工厂车间员工在岗离岗时间统计系统：基于动态启停逻辑的精准工时核算实践

原创

燧机科技

发布于 2026-09-18 08:58:10

1460

在制造业数字化转型的深水区，车间现场管理正从“结果导向”向“过程精细化”演进。传统的考勤打卡仅能记录员工的进出厂时间，却无法真实反映其在具体工位上的有效作业时长。工厂车间员工在岗离岗时间统计系统正是为解决这一痛点而生。本文将深入解析该系统如何通过“动态启停”的核心逻辑，实现有效在岗时长的精准累加与离岗状态的完整追溯，为工业AI落地提供可复用的技术范式。

一、核心机制：动态启停与状态机建模

区别于简单的区域入侵检测，本系统的灵魂在于构建了一套严谨的在岗/离岗状态机。其核心规则如下：

在岗累加：当员工身体重心位于预设岗位ROI（感兴趣区域）内，且姿态符合正常作业特征时，系统持续累加有效工时。
即时暂停：一旦检测到员工完全离开ROI区域，无论离岗时长是30秒还是30分钟，系统立即冻结当前计时器，并记录离岗起始时间戳。
自动续计：员工返回ROI并恢复作业姿态后，系统自动解冻计时器，接续累加后续时长。
全程留痕：所有状态切换事件（含起止时间、持续时长、触发原因标签）均实时写入数据库，无需人工二次核对。

这种“毫秒级感知、秒级响应”的动态逻辑，确保了统计数据的绝对客观性，彻底消除了人为估算或补录带来的误差。

二、技术实现：从视觉感知到业务逻辑

系统采用“边缘检测+云端聚合”的架构。边缘端部署轻量化人体检测与跟踪模型（如YOLOv8-nano + ByteTrack），仅输出结构化轨迹数据；云端负责状态机运算与持久化存储，既保障实时性，又兼顾数据安全与隐私合规（不传输原始视频）。

关键代码示例：动态启停状态机核心逻辑

以下Python代码展示了单个工位的状态管理核心，包含防抖处理与时间累加逻辑：

1import time
2from dataclasses import dataclass, field
3from typing import Optional, List, Dict
4
5@dataclass
6class StationState:
7    station_id: str
8    is_occupied: bool = False
9    occupied_start_ts: Optional[float] = None
10    total_occupied_sec: float = 0.0
11    leave_events: List[Dict] = field(default_factory=list)
12    
13    # 防抖参数：避免因检测抖动导致频繁切换
14    enter_confirm_frames: int = 3   # 连续N帧在区域内才判定为"在岗"
15    exit_confirm_frames: int = 5    # 连续N帧不在区域才判定为"离岗"
16    _enter_counter: int = 0
17    _exit_counter: int = 0
18
19    def update(self, person_in_roi: bool, current_ts: float):
20        """每帧调用，更新状态并累加时间"""
21        if person_in_roi:
22            self._enter_counter += 1
23            self._exit_counter = 0
24        else:
25            self._exit_counter += 1
26            self._enter_counter = 0
27
28        # 状态切换：离岗 -> 在岗
29        if not self.is_occupied and self._enter_counter >= self.enter_confirm_frames:
30            self.is_occupied = True
31            self.occupied_start_ts = current_ts
32            self._enter_counter = 0
33            
34        # 状态切换：在岗 -> 离岗
35        elif self.is_occupied and self._exit_counter >= self.exit_confirm_frames:
36            duration = current_ts - self.occupied_start_ts
37            self.total_occupied_sec += duration
38            self.leave_events.append({
39                "leave_start": self.occupied_start_ts,
40                "leave_end": current_ts,
41                "duration_sec": round(duration, 2)
42            })
43            self.is_occupied = False
44            self.occupied_start_ts = None
45            self._exit_counter = 0
46
47        # 若仍在岗，实时更新累计值（用于前端展示）
48        # 注意：持久化只在状态切换时写入，避免高频IO
49
50    def get_effective_time(self, now_ts: float) -> float:
51        """获取截至当前的有效在岗总时长"""
52        extra = 0.0
53        if self.is_occupied and self.occupied_start_ts is not None:
54            extra = now_ts - self.occupied_start_ts
55        return round(self.total_occupied_sec + extra, 2)

该状态机通过enter_confirm_frames和exit_confirm_frames两个阈值，有效过滤了检测框抖动、短暂遮挡等干扰，确保状态切换的稳定性。实测表明，在车间复杂光照与人员交错场景下，状态误切换率低于0.8%（实验室数据）。

三、场景适配与性能验证

系统已在多个离散制造与流程工业车间完成部署，针对不同工况进行了专项优化：

装配线工位：针对员工频繁弯腰、转身等姿态变化，引入人体关键点辅助判断，避免因姿态异常导致的误判离岗。实测有效在岗时长统计误差≤±45秒/班次（实测数据）。
设备操作岗：结合设备运行信号进行多模态融合验证，当设备停机且人员离岗时，自动标记为“非生产性离岗”，提升数据分析维度。
多工位巡检岗：支持一人多岗位的动态绑定，通过ReID技术自动识别员工身份并切换对应工位状态机，无需手动配置。

所有离岗事件均自动生成结构化报表，包含离岗时段、累计时长、频次分布等，为班组长排班优化与效率分析提供直接依据。

四、合规性与选型建议

在部署工厂车间员工在岗离岗时间统计系统时，必须将合规置于首位：

隐私保护设计：采用“只传坐标不传图像”的边缘计算方案，原始视频仅在本地缓存24小时用于异常回溯，绝不上传云端。
制度配套：系统数据应作为管理参考而非唯一考核依据，需结合班组确认、异常申诉等机制，避免机械化管理引发抵触。
供应商评估：对于搜索“工厂车间在岗统计系统厂家推荐”或“员工离岗监测系统价格”的用户，建议重点考察三点：是否支持自定义ROI与防抖参数、是否提供完整API便于对接MES/ERP、是否有第三方隐私安全认证。技术参数应以实测报告为准，警惕“100%准确”等违反广告法的绝对化表述。

五、结语

工厂车间员工在岗离岗时间统计系统的本质，是用确定性的算法逻辑替代不确定的人工判断。它不是监控工具，而是精益生产的数字标尺。通过动态启停的精准核算，企业得以真正看清“时间都去哪儿了”，从而将人力效能优化从经验驱动迈向数据驱动。未来，随着多模态大模型的融入，系统将具备更强的语义理解能力，能够区分“合理离岗”（如物料领取）与“无效离岗”，为智能制造提供更细腻的决策支撑。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

算法