以视觉 AI 为核心、多类采集形态协同、与图书馆业务系统深度融合——解决"查得到、找不到"的"在馆不在架"顽疾，实现盘点自动化、定位精准化、顺架智能化、决策数据化。
"读者在 OPAC 查到在馆，书架上却遍寻不着"——根源在于馆藏账目与书架实况之间，长期缺乏低成本、高频次、可闭环的校验手段。
错架、乱架、夹藏、遗失或数据未更新，读者按检索结果找书却屡屡扑空，服务体验受损。
人工持枪逐册核对，数十万册馆藏完整清点需数周甚至数月；行业通行做法一线书库年清、二线三年、三线五年。
逐册贴标加工量大；钢制书架屏蔽与串读影响精度，且难以获取层内先后顺序。视觉路线可无码识别、精确定序，与 RFID 互补并存。
行业规范也在倒逼升级：GB/T 28220—2023 要求省 / 市 / 县级馆开架排架正确率分别不低于 96% / 95% / 94%，并要求定期开展文献清点。视觉盘点让"定期清点"从年度大工程变成日常运营。
三种采集形态并非互斥，而是按馆藏空间特征、预算与运营模式组合部署、分步实施。
闭馆后按预设路线自主巡检，承担夜间全馆盘点主体工作量，效率 ≥2 万册 / 小时，自动充电续盘——解决"全不全"。
部署于热门借阅区、新书展区等重点区域，高频抓拍、近实时感知，单台可覆盖两侧数节书架——解决"快不快"。
古籍特藏、密集书库、异形书架由馆员手持终端补盘复核；架距过窄、层高不足的层架位由视觉盘点车机动补位——解决"死角"。
单台覆盖率取决于书架排面间距与楼层高度，须现场测算后确定，避免按理论值直接折算设备数量。
适用于书架间距较小、楼层较低的场合，覆盖识别 2~6 节书架。
摄像头利用率最高，部署于通道上方覆盖两侧 5~7 节书架。
先选代表性区域做样板实测覆盖率，再按交换机端口数与边缘主机管控路数归集全量点位。
海量图像在边缘侧完成识别与去重，仅向中心上报结构化结果——网络不拥塞、时延更低、数据更安全。
分类号、索书号与资产码融合为单一编码贴于书脊下沿，一次赋码即完成编目、入库、排架信息承载。
新书采编入库即赋码、借阅回流顺手赋码、呆滞馆藏专项补码——不为赋码而全馆闭馆。
存量馆藏由"OCR 索书号 + 书脊文字 + 视觉特征"多模态识别兜底，无需贴标即可纳入盘点。
盘点条码、图书条码与 ISBN 号建立关联，识别结果准确映射馆藏记录，支撑资产级盘点。
以层架标为空间基准，按本馆排架规则判定层内顺序，输出错架、乱序、疑似缺失等分类结论。
低置信度样本自动分流至馆员移动端复核，结果回流训练集，识别能力随使用持续提升。
指标口径与 GB/T 46355—2025《图书盘点机器人通用技术条件》试验方法对齐，可直接写入招标与验收文件。
点位及任务 AI 管理：实时 / 历史图像调阅，差异层位回溯
盘点数据统计：分级目录下的馆藏与在架态势
边缘端识别：层架位识别结果与图书排序
盘点数据与 OPAC 对接，检索结果精确到"架—层—序"，支持三维虚拟书架与馆内导航。
直观呈现单册所在层架位与导航路径。
检索结果直达区域、书架与层标信息，可嵌入现有 OPAC。
扫码找书、阅览排行榜，手机上完成全流程。
同一套视觉能力延伸至座位与研修室管理：视觉系统只做"有人 / 无人"的事实判断，处置权保留在原预约系统。
先在 5,000~20,000 册规模区域建立真值集与指标基线，验证达标后再规模推广，避免全面铺开后的返工。
架位普查 · 数据集标注
试点部署 · 指标基线
赋码加工 · 硬件安装
平台部署 · ILS/LSP 联调
分区推广 · 人员培训
指标测试 · 竣工验收
周期盘点 · 模型迭代
数据治理 · 决策支持
