西安云志厉行网络科技有限公司
典型案例每个案例都写了当时的业务场景、遇到的麻烦，以及最后解决到什么程度。
面向制造工厂产线，针对零部件外观、表面划痕、磕碰、污渍等缺陷做在线视觉检测。
传统依赖人工目检，人眼疲劳容易漏检、误检；质检人员培训周期长，人员流动性大；人工检测标准不统一，产品品质一致性难以保障；传统通用 AI 模型难以适配产线逆光、反光、粉尘干扰等复杂工况。
基于目标检测、图像分割算法，针对产线真实工况完成专项调优；支持模型轻量化，可对接工业相机、边缘盒子，实现产线端侧实时推理；检测结果对接产线业务系统，输出缺陷统计报表，辅助工艺优化。
降低人工质检投入，消除人为漏检风险；检测标准统一稳定，提升产品良率；7×24 小时不间断运行，释放人力，实现产线质检环节智能化升级。
工业园区、产业园区视频智能化改造，对现有监控摄像头做 AI 赋能，实现周界防范、人员行为识别、异常事件自动告警。
海量监控视频依靠人工盯屏，人力消耗大；安保人员存在巡查盲区，异常事件发现滞后；普通监控只录像不预警，事后追溯为主，无法做到事前及时处置；环境光照变化、树木小动物容易造成大量无效误报。
部署端侧 AI 视觉算法，实现人员越界、区域逗留、违规闯入、违规行为识别；对小目标、逆光、复杂环境做算法优化，过滤小动物、光影带来的误告警；异常事件实时推送告警信息，留存取证视频。
减少安保人力投入，变「事后回看」为「实时预警」；降低无效告警，提升安防处置效率，补齐园区安防管理盲区。
商业门店、公共空间，基于现有摄像头开展客流统计、人群行为分析，输出运营统计数据。
传统人工统计误差大，无法持续采集；缺少客流热力、停留行为数据，运营决策缺少数据支撑；改造项目希望复用现有摄像头，不愿大规模更换硬件。
基于计算机视觉算法，复用现场已有监控设备；实现客流统计、区域停留分析，输出可视化统计报表；算法轻量化部署，对硬件改造要求低。
低成本拿到真实经营数据，辅助运营策略调整，降低人工统计成本。
面向道路与卡口场景，对通行车辆做检测与车型判别，同时识别车牌，并统计断面车流量、估算车速与排队长度，输出可直接接入交通管理系统的运行数据。
卡口相机原本只录像，要查一辆车得靠人工翻录像；车牌在夜间、逆光、雨雾和车速较快时容易漏识或识错；把所有点位的视频都回传中心处理，带宽和服务器成本压不下来；不同厂家的相机接口与视频规格不统一，接入麻烦。
车辆检测、车型识别与车牌识别串成一条链路：先定位车辆，再在车辆区域内抠车牌，避免直接找小目标带来的误检；针对夜间、逆光、雨雾等成像条件做专项调优。模型做量化压缩与通道剪枝后部署在路侧边缘盒子上，就近完成识别、只把结构化结果回传；车流量大或需要跨点位关联的路段，则把视频回传中心机房集中推理。两种方式按点位的算力与网络条件混合部署。
车辆通行信息从「事后翻录像」变成实时的结构化数据；边缘侧就近处理压低了回传带宽与中心算力开销；车流量、车速与排队长度可直接供交通管理侧使用。