WG Tech Solutions 通过 Ultralytics YOLO 和 Axelera 的 AI 加速器将安全违规行为减少了 28%

跟踪和改进工业制造运营可能具有挑战性，尤其是因为许多流程仍然是手动的。这种对运营可见性的缺乏通常会导致隐藏的低效问题，例如瓶颈和劳动力利用不足，这些问题往往难以被发现。

例如，安全和合规性检查（如确保工人佩戴适当的个人防护装备 (PPE) 或物料处理和堆放是否正确）通常是人工完成的，这使得在快节奏的环境中很容易遗漏违规行为。

To bridge these gaps, WG Tech Solutions developed WGDeepInsight, an AI-powered video analytics platform for continuous monitoring. By analyzing live video feeds using computer vision models like Ultralytics YOLO models, the platform provides real-time visibility into operations, helping teams observe, analyze, and improve their manufacturing processes.

Link to this section利用视觉 AI 提高工厂生产力和安全性#

WG Tech Solutions 是一家边缘 AI 公司，专注于为真实环境构建智能系统。他们开发端到端 AI 解决方案，结合了定制硬件、AI 模型和应用软件，使组织能够直接在边缘端监控、分析和改进运营。

该公司总部位于印度，业务遍及制造、汽车、农业和医疗系统等多个行业，在这些行业中，实时见解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的实时可见性。它为安防、监控、安全合规和质量检查等用例提供支持，让用户能够监控活动、检测问题并直接在边缘端优化工作流。

通过将计算机视觉模型与人工智能物联网 (AIoT) 功能相结合，WGDeepInsight 使制造商能够跨工厂环境跟踪活动、监控合规性并提高运营可见性。

Link to this section为什么工厂运营中的可见性会丧失#

大规模监控工厂运营需要持续的可见性，但实际的生产环境使这远非直接了当。各工位间的活动各不相同，工人通常全天处理不同的任务，且条件可能会在分布式工厂设施中发生变化。

在许多情况下，工厂团队仍然依赖人工观察和现场检查来跟踪工作流。虽然这种传统方法可以提供基本的监管，但却限制了对实际工作执行情况的深入了解。

换句话说，获取准确、客观的时间与运动数据具有挑战性。当涉及安全和保安时，这种数据匮乏问题显得尤为关键。诸如 PPE 不合规、未经授权的访问或 不正确的物料处理 等问题很容易被错过，且反应滞后使得预防重复违规变得更加困难。

例如，WG Tech Solutions 与一家运营多个工厂设施且面临类似限制的领先原始设计制造商 (ODM) 进行了合作。该 ODM 的大多数组装流程仍然是手动的，因此对生产力、安全性和合规性的监控在很大程度上依赖于人工检查。

为了优化生产力和安全合规性，该 ODM 需要一种更有条理的方法来获取可靠的时间与运动数据，跟踪各工位的标准作业程序 (SOP) 合规性，并检测安全和保安违规行为。

他们还需要一种更有效的方式来向相关团队提供实时反馈。在缺乏自动化的情况下，扩展这种程度的可见性仍然是一个主要顾虑。

Link to this section利用 Ultralytics YOLO 模型实现更智能的工厂监控和合规性#

WG Tech Solutions 将 Ultralytics YOLO 模型集成到其 WGDeepInsight 平台中，以实现关键的 计算机视觉任务，如目标检测、目标跟踪和实例分割。通过将这些模型应用于实时视频源，该平台允许团队持续监控运营、获取准确的时间与运动数据，并实时识别低效环节。

这种方法应用于与上述领先 ODM 的部署项目中。WGDeepInsight 采用混合设置实施，将 Axelera Metis AI 加速器部署在工作站和整个工厂 IT 环境中，并利用 Voyager SDK 实现边缘的大规模部署。

Ultralytics YOLO 模型的视觉能力被用于监控工厂各工位的运营、跟踪 SOP 的执行情况，并检测 PPE 不合规、未经授权的访问和物料堆放不当等安全和保安违规行为。

图 1. 使用 Ultralytics YOLO 模型检测不规则堆叠箱子的示例。

为了支持这一点，我们在三周时间内从多个工作站收集了视频数据，并使用专有界面进行了标注。该数据集被用于训练和微调针对工厂环境定制的 Ultralytics YOLO 模型，包括 Ultralytics YOLO11 和 Ultralytics YOLOv8。

这些模型通过额外的推理逻辑、参数调整和优化技术得到了进一步增强，以确保在真实环境中的可靠性能。部署后，该平台实现了实时监控和违规自动检测，为运营提供了持续、数据驱动的可见性。

Link to this section为何选择 Ultralytics YOLO 模型？#

对于 WG Tech Solutions 而言，Ultralytics YOLO 模型为构建可以快速适应不同工厂用例的 计算机视觉解决方案 提供了坚实的基础。它们在边缘端提供高性能推理的能力，使其成为大型制造设置的绝佳选择，在这些设置中，低延迟和持续监控至关重要。

Ultralytics YOLO 模型还为部署提供了跨各种导出格式的灵活性，包括 ONNX、PyTorch 和 NCNN。这使得将它们与边缘设备和集中式系统集成以实现混合架构变得更加容易。

总体而言，通过使用 Ultralytics YOLO 模型，WG Tech Solutions 能够更快地交付定制解决方案，同时在大型工厂环境中保持可靠的性能。

Link to this sectionWGDeepInsight 利用 Ultralytics YOLO 将工人违规行为减少了 28%#

利用 Ultralytics YOLO 模型，WG Tech Solutions 的 WGDeepInsight 平台提供工厂运营的持续监控和分析，提高了安全性、合规性和运营可见性。

在上述领先 ODM 的案例中，工人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，减少了重复出现的问题，从而使工厂车间的安全协议执行更加一致。

该平台跟踪了各工位的 SOP 执行情况，并会在违规发生时发出标记。它还识别出诸如 PPE 使用不当、未经授权访问、过度拥挤以及漏掉或错误的过程步骤等问题。

例如，在托盘处理工作流中，它验证了物品的拾取和放置是否正确，以及每一步是否遵循了所需顺序，并在过程中标记出任何偏差。

图 2. Ultralytics YOLO 模型帮助检测单手托盘处理。

除此之外，它还扩展到了其他运营和保安工作流。在 CCTV 监控室中，系统会实时跟踪人员在场情况，并在人员配置水平低于所需阈值时触发警报。

同时，在质量检查工作流中，它验证了工艺顺序，强化了指定工具的使用，并监控了每个任务所花费的时间，标记出任何偏差以保持一致的标准。

随着时间的推移，这些视觉见解提供了更清晰的可见性，指明了流程在何处中断，并通过有针对性的培训支持纠正措施。

警报和反馈机制是根据客户需求量身定制的，并能灵活集成到现有的工厂工作流中。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，确保相关见解能够实时传达给适当的团队。

这也确保了关键程序能够持续得到遵循，例如使用正确的工具并保持受控区域的最低人员配置水平。最终，日常运营变得更加一致，加强了整个工厂车间的合规性。

Link to this section在工厂环境中扩展实时监控#

随着工业自动化的发展，计算机视觉正成为提高手动操作可见性和一致性的核心。通过定制 Ultralytics YOLO 模型，WG Tech Solutions 计划将其 WGDeepInsight 平台扩展到新的工厂环境和工作流中。

这支持了从安全和保安监控到工厂车间过程级检查的各种用例。结合边缘部署、实时分析和 Axelera Metis 边缘 AI 加速器，它在制造环境中提供了可扩展的监控和一致的运营见解。

正在探索用于您的运营工作流的视觉 AI？查看我们的 GitHub 存储库 和 许可选项 以开始使用 Ultralytics YOLO 模型。了解 AI 在医疗保健中的应用 和 制造业中的视觉 AI 等应用，以及诸如 Axelera AI 导出与部署 | Ultralytics 文档 等边缘 AI 加速器。