持械/管制器具双形态视频监管：卡口实时告警 + 以图搜械检索。合规红线全部代码化。
English | 简体中文
图：卡口处理流程（真实管道输出）——刀具商品图经开放词汇检出"匕首 0.95"后，AI-Reference 判读问句对裁决"真械/玩具/存疑"三态，系统只判"器械状物"、管制定性归公安。
校园、医院、监管场所、大型活动的入口安检，长期依赖金属探测与 X 光法定 手段，人员通道的视觉监督存在四项结构性空白：
| 挑战 | 现状描述 |
|---|---|
| 通用点位不可行 | 远距/遮挡/小目标下开放词汇检测掉点严重，强行上线的漏报误报都没有业务价值 |
| 玩具/道具混淆 | 玩具刀与真刀、球棒与棍棒是光学同构——纯视觉检测原理上判不了"真实性"（87 crop 实测天花板 74%） |
| 高敏数据合规 | 涉枪涉刀数据是最敏感级别：谁能查、查什么、留多久，任何一处失守都是事故 |
| 案后检索缺失 | 案件回溯时"翻三天录像"找一柄刀的出现轨迹——历史视频是不可检索的死资产 |
| 形态 | 场景 | 技术路线 |
|---|---|---|
| ① 卡口实时告警 | 专用安检口/入口卡口（近距受控通过，器械 ≥64px 硬准入） | 开放词汇检测 + 负提示消歧 + 人形门 + 持握累积 + AI-Reference 三态裁决 → risk4 |
| ② 以图搜械检索 | 全域历史视频库（案件驱动） | 低频轮巡检出"手持器械状物"crop 入索引 → 双人授权查询 Top-N + 时间线 |
范围外声明（第一原则）：通用监控点位的实时持械检测不承诺、不建设、
不验收——配置门禁在装配期强制（清单外点位 EnablementError）。
法定安检（金属探测/X 光）是权威手段，本系统是人员通道监督的补充；
"管制器具"定性由公安依职权认定，系统只判"器械状物"，告警措辞
一律"疑似持械状物"。
| 模型 | 职责 | 回答的问题 |
|---|---|---|
| AI-Detect（开放词汇检测） | L1 器械检出 | "画面里有刀/棍/斧/匕首状物吗？"（正集 20 词 + 负集 7 词一次编码） |
| AI-Recognize（免提示提议 + 区域嵌入） | L2 检索语义 | "查询图与持物索引里哪条记录是同类器械？它还出现在哪些点位、什么时间？" |
| AI-Reference（Qwen3VL grounding） | 三态裁决 | "这是真金属刀——还是塑料玩具道具？确认 / 排除 / 存疑直推" |
三个模型是流水线，不是三个孤岛：AI-Detect 管召回（负提示消歧压伞/ 自拍杆第一误报源），规则引擎（人形门/持握 ≥1s/Gate-0/合法携带白名单） 管"该不该报"——产品图/货架图在真实卡口永远到不了告警； AI-Recognize 的区域嵌入驱动持物索引与以图搜械（点位-时间线线索包）； "检出了但真伪存疑"的分支交给 AI-Reference 三态裁决——冷却门前置 保证判读 ≤1 次/类目/300 秒（服务通道单次 1~3 秒），最终由值守人审 终审，系统不越权定性。
- AI-Reference 三态裁决（FR-COM-04 的可运行实现）——"是/否"判别问句对 +
上下文裁决 + 事件主张强度不对称规则：
controlled_item（最敏感定性 主张）从严排除，weapon_carry存疑直推不吃召回。双后端可插拔： HTTP 服务通道（零本地显存，1~3s）或本地权重加载。 - 消歧 36%→93% 的完整归因链——对 10 个残余误报逐图人工审计： 6 张是金属复制品被搜索词标成"玩具"（数据集真值错误，连同审计中 另发现的 1 张共 7 张移入边界目录）、2 张图内印着"儿童玩具刀"、 2 张为真疑难道具；对应修复：边界样本机制（§8.4 boundary role）+ 整帧文字上下文裁决。每一项都有证据（CURATION.md）。
- 人形门（FR-CK-02）——器械检出须与人形框关联（外扩 25%）才进 持握/告警管线；产品图类误报源在真实卡口被结构性消除。
- 以图搜械检索工程化——向量矩阵快路：10 万级 P95=19ms、百万级 P95=172ms（SLO ≤5s）；增量落库（脏标记）、90 天留存 + 案件冻结 豁免；双人授权工作台 HTTP API（自批 403 有测试）。
- 合规红线代码化——场景清单外点位装配即拒绝 + 审计；审计链 append-only 落库 ≥3 年；证据 PNG 落盘 ≥1 年 + 案件冻结豁免清理； 重启不丢索引、不丢审计、不丢证据（"索引即办案资产"）。
- 合法携带消歧——白名单台账（人员/类目/时段），白名单内零告警 有专项测试；台账准确性责任在登记方。
以下标注均为真实管道输出（检测框与置信度取自回归数据集 detections.json，
未经手工修改）。
五类器械逐一图例（每张含真实检出框、置信度与 SLO 徽标）：
| 刀状物 | 管制刀具（匕首） | 剑/长刀 |
|---|---|---|
 |
 |
 |
| 棍状物 | 斧状物 | |
 |
 |
消歧负样本（正确不报 = 系统的另一半能力）：
| 雨伞 | 拐杖 | 玩具刀（印字） |
|---|---|---|
 |
 |
 |
总览：
以一次卡口通过为例（时间为示意，判定与路由为真实逻辑）：
| 时刻 | 环节 | 说明 |
|---|---|---|
| 09:02:10 | 人员通过 | 安检通道逐人受控通过 |
| 09:02:10.2 | 首帧检出 | 检出"匕首 0.95"，但无人形关联/持握不足 1s，不产候选 |
| 09:02:11 | 持握确认 | 同一空间格+类目持续命中，held_s ≥1s，进入告警候选 |
| 09:02:11.1 | AI-Reference 三态裁决 | 判别问句对："真刀 yes / 玩具 no" → 确认 |
| 09:02:11.2 | risk4 告警 | asset/controlled_item（疑似）推送值守终端 ≤3s，证据 crop 落盘 |
| 09:07 | 冷却期内 | 同类目不再重复告警/判读（≤1 次/类目/冷却期） |
| 案后 | 以图搜械 | 办案员双人授权提交器械照片 → Top-N 相似出现记录 → 点位-时间线 |
基准口径：220 张百度商品图（内容哈希去重；其中 7 张金属复制品经 逐图审计后真值治理为边界样本），图像级检测 + AI-Reference 二段确认 全管线， 详见 CHANGELOG。
六项 §5.1 数值 SLO 全部达标：
| 事件 | R (≥0.80) | P (≥0.75) | 消歧 (≥90%) | 结论 |
|---|---|---|---|---|
| asset/weapon_carry | 0.81 | 0.90 | 91% | ✓ 全过 |
| asset/controlled_item | 0.95 | 0.95 | 93% | ✓ 全过 |
| 指标 | 数值 | 口径 |
|---|---|---|
| 优化轨迹 | controlled_item 消歧 36%→93% · P 0.66→0.95；weapon_carry P 0.71→0.90 | 类目修正→真值治理→判读问句 v3/v4 |
| AI-Reference 三态裁决 | 确认 81 / 排除 30 / 存疑直推 33（另 2 例拒答降级直推） | 146 个告警 crop |
| 检索时延 | 10 万级 P95=28ms · 百万级 P95=172ms | 合成膨胀画廊（单机实测），SLO ≤5s |
| 工程质量 | 76 个单元测试 | 无 GPU 环境全量运行 |
| 证据/审计 | 证据 ≥1 年（案件冻结豁免）· 审计 ≥3 年 | SQLite 落库，重启恢复 |
诚实口径：组件级回归（无人形门、无持握时序的商品图测试）， 证明能力而非生产验收；检索 Top-10 为类目代理口径（画廊 135）。 其余边界与未决项见 §10。
import cv2
from weapon_guard import categories as wcats
from weapon_guard.detectors import NegativeGuardDetector, checkpoint_backend
from weapon_guard.engine import CheckpointEngineConfig, CheckpointSceneEngine
from weapon_guard.scene import WeaponEngineContext # 门禁/审计/索引/证据
detector = NegativeGuardDetector(
backend=checkpoint_backend( # AI-Detect 权重
"wedetect_hf_models/wedetect-base",
device="cuda", score_thr=0.30),
positives=wcats.checkpoint_prompts()[0],
negatives=wcats.NEGATIVE_PROMPTS, min_score=0.30,
pass_through=("人",)) # FR-CK-02 人形门
engine = CheckpointSceneEngine(
CheckpointEngineConfig(point_id="CK-001", require_person=True),
detector=detector)
clues = engine.process(cv2.imread("gate_frame.jpg")) # → risk4 疑似线索# 真实图片三阶段回归 (检测 → Ref 判读 → 报告)
python -m weapon_guard.real_eval --detect --device cuda
python -m weapon_guard.real_eval --confirm --ref-server http://127.0.0.1:8324/ask
python -m weapon_guard.real_eval --report
# 卡口轮巡服务 (场景备案前置: WeaponStore.save_scene, 否则装配即 EnablementError)
python -m weapon_guard.runner --config weapon_guard/deploy/config.example.json
# 检索工作台 API (双人授权 + 全量审计)
python -m weapon_guard.workbench_server --db /data/weapon.db --port 8302
- 真伪/道具判别是 AI-Reference 所依赖的视觉模型的能力边界：AI-Detect 开放词汇检测的"真刀 vs 玩具刀" 天花板实测 74%（87 crop），三问裁决仅 64%——消歧达标依赖 AI-Reference 判读 在环 + 人审终审；正式达标路径是受控摆拍集 Ref stage2 微调（§8.2）。
- §8.4 零误报准出未过：残余 FP 8+1（球棒/拐杖光学同构 + AI-Reference 拒答 降级直推）。数值 SLO 全过 ≠ 验收准出。
- 基准数据为百度商品图（组件级）：无真人持握、无持握时序、无夜间。 §8.2 规定的验收基准（道具摆拍 ≥150 次 + 白名单用例 + 案件回溯金标集） 尚未建设。
- 场景清单制是合规前提：仅限政府/主管部门主导场景部署；清单外点位 装配即拒绝（FR-COM-02）。
- 检索金标集未建：Top-10 ≥80% 目前为类目代理口径，正式验收依赖 公安合作的案件回溯标注。
代码为商业软件（Commercial Software），未经授权不得复制、修改、分发或
商用。验收集图片来自百度图片搜索，不随仓库分发（涉械图片敏感级更高，
公开演示请使用道具摆拍图）；fetch_v2.py 提供可复现抓取（标注仅供
研究），detections.json / confirms.json 与评估报告随仓库提供。
本系统仅在政府/主管部门主导的场景清单内部署（FR-COM-02）；
"管制器具"定性由公安依职权认定。
本方案的检测底座、流式推理运行时与导出链路由开源框架 AutoVision 提供（pip install autovision-framework）；接入设计见《行业方案接入》。