针对汽车行业企业总部及其下属汽车销售4S店铺，对于中控室人员脱岗/离岗、抽烟、明火、液体/气体跑冒滴漏、人员入侵等基本安全管理行为，都需要加派人员进行高强度的监控。然而，有如下痛点： （1）传统人工巡检管理成本高，实际应用效果不理想。 （2）传统人为监管反馈时间长，事故处理效率低。 （3）下属子公司、4S店无法与总部进行高效的信息沟通，造成数据冗余。

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Al化，可以帮助客户实现提升工厂人员管理效率和降低企业管理成本。

1）通过多次试验，调整规则的阈值条件，使单帧检测效果提升。 2）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)。 3）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。

基于视频流数据实现对净化间穿戴检测、到岗/离岗检测、疲劳检测等功能，并在客户方成功上线，事件级别违规识别准确率平均在90%以上。

汽车变速箱是汽车传动系统的主要组成之一，是进行机械动力转换的机械或液压设备。在变速箱的生产过程中，很容易产生机加工面上的划伤，这些划伤会导致发动机机壳密封不严格，造成漏油事故，造成安全隐患。

1）实现了对目标缺陷的像素分割，实现了对缺陷大小的定义，通过瑕疵检出率的提升，帮助客户严格把控良品率。2）相对于人工误判从8%降低到了3%，漏判从5%,降低到2%。3）单台设备运行-天可替代6人12个小时的工作量。

应用深度学习框架对变速箱铝压铸件表面的多角度划伤缺陷进行像素分割，相对于人工的误判率大幅降低，且单台设备运行一天可替代6人12个小时的工作量。