据集中未出现的情景。
• 检查已有的数据标注 提高数据质量。

数据扩充和数据质量检查与模型迭代优化同步进行

算法思路

将违规行为检测问题分解为“单帧图像的物体检测问题”与“聚合到时间维度的规则判断问题”。

基础检测模型

Fine Tune YOLOv3 增强版 （考虑到实时性对 FPS 的要求、模型大小对 GPU 显存的限制）。

规则引擎

违规规则定义：将业务规则转化成单帧物体检测的规则（如用 B. b. 的 Overlapping 作接触判断） 。

单帧图像违规规则判断：当前帧是否发生违规？

一定时间窗口内的违规规则判断：违规是否持续了一段时间（真的发生了违规，还是某一两帧模型的误判） ？

快速开发基准模型，试运行时收集 Bad Case 进行多次迭代优化。

优化方案

共同的优化措施

通过多次试验，调整规则的阈值条件，使单帧检测效果提升。

通过合适的时间聚合条件，将单帧违规信息聚合到事件维度，提高事件级别的识别准确率（Precision）。

迭代期间模型试运行测试时，收集 Bad Case 数据，追加标注数据进行迭代训练。

违规案例检测展示

上线效果

上线后的推理速度（包括数据的前后处理、规则的判断等全部流程） ：5FPS，部分场景 2.5FPS。

实时监控菜单页

违规记录查看菜单页

案例企业简介

音智达（Advanced Analytic Service）  是一家专注于帮助企业进行数字化转型与数字驱动管理的大数据公司。公司提供基于大数据技术的预测性分析及商务智能解决方案，大数据软件产品， 和大数据SaaS应用和DaaS服务。公司总部位于上海，运营遍及大中华区。音智达为亚洲地区数以百计的跨国企业及本土客户提供数据服务，  拥有丰富的数据分析与业务实施经验，  在生命科学、快消品、汽车、零售、电子消费产品、金融、保险，以及运输行业享有众多实践成功案例。