Tata Elxsi 基于 AWS 构建 IRIS 工业安全实时视觉平台

印度设计和技术服务公司 Tata Elxsi 推出了名为 IRIS（Industrial Real-Time Intelligence System）的工业安全实时视觉平台，该平台完全构建在 AWS 云服务之上。平台的目标是把工厂车间、仓储与物流园区中安全事件的识别时间从「分钟级」压缩到「秒级」，让被动录制式的 CCTV 变成可实时干预的预防系统。

行业痛点：从被动录制到主动预警

制造业、仓储与化工等行业近年大量部署摄像头，但绝大多数视频只是被存储下来，事中识别能力有限。安全团队普遍面临四类约束：

反应式监控：CCTV 仅作为录像系统，事故往往在发生后才被发现。
人力监控极限：单个控制室操作员难以同时盯住数百路画面，人工识别不安全状况通常需要 15 到 45 分钟。
合规不一致：政策执行因班次和站点而异，每个班次通常只能进行两到三次人工巡检。
扩展不经济：增加摄像头数量并不会带来安全结果的成比例提升。

Tata Elxsi 认为这些问题并非某个工具的失效，而是信号——安全监控必须从被动录制演进为可持续扩展的自动化实时检测。

IRIS 的整体架构

IRIS 采用无服务器、事件驱动的流水线，整体遵循一个可复用的模式：在边缘进行观察、用计算机视觉做检测、在云端做上下文分析、推送给对应人员、存储以供合规审计、再用生产数据迭代模型。视频在边缘完成分析，只有安全相关帧和结构化元数据会上云；随后在云端通过关联层把原始检测转化为高置信度的安全事件。

平台部署在 AWS 亚太（孟买）区域，以满足印度客户的本地化数据驻留和低时延需求。

边缘采集与处理：在源头完成过滤

边缘层采用 AWS IoT Greengrass 配合工业级 GPU 设备（如 NVIDIA Jetson AGX Orin），通过 RTSP/ONVIF 协议接入工厂现有摄像头网络。边缘节点按照可配置的 2–5 帧/秒抽取视频流，并应用运动过滤，随后用一个轻量级模型预筛出包含人员、车辆或设备的帧。

通过过滤的帧上传到 Amazon S3，按摄像头、日期、小时分区存储。
流水线中传输的事件仅携带 S3 对象键与上下文（摄像头 ID、工厂、区域、NTP 同步时间戳），单条事件体量控制在 1 KB 以内。
图像路径与元数据路径分离的设计，使流式层保持轻量，同时让下游模型仍可按需取回完整画面。

Tata Elxsi 在生产环境中实测，边缘过滤可将上云帧量减少约 70%–80%。

实时事件流与检测

经过边缘预筛的结构化事件进入 Amazon Kinesis Data Streams，作为平台的事件主干。该流只承载帧元数据（指向 S3 的对象键）、运动事件、边缘检测候选、摄像头遥测与上下文安全信息，并不传输视频本体。流采用按需容量模式，针对这种亚秒级时延的元数据优先模式进行了优化。后续的计算机视觉推理、上下文关联、告警分发与合规存储均围绕这一事件主干展开。

整体来看，IRIS 不是一项算法层面的突破，而是把边缘 AI、计算机视觉与 AWS 流式/存储服务组合成一套面向工业安全场景的工程模板。对正在评估「摄像头存量如何变成实时情报」的园区与企业运维方而言，这一案例提供了可参照的实现路径。