電力倉庫
采用基于多維信息融合的智能風險識別的技術，對工作人員的非安全操作和非規范作業進行識別并報警，對有可能發生的危險行為將提前預測并產生預警提示。建立電力倉庫多維安全管控模型，對重點作業區域進行重點分析，實現對電力倉庫的全方面安全管控。
行業痛點
安全操作要求高
庫房現代化建設不斷推進，無人倉儲技術不斷發展，但庫房內仍存在小部分運維人員，對其人身安全及操作安全等需要有更高的要求。
?庫房管理范圍大
庫房管理范圍大，管理人員難以對每個安全隱患做出實時預警。
安全隱患追溯手段少
安全隱患問題追溯手段較少，在事故發生后無法進行現場問題還原。
巡檢難度大
安全管理巡檢難度大，人工巡查無法實現24小時不間斷監控庫房。
?庫房內環境復雜
庫房內環境復雜，遮擋等情況隨時發生，對算法識別要求高。
安全操作要求高
庫房現代化建設不斷推進，無人倉儲技術不斷發展，但庫房內仍存在小部分運維人員，對其人身安全及操作安全等需要有更高的要求。
?庫房管理范圍大
庫房管理范圍大，管理人員難以對每個安全隱患做出實時預警。
安全隱患追溯手段少
安全隱患問題追溯手段較少，在事故發生后無法進行現場問題還原。
巡檢難度大
安全管理巡檢難度大，人工巡查無法實現24小時不間斷監控庫房。
?庫房內環境復雜
庫房內環境復雜，遮擋等情況隨時發生，對算法識別要求高。
核心功能
對現場倉庫進行BIM建模，將算法識別結果進行BIM模型構件關聯，將報警信息由現場圖片與文字轉化為更直觀的BIM模型定位顯示，有利于管理人員更快捷定位問題發生點。
倉庫工作管理，根據倉庫工作流建立一系列對應管理功能，如倉內設備管理、人員定位管理、數字會議室管理、電子文件柜管理、無人倉庫管理與班前教育管理。
倉庫安全隱患算法模型構建，利用大量現場監控視頻為數據基礎，采用基于YOLO-v4的目標識別技術以及基于ResNet-50的目標分類技術進行圖像檢測與圖像分類。
應用場景
實驗室
生產工廠
工業園區
各類型倉庫
核心價值
電力倉庫系統的建立，提高了電力倉庫的設備管理效率，滿足對不同作業區域的安全管控的要求，能夠快速準確的完成對各種非安全操作的行為的報警，有效地增強工作人同的風險防范意識，從而提高整個倉庫安全保障等級。