乘客异常行为
- 检测对象
- 倒地、座椅违规躺卧、挥手呼救；支持多目标并发
- 关键指标
- ≥2 Hz；响应 ≤5 s
- 事件输出
- 时间戳、车厢号、车门位置、行为类型、标注图，以及事发前 30 s 至后 10 s 视频。
车厢异常行为智能检测解决方案
把人工巡视，变成全车厢的实时判断
CIDS 车厢智能感知系统基于既有车厢监控视频与车载边缘算力，实时识别乘客异常、群体异常、终点清客清物、司机不安全行为四类风险。不拆既有网络，端到端告警 ≤5 s，事件全程留证可回溯。
痛点与价值响应
摄像头已经装了很多年，缺的不是画面，而是画面之后的判断。
视觉盲区
车厢空间狭小、客流密集，单视角遮挡严重，角落易成监控死角
每车厢 4 路相机，360° 覆盖，典型 6 编组全车接入 24 路视频。
响应滞后
人工全车巡视一轮 2–5 分钟，突发状况常错过最佳处置窗口
端到端告警 ≤5 s；群体异常响应 ≤3 s。
链路冗长
乘务员发现 → 上报组长 → 传达驾驶室 → 通报中心，信息逐级损耗
结构化告警直推司机室与中心，同步云端，无需逐级转述。
依赖人力
巡检质量受体力与注意力影响，难以 7×24 小时持续稳定
7×24 小时持续监视，结合复核样本迭代算法；现场处置仍由乘务人员负责。
系统架构
- 01
感知层
每节车厢 4 台内装式半球与鱼眼相机，360° 覆盖，1080P，RTSP 标准输出
- 02
边缘层
AFR600 车载边缘计算主机，本地 AI 推理，TB 级本地存储，断网数据不丢
- 03
平台层
车载 PIS 工业交换机 + 中心服务器，统一校时、指令下发、设备管理、数据清洗与分级分发
- 04
交互层
司机室屏弹窗 + 现场画面、中心平台告警、云端记录与推送，支持分级告警
相机 RTSP 采集 → PIS 专网传输 → AFR600 实时推理 → 结构化结果 + 标注图 + 事发前 30 s 视频 → 中心存储归档与告警展示
工程部署
部署三原则
无感取流·利旧部署
直连 PIS 交换机旁路获取 RTSP 流，无需改动原有摄像头与布线
独立算力
不占用列车既有系统资源，边缘节点独立运行
远程管控
中心下发校时帧同步，AI 算法远程启停
每 3 或 4 辆车配置一台边缘主机；六辆编组示例在 03、04 车各部署一台 AFR600。
010203AFR60004AFR6000506
统一校时与时间戳对齐 · 每分钟健康自检 · 分级存储（原始视频 ≥7 天、异常事件 ≥14 天、运行日志 ≥30 天）· PIS 双向通信与断点续传
四类异常检测
群体异常行为
- 检测对象
- 3 人及以上快速分散、奔跑骚动、推搡冲突
- 关键指标
- ≥2 Hz；响应 ≤3 s
- 事件输出
- 独立检测、独立上报，同车厢多相机结果互不关联
终点清客清物
- 检测对象
- 滞留乘客（成人/老人/儿童）；遗留背包 ≥15×15×5 cm、行李箱 ≥30×40×10 cm
- 关键指标
- 响应 ≤3 s；中心指令触发，车门关闭后执行
- 事件输出
- 弹窗 + 抓拍图 + 前 30 s 视频，多目标分别上报
司机异常行为
- 检测对象
- 双手离台 ≥5 s、长时间埋头 ≥10 s
- 关键指标
- ≥2 Hz；响应 ≤3 s
- 事件输出
- 司机室四画面终端弹窗，标注类型与位置，抓拍取证
上述指标为系统在标准测试条件下的能力口径，实际表现受相机安装、光照、客流密度与算法版本影响，以项目技术确认与验收结果为准。
事件闭环
- 01
实时检测
视频经边缘 AI 推理，捕捉异常行为与事件特征
- 02
事件确认
判定事件类型、车厢位置与发生时间，过滤无效干扰
- 03
证据留存
自动框选标注高清图，保存事发前后 30 s 录像
- 04
多路上报
经 PIS 专网加密推送至中心服务器与云端平台
- 05
终端响应
司机室弹窗、调度中心监控、历史数据回溯
平均响应 <2 s · 事件留存率 100%
上述为闭环测试统计，不是单项功能响应上限；录像留存窗口随项目配置确认。
三级展示
司机室智能交互终端
正常四画面轮播；异常自动弹窗，显示事件类型、位置与现场视频
运营中心调度服务器
接收全列车状态与事件，支持远程下发清客指令、系统校时与紧急调度
云端全局监控平台
多列车集中查看、远程 OTA 升级、实时推流、历史数据回溯
关键技术
狭小空间多相机融合
单视角遮挡严重，多相机图像融合与信息互补，多角度联合判定，异常行为检出准确率提升至 98% 以上
骨骼时空序列行为识别
提取人体 15 个关键骨骼关节点，构建时空动态特征，区分正常行走与倒地、躺卧、挥手求助
遮挡鲁棒检测与跨镜 ReID
行人特征库 + 跨相机轨迹关联，解决"同一乘客在不同相机下如何归为同一事件"，为多相机独立上报提供一致的归属判定
32 TOPS 边缘算力
全车厢实时分析，仅上行关键事件结果，不占骨干带宽；识别率 >98%，延迟 <200 ms
上述指标为系统在标准测试条件下的能力口径，实际表现受相机安装、光照、客流密度与算法版本影响，以项目技术确认与验收结果为准。
与人工巡检对比
| 对比维度 | CIDS | 乘务巡检 |
|---|---|---|
| 检测效率与响应 | 实时全车秒级报警 | 单车巡视一轮 2–5 分钟 |
| 高峰视野覆盖 | 24 路相机全时覆盖 | 固定瞭望，拥挤时遮挡严重 |
| 持续稳定性 | 7×24 小时不间断 | 受生理疲劳与注意力波动影响 |
| 经验沉淀 | 算法持续迭代，准确率随数据积累提升 | 人员流动大，重复培训成本高 |
| 突发处置 | 自动报警 + 完整证据链上报 | 可现场即时干预帮扶（人工优势） |
| 服务一致性 | 标准统一，不因个体差异波动 | 服务水平因人而异 |
系统承担持续监视与证据留存；乘务人员结合现场情况判断，并可立即介入帮扶。
部署条件
运行中安全监测 · 终点站清客清物
部署前置条件
- 既有摄像头
- 1080P 及以上，覆盖车厢主要区域；需补装的位置由现场勘查确定。
- 车载网络
- 确认 PIS 工业交换机可提供 RTSP 视频流；通过旁路接入，保留既有布线。
- 编组规模
- 标准适配 6 编组，每 3–4 辆车配置一台边缘主机；其他编组按项目确认。
- 改造窗口
- 利用夜间回库或检修窗口，在非运营时段安装与联调，避开白天行车。
- 中心对接
- 中心服务器或平台提供接口；预先确认协议、告警字段和双方对接范围。
系统已在 6 编组地铁列车完成设备安装、算法配置、中心联调与指标验收。应客户要求，不公开线路名称与现场画面。
最后更新