早班 08:00，一次搬家引发多条告警
物业值班员需要处理的不只是模型分数：住户有搬运预约吗？货梯是否可用？推车是否挡门？同一辆车产生的多条提醒是不是同一件事？交班时，下一位同事怎样知道查到了哪里？
EstateGuard 把这些问题串成一个可以实际操作的流程：本地视觉推理、场景规则、重复观察合并、证据复核和交接导出。通用部分处理数据和事件，小区特定的区域、时间和例外由现场配置。
与原有经历的联系
项目源于电梯大件搬运、社区停车与公共环境巡检相关的数据整理、标注一致性和部署验证经验。公开项目独立制作，没有使用原单位的私有视频、标注或模型。履历中的数据规模不作为本项目的数据规模。
怎样介绍这个项目
“我做了一个社区巡检 AI 工作台。它在浏览器运行小模型，识别本地图片或视频里的物体，再结合区域和时间规则生成待复核事件。针对重复告警、预约例外和证据不足，我加入了事件合并、规则分流和带理由的人工复核。项目附有标注检查、评测脚本和可复现的检测结果，便于继续接入专项模型。”
从公开数据开始验证车位巡检
值班员需要逐个核查车位、查看原图并保留判断依据。我们用 CNRPark 的真实历史裁剪图训练了独立的轻量占用分类器，支持按采样时刻回放、查看原图、复核错判和导出结论。训练使用 4,284 张图，验证 1,275 张；另一摄像头的 6,413 张完整留作测试。
跨视角正确率为 76.84%，但仍有 1,134 张占用图片被错报为空闲。因此这版用于检验模型和组织复核，尚不能声称已可靠指导停车。全部错例和训练记录都公开，后续优化以这些可复现问题为起点。体验车位巡检 · 查看真实评测
换用视觉基础模型，并检验“可以不看”的车位
随后我们冻结两种通用视觉编码器（复用检测器的 MobileNetV2、DINOv2-small），只训练线性头，并用从未参与选择的 CNR-EXT 144,965 张（同一停车场另外 9 个视角、23 天、晴/阴/雨）测试。平衡正确率从小模型的 88.48% 提升到 DINOv2 的 95.88%，雨天从 85.42% 到 94.19%。默认模型在看 EXT 之前已按协议确定。
我们也尝试让系统自动判定“明显空闲 / 明显占用”的车位。实测发现：训练视角上校准的阈值换到新视角会失效，把连续快照当独立证据会高估把握。页面因此默认全部送人工，只有用本摄像头跨天的人工结论按“车位·日”检验通过后才自动分流；阈值启用后页面会随机抽检约 10% 的车位·日，抽检证据显示超标时自动撤销；按日期回放中 3 个超标阈值只撤销了 1 个，且在错误集中出现约 3 天后，自动判定仍不能单独信任。查看对比与失败基线
研究与下一步
场景上下文研究帮助我们理解：相同动作在不同区域可能有不同含义。第一版采用可检查的小模型与规则基线，后续用有许可的领域视频评估漏检、夜间画面、遮挡和模型压缩效果，再决定是否引入更复杂的视频理解模型。