这个项目真正要解决什么？
叉车事故风险同时来自驾驶员状态和车辆周边环境：未系安全带、未戴安全帽、接打电话、吸烟、双手脱离，以及侧前/侧后盲区的人员和车辆都可能成为触发因素。
如果每类风险独立告警，驾驶员会遭遇重复提示、误报和延迟；而网络不稳定时，依赖云端判断又会影响关键安全功能。
因此系统必须在车端完成实时感知和本地闭环，并把事件、视频和车辆状态同步到管理平台用于追溯。
需求背景 / 解决方案 / 价值效果
需求背景
- 叉车事故风险同时来自驾驶员状态和车辆周边环境：未系安全带、未戴安全帽、接打电话、吸烟、双手脱离，以及侧前/侧后盲区的人员和车辆都可能成为触发因素。
- 如果每类风险独立告警，驾驶员会遭遇重复提示、误报和延迟；而网络不稳定时，依赖云端判断又会影响关键安全功能。
- 因此系统必须在车端完成实时感知和本地闭环，并把事件、视频和车辆状态同步到管理平台用于追溯。
解决方案
- 驾驶室内 DMS 识别人脸/驾驶员身份、安全帽、安全带、吸烟、电话和双手状态；车外多路摄像头识别行人/车辆并划分 BSD 盲区风险等级。
- 倒车信号、座椅、安全带、手刹、车速、超声波等传感器通过本地 IO/Modbus 接入，边缘盒子融合视觉结果和车身状态，按照规则触发声光报警、画面放大或联锁提示。
- 本地 MQTT 和边缘服务保证断网时仍可完成登录、关键状态判断与预警；NVR 记录多路视频，告警事件可截取前后片段并上传管理端。
价值效果
- 把“单点识别”升级为驾驶员、车辆和周边环境的联合判断，避免仅靠一个摄像头做安全管理。
- 车端优先、本地闭环降低网络依赖，关键预警不因为 4G/后台连接异常而失效；管理端保留历史告警、视频和车辆信息。
- 项目覆盖 3.5 吨与 10 吨电瓶叉车，强调设计、安装、集成、调试和培训完整交付，而不是只交一个检测模型。
从业务问题到可执行系统
01驾驶员身份
02DMS行为
03BSD行人/车辆
04车辆传感器
05边缘融合
06声光预警
07录像证据
08管理平台
多路安全画面监控能力
≥7天目标本地存储
稳定运行验证现场验收
设计/安装/调试/培训交付
为什么这样设计
白泽的项目方法不是先决定“用哪一个模型”，而是先把现场对象、输入数据、关键决策、风险边界和最终动作画清楚，再决定哪些环节使用确定性程序、哪些环节使用视觉算法、哪些环节由大模型或 Agent 负责。这样做的目的，是让系统能够验收、追溯、维护，并能在真实业务变化时继续迭代。
系统在现场工程中同时处理摄像、MQTT、IO、Modbus、视频录像和驾驶端交互，体现工业 AI 落地对“算法之外工程”的要求。
AI 落地不止是算法
在白泽的交付中，算法只是其中一层。我们同时关注数据接入、现场网络、边缘计算、权限、安全、第三方系统接口、用户操作习惯、日志与审计、设备稳定性以及后续运维。对企业来说，真正有价值的不是一次模型演示，而是一套能够长期运行并持续创造结果的系统。