WG Tech Solutions 借助 Ultralytics YOLO 实时检测工厂违规行为，将安全事故减少了 28%，并提高了合规水平。
跟踪并改进工业制造运营可能很有挑战，尤其是因为许多流程仍依赖人工操作。运营过程缺乏可视性，往往会导致一些不易察觉的低效问题，例如瓶颈和人力利用不足。
例如，安全与合规检查通常由人工完成，包括确保工人穿戴适当的个人防护装备 (PPE)，以及确保材料得到正确处理和堆放。在节奏快速的环境中，违规行为因此很容易被忽略。
为弥合这些差距，WG Tech Solutions 开发了 WGDeepInsight，这是一个用于持续监控的 AI 驱动视频分析平台。该平台通过使用计算机视觉模型（例如 Ultralytics YOLO models）分析实时视频流，提供运营情况的实时可视性，帮助团队观察、分析并改进制造流程。
利用视觉 AI 提高工厂生产效率和安全性#
WG Tech Solutions 是一家专注于为真实环境构建智能系统的边缘 AI 公司。该公司开发端到端 AI 解决方案，将定制硬件、AI 模型和应用软件结合起来，使组织能够直接在边缘监控、分析并改进运营。
该公司总部位于印度，业务覆盖制造业、汽车、农业和医疗系统等多个行业；在这些领域，实时洞察和现场智能至关重要。
其核心平台 WGDeepInsight 旨在通过 AI 驱动的视频分析提供运营情况的实时可视性。该平台支持安全、监控、安全合规和质量检查等应用场景，让用户能够直接在边缘监控活动、检测问题并改进工作流。
通过将计算机视觉模型与物联网人工智能 (AIoT) 能力相结合，WGDeepInsight 让制造商能够跟踪活动、监控合规情况，并提高工厂环境中的运营可视性。
工厂运营中的可视性为何会不足#
大规模监控工厂运营需要持续保持可视性，但真实的生产环境让这并非易事。不同工位的活动各不相同，工人通常会在一天中处理不同任务，而分布式工厂的各类条件也可能发生变化。
许多情况下，工厂团队仍依靠人工观察和现场检查来跟踪工作流程。虽然这类传统方法可以提供基本监督，但对实际工作开展方式的了解有限。
换句话说，采集准确、客观的时间与动作数据并不容易。当涉及安全和安保时，数据不足的问题就更加突出。PPE 使用不合规、未经授权进入或物料处理不当等问题很容易被忽略，而响应延迟会让预防重复违规变得更加困难。
例如，WG Tech Solutions 曾与一家运营多个工厂设施的领先原始设计制造商 (ODM) 合作，该企业面临类似限制。该 ODM 的大部分装配流程仍依赖人工，因此生产效率、安全和合规监控高度依赖目视检查。
为了优化生产效率和安全合规，该 ODM 需要更系统的方法来采集可靠的时间与动作数据、跟踪各工位的标准作业程序 (SOP) 执行情况，并检测安全和安保违规行为。
他们还需要更有效的方法，将实时反馈传递给相关团队。如果没有自动化，要扩展这种可视性仍是一项主要挑战。
借助 Ultralytics YOLO 模型实现更智能的工厂监控与合规管理#
WG Tech Solutions 将 Ultralytics YOLO 模型集成到 WGDeepInsight 平台中，以支持目标检测、目标跟踪和实例分割等关键计算机视觉任务。通过将这些模型应用于实时视频流，该平台能够帮助团队持续监控运营、采集准确的时间与动作数据，并实时发现低效问题。
这一方法应用于此前提到的那家领先 ODM 的部署项目中。WGDeepInsight 采用混合式部署方案，在各个工位和工厂 IT 环境中部署 Axelera Metis AI 加速器，并由 Voyager SDK 简化大规模边缘部署。
Ultralytics YOLO 模型的视觉能力被用于监控工厂各工位的运营情况、跟踪 SOP 执行情况，并检测安全和安保违规行为，例如未按要求穿戴 PPE、未经授权进入以及物料堆放不当。
图 1. 使用 Ultralytics YOLO 模型检测堆放不规则的箱子的示例。
为此，团队在三周时间内从多个工作站收集视频数据，并使用专有界面进行标注。团队使用这些数据集训练和微调 Ultralytics YOLO 模型，包括 Ultralytics YOLO11 和 Ultralytics YOLOv8，使模型适应工厂环境。
团队还通过增加推理逻辑、调整参数和采用优化技术进一步改进模型，确保模型在真实场景中可靠运行。平台部署后，可实现实时监控和违规行为自动检测，为运营情况提供持续一致、以数据为依据的可视性。
为什么选择 Ultralytics YOLO 模型？#
对于 WG Tech Solutions，Ultralytics YOLO 模型为构建计算机视觉解决方案提供了坚实基础，可快速适配不同的工厂应用场景。模型能够在边缘设备上实现高性能推理，因此非常适合大规模制造环境；在这些环境中，低延迟和持续监控至关重要。
Ultralytics YOLO 模型还支持多种部署导出格式，包括 ONNX、PyTorch 和 NCNN。这让模型更容易集成到边缘设备和集中式系统中，从而构建混合架构。
总体而言，借助 Ultralytics YOLO 模型，WG Tech Solutions 能够更快地交付定制解决方案，同时确保模型在大型工厂环境中稳定可靠地运行。
WGDeepInsight 借助 Ultralytics YOLO 将员工违规行为减少了 28%#
WG Tech Solutions 的 WGDeepInsight 平台借助 Ultralytics YOLO 模型持续监控和分析工厂运营，从而提升安全性、合规性和运营可视性。
对于这家领先的 ODM，员工安全违规行为减少了 28%。在设备端以低延迟处理的实时警报缩短了响应时间，并减少了重复发生的问题，使工厂车间能够更一致地执行安全规程。
该平台跟踪各工位的 SOP 执行情况，并在违规发生时发出标记。它还能识别 PPE 穿戴不当、未经授权进入、人员过度拥挤以及流程步骤遗漏或错误等问题。
例如，在托盘处理流程中，平台会验证物品是否被正确拿取和放置，以及每个步骤是否遵循规定顺序，并在过程中标记任何偏差。
图 2. Ultralytics YOLO 模型助力检测单手托盘操作。
此外，该系统还拓展到了其他运营和安保流程。在 CCTV 监控室中，系统会实时跟踪人员在岗情况，并在人员配备低于要求阈值时触发警报。
在质量检查流程中，系统会验证操作顺序、确保使用指定工具，并监控每项任务所用时间；如发现偏差，系统便会发出标记，以保持标准一致。
随着时间推移，这些视觉分析结果让团队更清楚地了解流程在哪些环节出现问题，并通过有针对性的培训支持纠正措施。
团队根据客户需求定制了警报和反馈机制，并可灵活集成到现有工厂工作流程中。通知通过电子邮件、消息系统和基于角色的仪表板等渠道发送，确保相关团队实时收到适当的信息。
这也确保了关键规程得到持续一致的遵守，例如使用正确的工具，以及在受控区域维持最低人员配置。最终，日常运营变得更加一致，从而增强了工厂车间的合规性。
将实时监控扩展到不同工厂环境#
随着工业自动化不断发展，计算机视觉正成为提升人工操作可视性和一致性的关键技术。WG Tech Solutions 计划通过定制 Ultralytics YOLO 模型，将 WGDeepInsight 平台扩展到新的工厂环境和工作流程。
该平台支持多种应用场景，涵盖安全和安保监控，以及工厂车间的流程级检查。结合边缘部署、实时分析和 Axelera Metis 边缘 AI 加速器，平台可在不同制造环境中提供可扩展的监控和一致的运营洞察。
想要探索视觉 AI 在运营工作流程中的应用？查看我们的 GitHub 代码仓库和许可选项，开始使用 Ultralytics YOLO 模型。了解医疗领域的 AI和制造业中的视觉 AI等应用，以及边缘 AI 加速器，例如 Axelera AI 导出与部署 | Ultralytics 文档
