
给连锁门店做 AI 巡检,架构图通常画得很漂亮:门店摄像头 → 边缘或云端推理 → 事件中心 → 整改闭环 → 总部看板。真正决定这套东西能不能在 100 家店、1000 家店规模上活下来的,是五个部署决策,而这些决策跟算法关系不大,跟带宽、存储、权限和断网有关。
本文以美业连锁门店(迎宾接待、等候秩序、洗护与理发服务过程、环境与卫生)的落地场景为例,把这五个决策拆开讲。所有带宽与存储数字都是按公式推的量级估算,用于说明决策逻辑,不是某家门店的实测值。
在讨论"上云"之前,先把链路切成两段,判断标准只有一条:这个环节是否要求 7×24 小时把视频流持续送出去。
环节 | 是否适合上云 | 原因 |
|---|---|---|
视频流接入与抽帧 | 否 | 常驻上行带宽成本高,而绝大多数画面是无事件的背景 |
画面质量检测(模糊/过暗/遮挡) | 否 | 毫秒级反馈,放云上往返延迟没必要 |
事件判定与跨镜联动 | 视规模 | 小规模可云上,大规模建议边缘先筛 |
事件聚合、整改闭环、看板 | 是 | 天然是多门店横向汇总,云上做才对 |
影像归档与检索 | 是 | 对象存储 + 生命周期策略最省钱 |
结论是:视频流不进云,进云的是事件与证据截图。 这一条确定了,后面的带宽、存储、成本全都跟着确定。
门店侧 8 路 1080P 摄像头、按 2 Mbps/路计算,全量常驻回传就是 16 Mbps 上行。这个数字放在写字楼里不算什么,放在商场负一层、老街区沿街店铺,就是运营商专线月租、也是晚高峰丢包的源头。
改成"只上传事件与截图"之后,带宽模型从常驻变成突发:
工程量级估算:一家门店每天产生几十到上百条事件,按每条约 0.3 MB 计算,日流量在 10—30 MB 量级——这个量级下,门店原有的宽带完全够用,不需要为巡检单独拉专线。
这条决策的隐含代价:原视频不落云,意味着事后要"回看一段视频"时拿不到。如果业务上确实需要,做法是在门店侧保留本地录像(NVR 或边缘设备本地盘,按 7—30 天循环覆盖),云上只存事件对应的截图与时间戳索引,需要回看时按时间戳去门店侧取。这个折中方案在零售、美业、餐饮场景里基本都成立。
边缘和云的分工,不要按"算力强弱"分,要按判定的时间尺度分:
判定类型 | 例子 | 建议位置 |
|---|---|---|
单帧状态 | 迎宾/前台岗位是否有人、地面是否有垃圾 | 边缘 |
短时窗口(秒级到分钟级) | 顾客在等候区聚集、一杯水是否送达 | 边缘 |
长时窗口(10 分钟以上) | 洗护服务时长是否合规、员工是否长时间离岗 | 云侧 |
跨镜/跨区域联动 | 顾客从等候区进入服务区、跨区域状态迁移 | 云侧 |
跨门店聚合 | 哪类问题高发、哪家店整改慢 | 云侧 |
这么分的原因很实际:短时判定放在边缘,可以避免网络抖动导致事件漏判;长时判定需要跨时间段的状态保持,放云上做状态管理比在几百台边缘设备上各存一份更可靠,也更容易随规则调整而无需下发固件。
边缘侧只需要承担"抽帧 + 单帧目标检测 + 简单规则",一台低功耗设备就能覆盖一家中小型门店;门店规模大、路数多时再按路数扩容。这类分层的另一个好处是:模型升级只影响云侧,边缘侧保持稳定,避免了"一次升级要跑几百家店"的运维灾难。
影像类数据的成本几乎全在存储上,而存储成本几乎全由留存周期决定。合理的分层是三层:
层 | 内容 | 建议周期 | 存储类型 |
|---|---|---|---|
热层 | 事件截图、整改复拍照片 | 30—90 天,覆盖一个完整整改周期 | 标准对象存储 |
温层 | 已闭环事件的截图 | 6—12 个月,用于季度复盘与争议追溯 | 低频/归档存储 |
元数据 | 任务、检查项、判定结果、流转日志 | 长期 | 关系型/分析型库 |
两个实践要点:
元数据与截图必须分开存。截图可以过期删除,但"某天某店某检查项判了什么、谁复核的、改了没有"这条记录要长期保留——它是这家门店的管理档案,也是发生客诉时最直接的一份凭据。

连锁品牌的组织结构天然是三级:集团总部 → 区域/督导 → 门店。数据权限必须按这个结构切,而不是简单给个"管理员/普通用户"。
角色 | 可见范围 | 典型操作 |
|---|---|---|
集团总部 | 全部门店 | 配置标准模板、看跨区对比、复盘共性问题 |
区域/督导 | 所辖门店 | 安排到店巡检、复核异常、跟踪整改进度 |
门店店长 | 本店 | 执行自检任务、提交整改、查看本店记录 |
实现上有两个容易忽略的点:
门店网络不稳定是常态,不是异常。降级方案要在设计阶段就写进流程图,而不是上线后打补丁。
断网场景做不好,最典型的症状是"月底一看,某区域数据缺了一大片"——不是没执行,是没传上来。
上线后运维盯的不是业务指标,而是这四个:
指标 | 含义 | 异常时的排查方向 |
|---|---|---|
门店设备在线率 | 抽帧服务与摄像头是否在跑 | 网络、供电、设备老化 |
任务按时完成率 | 派发的自检任务是否按期执行 | 模板是否过重、员工是否抵触 |
告警复核通过率 | 人工复核确认的比例 | 太低是误报多,太高是漏报多 |
整改闭环时长 | 从确认不合格到验收的中位时长 | 责任人不明确、复拍要求过高 |
这四个指标里,前两个是基础设施健康度,后两个才是算法与流程质量。很多团队一上来就盯准确率,结果设备掉线一周都没人发现。
门店影像里同时有员工和顾客,属于个人信息载体。最低限度要落实四件事:
这四项不是"合规负担",它们恰好也是这套系统能被门店接受的前提——门店抵触的往往不是被监测,而是"不知道数据会被留多久、谁会看到"。
不建议一次性铺开。更稳的路径是三段:
每一段结束都应该有一个明确的"是否继续"判断点,判断依据就是上面四个运维指标,而不是"领导觉得效果不错"。
门店 AI 巡检上云,难的从来不是把视频推上云,而是决定什么不上云:视频流不上去、短时判定放边缘、原视频留在门店、元数据长期留存。
这五个决策定下来,架构图会变得朴素很多,但它在 1000 家店的规模上仍然跑得动——这才是部署方案该有的样子。
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。