业务背景
2022年1月4日，中国人民银行印发《金融科技发展规划（2022-2025年）》提出：“加快监管科技的全方位应用，强化数字化监管能力建设”。当前，银行网点对员工服务质量、环境秩序、疫情防控管理，尚存以下痛点：
值守难度大
银行网点工作环节多、人员流动大，现场管理难以实现全时段、全方位检查覆盖，人力值守难度大，效率低。
监督体制不健全
银行对网点合规要素、网点环境难以实现“点对点”有效实时监管，缺失风险流调溯源信息，大数据管理监督体制不健全。
内控管理不闭环
传统内控管理制度不完善，金融业务隐患风险排查与治理没有形成有效的闭环管理。
功能介绍
根据国家对金融科技发展的规划要求，以及银行网点推进数字化转型的实际需要，海康威视AI开放平台通过训练场景化AI算法，对银行网点内隐患事件进行检测并实时报警，有效保障网点安全、高效运转。
本案例主要是在银行场景中针对网点环境，网点合规性进行检测，分别如下：
1）针对防护舱内的银行卡、钱包、包、水瓶、人民币等遗留物品进行检测，将遗留的水瓶等杂物及时处理，提升网点整洁度；将客户遗留的钱包等物品及时归还，为客户提供更贴心服务。
2）针对银行网点消防设备存放处的灭火器进行检测，若未检测到灭火器设备及时预警上报，通知相关人员补充设备，保障银行网点的消防安全；针对垃圾箱外溢，垃圾箱上方有杂物进行检测，及时发现并处理，保证网点环境清洁。
算法模型训练完成后导入至边缘端设备或发布至云端，当边缘端检测到目标时，将推理结果上传给行业应用平台并将结果进行展示。
另外，第三方行业平台也通过调用相应接口实现上层应用。
价值成果
• 提升管理效率
智慧感知可视化平台整合银行营业网点风险隐患事件，告警联动网点巡管人员，实现可视管理，节省现场人员巡管时间。
• 增强服务体验
金融数字化管理服务体系，科学高效地解决银行营业网点在环境秩序、员工服务质量、疫情防控等方面存在的问题，减少风险事件，提高银行网点文明服务水平，打造智慧金融。
开发流程
1、登录海康威视AI开放平台官网：https://ai.hikvision.com/
2、注册AI开放平台账号；
3、使用AI开放平台训练算法。
利用AI开放平台训练算法，主要包括以下几个步骤：
步骤1：创建项目
步骤2：数据准备
步骤3：模型训练
步骤4：模型校验
步骤5：模型部署
步骤1：创建项目
在正式开始训练之前，需要创建一个物体检测模型，在【我的模型】界面，点击【创建模型】，进入创建模型界面，如下所示：
在填写模型名称和相关信息后，页面会回到我的模型主页面，提示“模型创建成功，若无数据集请前往数据服务创建，上传并标注数据集。训练模型后可在此处查看模型的最新版本”。
如果希望将算法和特定的AI设备绑定（需要授权文件），请勾选模型授权选项，需要注意的是，“模型授权”勾选后无法修改，需要慎重选择。
步骤2：准备数据
数据采集
素材收集在整个AI开放平台项目中是一个很关键的过程，素材质量的高低直接决定了算法模型的优劣。根据各个项目实际需求的不同，素材也可以从不同的场景与角度进行收集，达到充分覆盖现场需求场景的要求。
1）整体要求
图像质量高，目标清晰可见；
尽量采集真实应用场景下目标的真实特征；
尽量采集目标的不同类别和状态，通过肉眼可以进行区分；
检测模式下，目标在720P分辨率图像上的占比不得小于32X32像素，不同分辨率按此规则折算。
数据集创建
新建物体检测任务时候，首先需要创建新的数据集，具体步骤如下：
选择【数据总览】-【训练集】-【图片】-【创建训练集】，输入数据集名称，点击【确定】；
数据集创建后进行数据集版本的创建，创建数据集版本可实现数据跨算法类型和跨数据集功能，具体步骤如下：
选择【数据总览】-【训练集】，选择相应的数据集，点击【创建新版本】，选择创建方式、算法类型和标注方式，填写版本备注信息，点击【确定】。
数据导入
海康AI开放平台提供两种数据上传方式，您可以选择通过web端或者客户端工具进行上传。以下以web端为例进行操作说明：
1） 在数据总览列表，选择相应的数据集版本，点击【导入】按钮，选择本地数据导入，在【选择导入方式】选择【不带标注导入】；
2） 选择图片上传或文件夹上传，设置是否需要去重，选择需要上传的数据，点击【上传数据】。
3） 在上传过程中可查看数据上传进度。
数据标注
本案例的基础功能点是检测防护舱内的遗留物品、垃圾桶满溢情况、是否存在灭火器以及工作岗位中是否有人，对物品和人员以画目标框的形式将图像中需要检测的目标进行标定，并打上检测标签；标定示例图如下：
在数据标定的过程中，可以利用数据服务提供的功能来提升效率，使用工具栏的放大，缩小，裁剪等工具可以辅助标注，使用右侧添加标签时不同的标签会默认生成数字标签，画框后定级数字即可完成标签选定。标注同一类标签时候，可以自动继承标签内容，无需人工再次选择。
标注过程中，需要将矩形框尽可能的贴合检测目标，避免出现目标框过大过小、类别错标，漏标等。
标定过程中需要遵照以下规范进行：
1）目标框要求：
• 标定前请先选择标定矩形框或者四边形框；
• 目标框需紧贴目标；
• 单个目标框像素大小不低于32X32；
2）目标全标定：
• 图像中所有肉眼清晰可见，满足像素大小要求的检测对象都要标定出来，但每个目标需分开标定，一个框只标一个目标；
• 没有目标的样本，需要对整张图片标定目标框，并打上无目标标签，直接作为负样本加入训练集训练；
3）目标被遮挡/截断（目标在画中出现的比例）的标定：
• 遮挡/截断面积（目标在画中出现的比例）超过2/3以上的目标不需要标定；
• 遮挡/截断面积（目标在画中出现的比例）未超过2/3以上的目标，需要标定。遮挡部分不需要标定，按露出部分正常标定即可；
4）模糊情况下的标定：
• 人肉眼能看清的目标需要标定；
• 极端模糊的，人肉眼看不清的目标不需要标定；
5）标定方案统一：
同个项目同个功能的目标框标定区域要统一；例如检测图中的厨师帽，不能一个标整个人体，一个标人的厨师帽；这样会严重影响算法的训练效果。
如果标注的内容太多，可以创建标注团队，将标注任务分发给多人一起开展。也可以采用智能标注功能，基于当前标注阶段的标签，从用户的待标注数据中筛选具有更高标注优先级的图片，在减少标注量的同时达到接近全局标注的效果；
步骤3：模型训练
在模型训练完成后，需要在设备中进行使用。为了满足不同类型设备的要求，模型在训练时有差别，因此需要根据设备选择应用类型。
由于不同应用类型的模型不能够通用，因此在应用类型云部署、本地部署的选择上，可以根据实际的情况来配置。
云部署
云部署包含了在线验证和云眸部署两种。在线验证无法具体部署，但可以做验证模型效果时使用。云眸部署是指将训练好的算法直接部署在云端，通过接口调用的方式进行分析。这种方案不需要在项目中添加智能分析设备，但是需要对行业应用平台或第三方应用平台进行二次开发工作。
本地部署
本地部署包含了AI摄像机、AI超脑、AI服务器、AI物联网主机。
本地部署主要指将训练好的算法导入到设备中进行分析。例如AI摄像机是指将训练好的算法导入到AI摄像机内进行分析，不需要后端添加智能设备。这种方案对网络传输的带宽要求低，后端不需要添加智能设备，但是需要前端架设海康特定的AI摄像机。AI超脑、AI服务器是指将训练好的算法导入后端的智能设备中（NVR或T4 GPU服务器）进行分析。该方案前端设备仅作为数据采集的入口，所有的分析均在后端NVR中完成，对网络的带宽比较高，比较合适前端已有摄像机设备的场景。
第一步：进入物体检测模型模块后，点击“训练模型”，在训练模型界面点击“创建训练”，进入模型训练界面。
第二步：选择应用类型，模型，数据集，勾选场景集，点击“开始训练”，即可启动模型的自动训练工作。根据数据量的不同，系统会预估完成的训练时间，在此过程中，关闭或者退出页面，系统后台仍然会执行训练操作。训练完成后，在“模型训练”页签中，可以查看当前算法模型的版本及评估报告。
在评估报告中，可以通过百分比直观地看到模型性能的分析结果，如果模型性能一般，建议通过增加训练样本，同时检查标注信息的正确性（有无漏标、错标）。
步骤4：模型校验
模型校验可以从本地环境中上传图片进行校验，也可以通过创建测试集进行校验，以下以临时校验为例：
如模型准确率不满足预期，可在“数据集管理”步骤中添加图片并进行标注，重新进行模型训练及部署上线。
步骤5：导出/发布模型
对于小型的业务场景，可以选用AI摄像机，将训练完成的模型导出至本地路径，再将导出后的模型导入到AI摄像机中即可。对于集团化企业、中大型规模业务场景，可以选用普通摄像机 + AI超脑或者服务器的方案，将训练完成的模型导出至本地路径，再将导出后的模型导入到AI超脑或者服务器中即可。