珠宝连锁门店SOP自动化监管系统产品系统

珠宝连锁门店在旧金回收、首饰称重、烧火验金、保险柜操作及收银等关键业务环节中，通常依赖管理人员人工抽查监控录像，存在检查覆盖率低、复核耗时长、执行标准不统一以及违规行为难以及时发现等问题。本项目通过自动分析门店监控视频，识别员工是否按照规定的SOP完成关键操作，降低人工抽查成本，提高连锁门店的合规管理效率与经营风险管控能力。

系统面向珠宝连锁门店的视频监管场景，包含待客行为检测、首饰称重流程核验、烧火验金操作识别、保险柜开合及存放状态检测、收银行为检测五大功能模块。
系统能够对门店监控视频进行自动分析，根据画面中是否存在人员动态调整检测帧率，有人时采用8fps、无人时采用1fps，在保证检测效果的同时降低计算资源消耗。系统还可对人员、关键区域及操作状态进行跨帧跟踪，识别员工的操作顺序和状态变化，并输出疑似违规时段、检测结果及关键画面，方便管理人员快速复核。通过GPU硬解码和TensorRT INT8量化优化，30分钟监控视频可在约60至90秒内完成分析。

我担任项目AI组组长，负责整体算法方案设计、业务场景拆解、关键模块研发、性能优化及团队协同，带领团队完成待客行为、首饰称重、烧火验金、保险柜存放和收银行为五类检测场景的研发。
针对长时间监控视频分析效率低的问题，我设计了基于人员存在感知的动态帧率机制，在有人和无人场景下分别采用5fps和1fps进行处理，使整体分析效率提升约10倍。针对CPU视频解码和数据拷贝瓶颈，采用GPU硬解码、CUDA零拷贝及端到端数据预处理方案，使预处理延迟降低30%至50%。
在保险柜场景中，基于ByteTrack的跟踪思路设计线段及区域状态追踪算法，实现保险柜门开合状态的稳定跨帧识别，有效降低遮挡、画面抖动及短时目标丢失造成的误检。
最终完成TensorRT INT8量化以及使用 C++重构代码，推理耗时缩短约6倍。经过多轮数据迭代和场景测试，五类检测场景的准确率均达到96%以上。