跳转至

人工智能作为打击童工的工具：用于儿童检测与年龄估计的实时边缘视觉流水线

文章背景与核心概要

目前全球约有 1.38 亿儿童身处童工劳动之中，而传统的监测系统（如定期的入户走访和人工访谈）往往存在系统性的漏报问题。本文介绍了一种实时的研究级计算机视觉原型，旨在为童工监测与补救系统（CLMRS）提供一个持续的、基于存在状态的证据通道。

该流水线集成了一个多任务人员与人脸检测器（基于 CerberusDet 框架的 YOLO26x）、级联年龄估计模型（MiVOLO v2 搭配专为 0–12 岁设计的儿童模型）、ByteTrack 跟踪算法、ArcFace 和 DINOv2 重识别（Re-ID）技术，以及轨迹级融合机制。通过 FP8 TensorRT 编译，系统在嵌入式硬件上实现了超过两倍实时（real-time）运行的性能。实地测试和代理视频评估表明，该系统大幅提升了检测率、实现了鲁棒的身份整合、减少了重复上报，同时也强调了严格的数据保护和人在回路（human-in-the-loop）安全机制的至关重要性。

文档元数据

元数据字段 详情
arXiv ID arXiv:2608.14770 [cs.CV]
标题 Artificial Intelligence as a Tool for Combating Child Labour: A Real-Time Edge Vision Pipeline for Child Detection and Age Estimation
作者 Mark Nowak (Conflux Laboratory)
主要学科 计算机视觉与模式识别 (cs.CV)
次要学科 人工智能 (cs.AI)
ACM 类别 I.2.10; I.5.4; K.4.1
提交时间 2026年8月14日
文档统计 39 页，1 个图表，13 个表格

摘要

据估计，全球仍有 1.38 亿儿童从事童工劳动，受影响行业所使用的监测系统主要依赖周期性的入户走访和访谈，存在系统性漏报。我们提出了一种实时计算机视觉流水线（完全作为研究原型构建和运行），旨在研究为童工监测与补救系统（CLMRS）提供连续的、基于存在状态的证据通道的可行性。

该流水线结合了多任务人员与人脸检测器（CerberusDet 框架中的 YOLO26x 主干网络）、将 MiVOLO v2 与针对 0-12 岁儿童的专家模型相结合的级联年龄估计、ByteTrack 跟踪、ArcFace 和 DINOv2 重识别，以及生成可审查个人记录的轨迹级融合。

核心性能亮点：

  • 检测准确率： 与上一代基线相比，检测器将人员的 mAP@0.5 从 0.390 提升至 0.683。
  • 年龄估计： 儿童专家模型在纯儿童验证集上的平均绝对误差（MAE）达到了 1.944 岁，优于通常误差达 18–23 岁的广泛使用的开源技术栈。
  • 硬件优化： FP8 TensorRT 编译带来了 1.77x 的加速，且代价微乎其微（MAE 仅增加 +0.002 岁），使流水线在嵌入式硬件上实现了超过两倍的实时性能。
  • 代理视频评估： 在 26.8 小时的代理视频测试中，该系统识别出了 634 个独特的儿童候选者，而其前代产品仅识别出 285 个。
  • 实地试验： 在津巴布韦某农场进行的为期 17 天的无人值守实地试验中（6 个摄像头覆盖 38.7 百万帧），并与每日出勤记录进行对比，结果表明软件调优使检测良率提升了 36 倍。此外，在同时性否决（simultaneity veto）下的身份整合将过度上报从 9.1 倍降至 1.8–3.9 倍，且零误合并。

本研究透明地记录了训练/量化的失败与成功案例，并强调了此类部署必不可少的数据保护和人在回路安全保障措施。

An estimated 138 million children remain in child labour worldwide, and the monitoring systems used by affected sectors, built on periodic household visits and interviews, systematically under-detect them. We present a real-time computer-vision pipeline, built and operated solely as a research prototype, that studies the feasibility of giving Child Labour Monitoring and Remediation Systems (CLMRS) a continuous, presence-based evidence channel.

The pipeline combines a multi-task person and face detector (YOLO26x backbone in the CerberusDet framework), cascaded age estimation pairing MiVOLO v2 with a child-specialist model for ages 0–12, ByteTrack tracking, ArcFace and DINOv2 re-identification, and track-level fusion producing reviewable per-person records.

Key Performance Highlights:

  • Detection Accuracy: The detector raises person mAP@0.5 from 0.390 to 0.683 over the previous-generation baseline.
  • Age Estimation: The child specialist reaches 1.944 years Mean Absolute Error (MAE) on children-only validation, outperforming widely used open-source stacks which typically err by 18–23 years.
  • Hardware Optimization: FP8 TensorRT compilation yields a 1.77x speedup at a negligible cost (+0.002 years MAE), bringing the pipeline to over twice real-time performance on embedded hardware.
  • Proxy Video Evaluation: Tested on 26.8 hours of proxy video, the system identifies 634 unique child candidates compared to 285 for its predecessor.
  • Field Pilot: A 17-day unattended field pilot on a farm in Zimbabwe (38.7 million frames across six cameras), evaluated against a daily attendance register, showed that software tuning improved detection yield 36-fold. Furthermore, identity consolidation under a simultaneity veto cut over-reporting from 9.1x down to 1.8–3.9x with zero proven-false merges.

The study transparently documents both training/quantization failures and successes, emphasizing the essential data-protection and human-in-the-loop safeguards required for deployments of this nature.

全文与参考链接