Tata Elxsi 如何在 AWS 上构建 IRIS 实时工业安全平台
问题
现有 CCTV 系统多为被动录像，检测不安全状况需人工审查 15-45 分钟；控制室操作员无法可靠同时监控数百路视频；合规执行不一致，每班仅 2-3 次人工巡检；增加摄像头会提高成本但安全结果提升有限。
解决方案
Tata Elxsi 构建 IRIS（Industrial Real-Time Intelligence System）平台，采用边缘过滤、元数据流、SageMaker AI 计算机视觉推理、关联层、告警与存储的架构，通过 AWS IoT Greengrass 在边缘抽帧并过滤，仅上传安全相关帧和结构化元数据，在云端运行 YOLOv8、SlowFast 等模型进行检测，经 Lambda+DynamoDB 关联层减少误报，并按严重级别触发告警。
结果
不安全状况检测时间从 15-45 分钟降至 5 秒内；安全审计覆盖从每班 2-3 次人工巡检变为 7×24 自动覆盖；可记录安全事故前 6 个月减少 15-20%；人工监控运营成本降低约 30%。
成本
成本信息待确认。
案例分析
使用场景：利用计算机视觉实时检测工业安全风险，包括 PPE 合规、限制区域入侵、工人不安全行为、车辆与设备接近风险
实施证据：Tata Elxsi 生产部署中，边缘过滤将发送到云端的帧量减少约 70–80%（基于客户生产测量）；持续吞吐量 2,000–5,000 事件/秒，突发约 15,000 事件/秒；每个 ml.g5.xlarge 端点处理约 40-60 推理请求/秒，p95 单帧推理延迟低于 300 毫秒；PPE 检测精度 94.2%、召回 91.8%，限制区域入侵精度 96.1%、召回 93.4%（在季度更新的保留生产验证集上测量）。
指标：不安全状况检测时间：从人工审查 15–45 分钟降低到端到端小于 5 秒；安全审计覆盖：从每班 2–3 次人工巡检变为 7×24 小时自动覆盖；可记录安全事故：前 6 个月减少 15–20%；人工监控运营成本：降低约 30%；边缘过滤减少云帧量：约 70–80%；事件摄取吞吐：2,000–5,000 事件/秒（突发约 15,000）；p95 事件摄取延迟：<200 毫秒；p95 单帧推理延迟：<300 毫秒；关联后误报减少：40–50%；PPE 检测精度 94.2%, 召回 91.8%；限制区域入侵精度 96.1%, 召回 93.4%；关联后误报率：低于 3%
经验：在边缘过滤，流式传输元数据而不是视频——在边缘提取帧并只流式传输 S3 对象引用，使云管道轻量并降低成本，同时模型仍可完全访问图像数据。；关联层使警报可信——原始检测会产生大量噪声；时间关联层将检测转化为高置信度事件，防止警报疲劳。；为变化的模型而设计——基于生产数据、漂移监控和主动学习的再训练循环，在站点、光照和摄像机角度变化时保持高精度。；治理和隐私是第一天决策——对于可识别人物的视频，匿名化、保留和访问控制应在首次设计评审中确定，而不是最后。