- 综合排序
- 最热优先
- 最新优先
- 来自专栏燧机科技-视频AI智能分析
睡岗离岗识别检测系统
睡岗离岗识别检测系统根据监控视频ai分析技术可以24h不间断全自动识工作人员的岗位，一旦发现员工工作中不在位置的时间超过规定，睡岗离岗识别检测系统将立即警报，并把报警信息传送到后台。 睡岗离岗识别检测系统可以有效避免员工睡岗离岗的情况发生，从而避免因此造成的不必要的损失。 睡岗离岗识别检测系统处理职工私自离岗的监督难题，从原来的人力资源检查转变成系统全自动控制，大大降低中心管理人员的劳动强度，促使监管更加高效。 针对工作人员的离岗，系统会一键备份，包含离岗时长、离岗工作人员、视频等，并进行详细的记录。当工作人员有异议时，可以查看监控录像。
79220编辑于 2022-09-25 - 来自专栏燧机科技-视频AI智能分析
监控脱岗离岗行为检测系统
监控脱岗离岗行为检测系统根据AI机器视觉分析全天候不间断对监控视频图像开展识别和剖析，对企业的某些固定工位离岗、脱岗情况进行识别检测报警提醒。 监控脱岗离岗行为检测系统使用场景包含:酒店迎宾离岗检测、宾馆前台离岗检测、保安离岗检测、工厂生产线工作人员离岗检测、监控指挥中心工作人员离岗检测等，避免因离岗导致财产损失或安全事故，减少人力资源管理节省成本 监控脱岗离岗行为检测系统主要运用于施工工地、工厂等需要加强监督的场所。依据计算机视觉分析的技术和现场监控摄像头相互配合，监控脱岗离岗行为检测系统对在工作期间离岗的情况进行监管。 一旦监控区域工作员发觉离岗状况，系统将现场图片拍摄并发送给相对应管理人员的移动终端。 离岗检测鉴别预警信息系统、值班室人员睡岗预警系统、工作人员未在座位检测识别摄像头、企业办公室人员离岗检测拍摄预警信息系统、，监控室人员未在岗位检测识别摄像头、走廊消防通道堵塞预警信息系统、安全消防监控室离岗检测预警提醒监控监控摄像头
1K10编辑于 2022-09-25 - 来自专栏燧机科技-视频AI智能分析
人员玩手机离岗识别检测系统
人员玩手机离岗识别检测系统通过python+yolov5网络模型识别算法技术，人员玩手机离岗识别检测系统可以对画面中人员睡岗离岗、玩手机打电话、脱岗睡岗情况进行全天候不间断进行识别检测报警提醒。 图片 Yolo模型采用预定义预测区域的方法来完成目标检测，具体而言是将原始图像划分为 7x7=49 个网格（grid），每个网格允许预测出2个边框（bounding box，包含某个对象的矩形框），总共 我们将其理解为98个预测区，很粗略的覆盖了图片的整个区域，就在这98个预测区中进行目标检测。
1.2K20编辑于 2023-03-22 - 来自专栏燧机科技-视频AI智能分析
夜班睡岗离岗识别检测系统
夜班睡岗离岗识别检测系统依据智能视频分析，能够对值班中关键岗位的运行状态开展全天候实时识别检测，夜班睡岗离岗识别检测系统对区域工作人员的睡岗、离岗、缺岗、玩手机、抽烟等行为进行识别。 在工地值班室部署离岗监测功能，根据监控人员是否在监控室工作岗位上，当值班人员缺岗、睡岗、离岗超过系统设定的时间，则会立即报警，防止人员粗心大意所造成的损失。 夜班睡岗离岗识别检测系统是推动传统监控系统“监管人为要素”向“视频监控系统系统”转型的必需方式。 夜班睡岗离岗识别检测系统致力于服务对各种岗位的实时监测分析，有效实现对值班室人员离岗智能检测的实时预警，包含视频监督、事件预警信息、信息推送等服务。 夜班睡岗离岗识别检测系统依据机器视觉视频分析技术，有效检测视频画面中人体异常行为及目标物品，并发出告警，改变过去视频监控系统系统的处于被动预警信息、效率低下的情况。
51910编辑于 2022-09-25 - 来自专栏燧机科技-视频AI智能分析
办公室人员离岗识别检测系统
办公室人员离岗识别检测系统根据yolov7网络模型深度学习技术，办公室人员离岗识别检测系统能够7*24小时全天候自动识别人员是否在岗位。 YOLOv7 在 5 FPS 到 160 FPS 范围内，速度和精度都超过了所有已知的目标检测器，并在V100 上，30 FPS 的情况下达到实时目标检测器的最高精度 56.8% AP。 相对于其他类型的工具，YOLOv7-E6 目标检测器（56 FPS V100，55.9% AP）比基于 transformer 的检测器 SWINL Cascade-Mask R-CNN（9.2 FPS 图片近年来，实时目标检测器仍在针对不同的边缘设备进行开发。 ；在 CPU 上使用的实时目标检测器的设计主要基于 MobileNet、ShuffleNet 或 GhostNet；为 GPU 开发的实时目标检测器则大多使用 ResNet、DarkNet 或 DLA，
96420编辑于 2023-02-26 - 来自专栏TSINGSEE青犀视频
视频云存储安防监控视频智能分析平台睡岗离岗检测
TSINGSEE青犀推出的视频云存储/安防监控视频智能分析平台得睡岗离岗检测根据AI视频分析技术建立人工智能算法，对视频画面展开分析与识别。自动识别出人员睡岗、离岗、玩手机与抽烟等动作。 基于视频流的智能检测分析，对场景中出现的人员离岗、睡岗行为进行识别，针对长时间无人值守、人员睡岗的情况进行告警提醒。 1）支持离岗时间自定义设置，检测离开多长时间才算离岗，可根据岗位规定，允许值班人员上班上洗手间的时间，超过时间即触发告警，减少误报几率；2）支持人形识别，包含半身、全身；姿势识别，包含站姿、坐姿、正脸、 TSINGSEE青犀视频AI识别平台基于视频AI技术自动检测违规行为，采取技防+人防模式，有效辅助预警、监管、取证，支持同时检测睡岗和离岗行为，实现全场景多功能预警，保障作业安全，减少安全事故的发生概率 人员睡岗离岗检测可应用在工地、工厂、矿山、消防等行业中，督促值班人员提升岗位责任心，协助企业提高监管效率。
74810编辑于 2023-08-22 - 来自专栏国标视频云平台
如何基于AI视频智能分析+视频监控技术搭建离岗睡岗检测系统？
在一些重要的工作岗位中，都会安排特定的值岗人员，维持日常生产、运营及治安工作，而在岗人员每天面临艰巨而又单调重复的工作，极易产生疲劳，注意力下降，时常会出现离岗、睡岗、抽烟、玩手机等违规行为，从而无法及时发现安全隐患和处理突发紧急事件 图片三、解决方案SkeyeVSS视频融合云平台基于端-边-云一体化架构，具有海量视频接入、汇聚与管理、处理及分发等视频能力，支持AI视频智能分析功能，能自动识别相关工作人员的岗位，如果发现相关工作人员离岗 图片三、算法功能1、离岗检测SkeyeVSS平台结合部署在边缘侧的AI智能分析网关，基于视频流的智能检测分析，24小时智能监测工作岗位，一旦监测到空岗时间超出规定时间，系统便会立即抓拍提醒，并将违规异常截图传送至后台监控端 4、服装穿戴检测通过实时视频监测和预警在岗人员是否正确佩戴安全帽、穿戴工作服，若检测到异常，则立即向平台发出告警，支持语音联动、声光装置进行提醒。 五、方案应用SkeyeVSS视频融合云平台基于视频AI技术自动检测违规行为，支持检测睡岗、离岗等行为，实现全场景多功能预警，有效辅助预警、监管、取证，保障作业安全，减少安全事故的发生概率。
1.4K30编辑于 2023-05-09 - 来自专栏燧机科技-视频AI智能分析
离岗识别 yolov5
离岗识别算法模型通过yolov5网络模型技术，离岗识别可以自动识别现场画面中人员离岗等行为，发现违规行为立即抓拍告警。 YOLO5系列算法是一类典型的one-stage目标检测算法，其利用anchor box将分类与目标定位的回归问题结合起来，从而做到了高效、灵活和泛化性能好，所以在工业界也十分受欢迎，接下来我们介绍YOLO Yolo模型采用预定义预测区域的方法来完成目标检测，具体而言是将原始图像划分为 7x7=49 个网格（grid），每个网格允许预测出2个边框（bounding box，包含某个对象的矩形框），总共 49x2 我们将其理解为98个预测区，很粗略的覆盖了图片的整个区域，就在这98个预测区中进行目标检测。 YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。
54900编辑于 2023-05-20 - 来自专栏TSINGSEE青犀视频
TSINGSEE青犀睡岗离岗检测算法——确保加油站安全运营
众所周知，加油站是一个需要24小时营业的场所，由于夜间加油人员较少，员工极易处于疲劳或者睡眠状态，为保障安全和效率，通过TSINGSEE青犀睡岗离岗检测算法在加油站场景中，可以及时发现工作人员的疲劳状况 2、睡岗离岗算法TSINGSEE青犀智能分析网关睡岗离岗检测算法主要基于计算机视觉和深度学习技术，通过分析人员的眼睛状态、脸部表情、头部姿态等特征，判断人员是否处于疲劳或睡眠状态。 系统自动检测区域内的人体，再统计区域内的人体数目，数目不达标且达到设置的时间将触发告警。 图片3、智能告警一旦睡岗检测算法检测到加油站工作人员出现离岗或睡眠状态，系统会立即触发警报机制，发送警报信号给管理人员，或者通过语音提醒工作人员。 硬件可实现的AI检测包括：人脸结构化数据、车辆结构化数据、场景检测类算法、行业类检测算法、人员行为类检测算法等。
35710编辑于 2023-10-27 - 来自专栏燧机科技-视频AI智能分析
值班离岗智能识别监测系统
值班离岗智能识别监测系统通过python+yolo网络模型视频分析技术，值班离岗智能识别监测系统能自动检测画面中人员的岗位状态（睡岗或者离岗），值班离岗智能识别监测系统一旦发现人员不在岗位的时间超出后台设置时间 Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测，核心思想就是利用整张图作为网络的输入，直接在输出层回归 bounding box（边界框） 的位置及其所属的类别。 Yolo模型采用预定义预测区域的方法来完成目标检测，具体而言是将原始图像划分为 7x7=49 个网格（grid），每个网格允许预测出2个边框（bounding box，包含某个对象的矩形框），总共 49x2 我们将其理解为98个预测区，很粗略的覆盖了图片的整个区域，就在这98个预测区中进行目标检测。
1.7K20编辑于 2023-03-19 - 来自专栏PowerBI战友联盟
PowerBI HR应用之离岗时间计算
背景 很多企业实行比较人性化的管理，员工进出公司以打卡为安全保证，而很多时候会出现员工离岗很长时间的问题。作为一种了解，企业通过打卡机的记录可以了解到一个员工离开工位的时长。 例如： 对于任何一个员工： 每日第一次进入打卡记录为其上班时间； 每日最后一次离开打卡记录为其下班时间； 中间每对【离开-进入】的间隔为离岗时长。 那么打卡机会默认记录所有员工的打卡记录，问题来了，需要统计每个员工的离岗时长，如何操作。 尤其是第一项的分析，可以看出在考勤打卡机的记录里，某人某日的第一条记录是上班记录，从第二条开始才是离开记录；而最后一条是下班记录，并非离岗记录。 而这里需要将【离岗-回岗】合理配对以计算离岗时长。 分治法：将原问题化解为有限的原子问题以及原子问题的重复，并先分类解决原子问题，再整体解决原问题。本案例将使用分治法策略来实现。
1.8K10发布于 2019-09-23 - 来自专栏TSINGSEE青犀视频
安防监控视频AI智能分析网关V4离岗检测算法配置步骤来啦
硬件可实现的 AI 检测包括：人脸结构化数据、车辆结构化数据、场景检测类算法、行业类检测算法、人员行为类检测算法等。 图片从用户的使用反馈来看，近期V4的离岗算法需求较大，今天小编就带大家来学习一下如何配置智能分析网关V4离岗算法。 1）首先登录算法中心，接入测试算法的视频流或摄像头；图片2）随后编辑该设备配置算法；图片3）找到对应的设备配置对应的算法离岗检测，配置算法参数和检测区域，设置好触发告警时间；图片图片4）配置保存后，触发告警信息后即可完成配置
49820编辑于 2023-10-10 - 来自专栏TSINGSEE青犀视频
基于AI视频智能分析技术的人员睡岗离岗检测方案及应用场景
通过人员走访检查不仅效率低下、违规行为发现慢，而且极易监管不到位，因此，基于AI深度学习的人员离岗睡岗智能检测算法，则成为企业、工厂、工地、物业等日常监管工作中的关键应用。 二、解决方案EasyCVR视频融合平台可利用部署在边缘侧的AI智能分析网关，基于视频流的智能检测分析，对场景中出现的人员离岗、睡岗行为进行识别，针对长时间无人值守、人员睡岗的情况进行告警提醒。 三、算法能力1、离岗检测1）支持离岗时间自定义设置，检测离开多长时间才算离岗，可根据岗位规定，允许值班人员上班上洗手间的时间，超过时间即触发告警，减少误报几率；2）支持人形识别，包含半身、全身；姿势识别 四、应用基于视频AI技术自动检测违规行为，采取技防+人防模式，有效辅助预警、监管、取证，支持同时检测睡岗和离岗行为，实现全场景多功能预警，保障作业安全，减少安全事故的发生概率。 人员睡岗离岗检测可应用在工地、工厂、矿山、消防等行业中，督促值班人员提升岗位责任心，协助企业提高监管效率。
1.1K10编辑于 2023-03-22 - 来自专栏燧机科技-视频AI智能分析
人员离岗自动识别系统
人员离岗自动识别系统依据opencv+yolo网络机器学习模型自动识别岗位上是否人员存在。 一旦发现人员在作业时间不在位置上，人员离岗自动识别系统会立即抓拍告警，并把报警记录同步到后台，通过现场语音摄像机给出语音提示，让人员及时返回岗位。 图片传统背景差分法，结合OpenCV中的图像高斯平滑预处理以及腐蚀、膨胀图像形态学处理方法，实现一个更符合实际场景需要的运动目标检测方法。 实验效果比较分析表明，该目标检测算法较传统目标检测算法能够提取更加准确和完整的运动目标轮廓。 图片目标检测架构分为两种，一种是two-stage，一种是one-stage，区别就在于 two-stage 有region proposal过程，类似于一种海选过程,网络会根据候选区域生成位置和类别，
1.3K30编辑于 2022-12-26 - 来自专栏燧机科技-视频AI智能分析
值班室睡离岗识别预警系统
在电力调度、消防控制、通信机房、应急指挥中心等24小时值守场景中，工作人员因疲劳或临时事务出现睡岗、离岗行为，可能延误突发事件响应，带来重大安全风险。 为提升值守纪律，部分单位部署了“值班室睡离岗识别预警系统”。然而，市场宣传中常出现“自动触发告警”“抓拍录像并推送”“基于YOLOv10智能分析”等表述，易引发对技术能力与隐私合规的误判。 二、系统架构：区域检测 + 行为分析 + 边缘推理系统采用三层边缘设计，保障数据不出设备、低延迟响应：前端感知层在值班台上方部署720P红外补光摄像头（建议俯视20°～30°）；视频流输入边缘AI盒子（ 状态判别层结合MediaPipe Face Mesh提取眼部关键点，计算EAR（眼纵横比）；设定电子围栏：若人员完全离开区域且 >3分钟未返回，则标记为“疑似离岗”；引入时间缓冲机制：允许短时离岗（如 注：在实验室标准值班室环境（均匀光照、单人、正脸）下，系统对明显睡岗与离岗行为的识别召回率达91.2%，误报率约8.4%（样本量：420段测试）。
14510编辑于 2026-02-01 - 来自专栏燧机科技-视频AI智能分析
办公室人员睡岗离岗监测系统
办公室人员睡岗离岗监测系统利用yolov系列以及opencv深度学习框架，办公室人员睡岗离岗监测系统对办公室内人员睡岗离岗行为实时分析检测，如果算法发现有人员离岗或者睡岗可以立即抓拍存档预警。 图片YOLO系列算法是一类典型的one-stage目标检测算法，其利用anchor box将分类与目标定位的回归问题结合起来，从而做到了高效、灵活和泛化性能好，Yolo算法采用一个单独的CNN模型实现end-to-end 的目标检测，核心思想就是利用整张图作为网络的输入，直接在输出层回归 bounding box（边界框） 的位置及其所属的类别。 图片目标检测架构分为两种，一种是two-stage，一种是one-stage，区别就在于 two-stage 有region proposal过程，类似于一种海选过程,网络会根据候选区域生成位置和类别，
90340编辑于 2022-12-27 - 来自专栏燧机科技-视频AI智能分析
值班室人员离岗自动抓拍报警系统
二、技术内核：从目标检测到细粒度行为理解现代值班室人员离岗自动抓拍报警系统不再依赖简单的移动侦测，而是采用深度学习驱动的多任务学习框架，结合人体关键点检测（Pose Estimation）与时序动作定位技术 核心算法逻辑解析区域定义与离岗判定：系统允许用户在视频画面中自定义“电子围栏”（ROI区域），如座椅范围、操作台区域。离岗逻辑：算法首先通过人体检测模型锁定值班人员，追踪其骨骼关键点。 当检测到人员在ROI区域内消失，且持续时间超过预设阈值（如30秒、60秒可配置），即判定为“离岗”。引入“短暂离开”过滤机制，避免因人员起身倒水等正常活动触发误报。 抽烟识别：捕捉“手至嘴边”的动作轨迹，并结合烟雾检测算法（针对可见烟雾）或特定物体检测（香烟），提高识别准确率。2. 业务逻辑层（Logic）规则引擎：支持灵活配置报警规则，如不同时段（夜班/白班）设置不同的离岗阈值，不同岗位开启不同的检测项（如仅开启离岗，或全开）。
19110编辑于 2026-03-08 - 来自专栏燧机科技-视频AI智能分析
人员离岗睡岗自动识别系统
人员离岗睡岗自动识别系统依据机器学习智能视频分析技术，系统全自动识别职工的岗位状态。 人员离岗睡岗自动识别系统一旦发现员工不在工作岗位的时间超出规定设置时间，系统会把报警信息传送到后台并同步信息到相关人员的手机上，随后通过现场视频监控摄像机语音提醒，让员工马上回到岗位，防止工作人员粗心大意带来的损失 未经领导允许擅自离岗睡岗会带来很多潜在危害：1. 化工厂里面的生产设备一直在运作，工作人员轮替倒班。擅自睡岗离岗会造成生产中需要调整的时候工作人员无法马上立即到位，容易造成生产事故。 人员离岗睡岗自动识别系统能够对值勤重点岗位的工作状态开展24小时及时识别查验，人员离岗睡岗自动识别系统能够对某些区域的值班人员开展睡岗.离岗.缺岗.玩手机.抽烟和其它行为进行识别。
83720编辑于 2022-09-25 - 来自专栏燧机科技-视频AI智能分析
值班人员睡岗离岗监控报警系统
值班人员睡岗离岗监控报警系统可持续24个小时对值班岗位开展智能化监控。目前，工作人员睡岗离岗预警提醒监控摄像头识别工作员长时间保持不动的姿态，会被判定为睡岗，随后马上提醒睡岗工作人员。 值班人员睡岗离岗监控报警系统同时保存前端分析视频证据并上传至后台，为后续的人工审查提供管理依据。值班人员睡岗离岗的行为无法从源头上解决，增加人力资源管理成本会增加很多。 值班人员睡岗监控报警系统自动识别脱岗、睡岗等行为，避免有关安全值班工作人员离岗而影响工作可能造成不可挽回的损失。
96620编辑于 2022-09-25 - 来自专栏燧机科技-视频AI智能分析
政务大厅人员睡岗离岗玩手机识别算法
人员睡岗离岗玩手机识别算法通过python+yolo系列网络框架算法模型，人员睡岗离岗玩手机识别算法利用图像识别和行为分析，识别出睡岗、离岗和玩手机等不符合规定的行为，并发出告警信号以提醒相关人员。 人员睡岗离岗玩手机识别算法中Python是一种由Guido van Rossum开发的通用编程语言，它很快就变得非常流行，主要是因为它的简单性和代码可读性。 整体来看，人员睡岗离岗玩手机识别Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测。 首先将输入图片resize到448x448，然后送入CNN网络，最后处理网络预测结果得到检测的目标。 对于卷积层和全连接层，人员睡岗离岗玩手机识别算法采用Leaky ReLU激活函数：max(x,0.1x)max(x,0.1x)。但是最后一层却采用线性激活函数。
69620编辑于 2023-09-14
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号