客流量检测模式

2025-05-09

此模式概述如何实现基于 AI 的客流量检测解决方案，以便分析零售商店中的访客流量。该解决方案使用 Azure、Azure Stack Hub 和自定义视觉 AI 开发工具包从实际作中生成见解。

上下文和问题

Contoso Stores 希望深入了解客户如何接收与商店布局相关的当前产品。他们无法在每个部分放置人员，让一个分析师团队审查整个商店的摄像监控录像是效率低下的。此外，他们的商店都没有足够的带宽，用于将视频从所有相机流式传输到云进行分析。

Contoso 希望找到一种不显眼、隐私友好的方法来确定客户的人口统计、忠诚和对商店显示器和产品的反应。

解决方案

此零售分析模式使用分层方法在边缘计算进行推断。使用自定义视觉 AI 开发工具包时，只会将具有人脸的图像发送到运行 Azure 认知服务的专用 Azure Stack Hub 进行分析。匿名聚合数据会发送到 Azure，以便在 Power BI 中的所有存储和可视化效果中进行聚合。结合边缘和公有云，Contoso 可以利用现代 AI 技术，同时仍符合其公司策略并尊重客户隐私。

下面是解决方案工作原理的摘要：

自定义视觉 AI 开发工具包从 IoT 中心获取配置，用于安装 IoT Edge 运行时和 ML 模型。
如果模型看到人员，它会拍摄图片并将其上传到 Azure Stack Hub Blob 存储。
Blob 服务在 Azure Stack Hub 上触发 Azure 函数。
Azure 函数使用人脸 API 调用容器，从图像中获取人口统计和情感数据。
数据匿名并发送到 Azure 事件中心群集。
事件中心群集将数据推送到流分析。
流分析聚合数据并将其推送到 Power BI。

组件

此解决方案使用以下组件：

层	组件	DESCRIPTION
店内硬件	自定义视觉 AI 开发工具包	使用仅捕获人员图像进行分析的本地 ML 模型提供店内筛选。通过 IoT 中心安全预配和更新。
蔚蓝	Azure 事件中心	Azure 事件中心提供了一个可缩放的平台，用于引入与 Azure 流分析完全集成的匿名数据。
	Azure 流分析服务	Azure 流分析作业将匿名数据聚合，并将其分组到 15 秒的窗口进行可视化。
	Microsoft Power BI	Power BI 提供易于使用的仪表板界面，用于查看 Azure 流分析的输出。
Azure Stack Hub	应用程序服务	应用服务资源提供程序（RP）为边缘组件提供基础，包括 Web 应用/API 和 Functions 的托管和管理功能。
	Azure Kubernetes 服务（AKS）引擎群集	部署到 Azure Stack Hub AKS-Engine 群集的 AKS RP 提供可缩放的可复原引擎来运行人脸 API 容器。
	Azure 认知服务人脸 API 容器	使用人脸 API 容器的 Azure 认知服务 RP 在 Contoso 的专用网络上提供人口统计、情感和独特的访问者检测。
	Blob 存储	从 AI 开发工具包捕获的图像将上传到 Azure Stack Hub 的 Blob 存储。
	Azure Functions（Azure 功能服务）	在 Azure Stack Hub 上运行的 Azure 函数从 Blob 存储接收输入，并管理与人脸 API 的交互。它将匿名数据发送到位于 Azure 中的事件中心群集。

问题和注意事项

在决定如何实现此解决方案时，请考虑以下几点：

可伸缩性

若要使此解决方案能够跨多个相机和位置进行缩放，必须确保所有组件都可以处理增加的负载。可能需要执行以下操作：

增加 Stream Analytics 流单元的数量。
横向扩展人脸 API 部署。
增加事件中心群集吞吐量。
对于极端情况，可能需要从 Azure Functions 迁移到虚拟机。

可用性

由于此解决方案已分层，因此请务必考虑如何处理网络或电源故障。根据业务需求，可能需要实现一种机制来在本地缓存映像，然后在连接返回时转发到 Azure Stack Hub。

可管理性

此解决方案可能会跨越许多设备和位置，这可能会变得难以管理且复杂。 Azure 的 IoT 服务可用于自动将新位置和设备联机并使其保持最新。

安全

此解决方案捕获客户映像，使安全性成为最重要的考虑因素。确保所有存储帐户都受到适当的访问策略保护，并定期轮换密钥。确保存储帐户和事件中心具有符合公司和政府隐私法规的保留策略。此外，请确保对用户访问级别进行分层。分层可确保用户只能访问其角色所需的数据。

后续步骤

若要详细了解本文中介绍的主题：

请参阅分层数据模式，该模式由人流量检测模式使用。
请参阅自定义视觉 AI 开发工具包，了解有关使用自定义视觉的详细信息。