解决方案

门店的共性是：商品没有条码或者条码不好扫，店员流动快，网络不稳，收银台前排着队。所以识别必须快、必须在本地、必须能在断网时继续收钱。

自助收银视觉核对

顾客把现烤面包、散装卤味放上台面，摄像头认货、计价、生成单据；同时对可疑行为（换袋、遮挡、少扫）给出提示。商品库与模型放在收银设备本地，识别不依赖网络往返。

• 无条码商品识别，同款不同价也能区分
• 可疑行为提示给到店员端，不直接对顾客做判定
• 交易留痕：单据、识别结果与画面摘要，事后可查

货架与陈列分析

用门店已有的摄像头看货架：缺货、错位、价签不符、陈列不合规。判定在门店侧的盒子上完成，只上报结构化结果与异常截图，不上传整段视频。

晨检与后厨规范

上岗前的健康与卫生检查，以及后厨操作规范（口罩、帽子、手套、生熟分开）的日常核对。检查项固化成流程，结果带时间戳与画面摘要，异常当天可见。

客流与行为分析

进店人数、动线、区域停留时长。我们只做计数与轨迹统计，不做人脸身份识别——这在零售场景里既没必要，也会带来合规负担。

工业现场和零售最大的不同是：不许试错。产线节拍固定、判定口径要写进工艺文件、误报多了工人会直接关掉系统。所以这里的关键不是模型精度，是成像方案与判定口径。

外观缺陷检测

划伤、脏污、压伤、缺件、错件、颜色不一致。做法是先把成像固定下来（光源、角度、距离、曝光），再按缺陷类型分区检测、分别设阈值，避免一个阈值打天下。

• 成像方案先于模型：光打不对，模型再好也救不回来
• 小缺陷靠分区切片，不靠把整图分辨率硬拉高
• 判定结果标在原图上，标缺陷本身而不是画大框
• 漏检与误报分开统计，各自给验收口径

工位 SOP 合规

动作是否按规程执行：到位、顺序、次数、工具使用。这类问题本质是动作时序判定，不是单帧分类，所以要按工位编排流程，而不是训练一个大模型硬猜。

园区安防的真实痛点不是"没有摄像头"，而是"有几千路，出事时翻不出来"。所以我们先解决接入与存储的结构化，再谈分析。

• 多路视频接入与统一时间基准，先把时间对齐
• 按保留周期算存储账，冷热分层，不拿在线盘堆历史
• 分析服务与录像解耦，分析挂了不影响录像
• 检索按事件走：什么时间、哪片区域、什么类型

部署形态按客户要求走私有化：整套服务在客户机房内运行，权限按角色划分，不对外开放访问入口。

算法装进几百家门店后，成本从"开发"变成"运维"：谁在线、跑的是哪个版本、哪家店识别率掉了、要不要远程看一次。这部分由筋斗云设备平台承担。

• 设备纳管与在线状态、版本台账
• 批量下发与灰度升级，出问题能回滚
• 远程诊断：取日志、取样本图、看运行指标
• 可独立部署在客户自己的机房，数据不出客户环境