EvoFace：企業級邊緣運算 AI 臉部辨識考勤系統

1. 專案概述與目標 (Project Overview & Objectives)

• 專案概述： EvoFace 是一套專為企業落地設計的「邊緣運算 AI 臉部辨識考勤系統」。本系統以 InsightFace 為辨識核心，完整涵蓋從前端打卡終端 (PySide6) 到員工自助查詢入口 (Streamlit) 的雙平台架構，並將複雜的三班制與跨日打卡邏輯自動化，提供一站式的企業出勤解決方案。

• 專案願景： 摒棄傳統依賴昂貴 GPU 伺服器與雲端 API 的 AI 應用思維，本專案致力於解決「AI 技術落地」的真實工程挑戰。透過深度優化邊緣運算與底層架構，EvoFace 成功在普通商用 CPU 設備上實現流暢的高負載辨識，大幅降低企業導入 AI 的建置門檻。

• 核心目標：

  1. 零接觸與嚴格防弊： 整合異質模型與 MiniFASNet 活體偵測，徹底杜絕傳統感應卡代刷與手機翻拍漏洞，確保考勤 100% 真實。

  2. 高併發極致流暢： 導入非同步多執行緒 (QThread) 與資料庫讀寫分離 (SQLite WAL Mode)，解決尖峰時刻千人排隊打卡導致的系統卡頓與鎖死 (Locking) 痛點。

  3. 動態適應與免維護： 獨創自適應權重熱更新 (Hot-Update) 機制，系統能自動學習員工換髮型或戴眼鏡等外貌變化，實現「越用越準」的長期穩定性。

2. 企業痛點 vs. EvoFace 解決方案 (Pain Points & Solutions)

在千人規模的製造業或排班制企業中，傳統打卡系統常面臨以下挑戰，而 EvoFace 提供了根本性的技術解法：

• 痛點一：代打卡防弊困難 ➡️ [解法] 異質模型活體防偽 不再依賴單一模型，整合 MediaPipe 與 InsightFace 進行精準特徵比對，並掛載 MiniFASNet 活體偵測引擎，徹底防堵照片或螢幕翻拍攻擊。

• 痛點二：尖峰打卡導致系統卡頓 ➡️ [解法] 非同步架構與併發控制 針對上下班尖峰時刻，導入 QThread (RecognitionWorker) 徹底分離 AI 運算與 UI 渲染；同時啟用 SQLite WAL 模式，讓前台百人連續刷臉與後台人資撈取報表可「零延遲」同步進行。

• 痛點三：外貌變化導致辨識率下降 ➡️ [解法] 動態特徵熱更新 (Hot-Update) 獨創自適應權重演進機制，系統會自動學習員工日常的微小外貌變化，即時將新特徵熱更新至記憶體，降低後續維護成本。

• 痛點四：初期員工建檔耗時費力 ➡️ [解法] 證件照無痛註冊 (Zero-Setup) 打破需「全體排隊現場拍照」的限制，系統具備跨場景特徵擷取能力，人資僅需匯入員工既有證件照即可完成建檔，實現零干擾導入。

3. 核心技術亮點解析 (Technical Highlights)

相較於單純呼叫開源模型 API，本專案更著重於「演算法落地」的軟體工程實踐與使用者體驗：

• 邊緣推論輕量化 (Edge Inference)： 將龐大的深度學習模型全面轉換為 ONNX Runtime 格式。在純 CPU 環境下，依然能將「人臉追蹤 ➡️ 活體偵測 ➡️ 特徵比對」的完整 Pipeline 壓制在毫秒級別。

• 防誤判與雙軌備援機制 (Context-Aware & Fallback Logic)：

  1. 猶豫機制與密碼備援 (Ambiguity & Password Fallback)： 當候選人相似度差距過小 (<0.05) 或落入模糊信心度 (>0.4) 時，系統啟動防護拒絕放行，並自動彈出「工號與密碼」輔助驗證視窗，確保極端環境下現場動線不斷。

  2. 智慧冷卻 (Debounce)： 精準識別已打卡但仍在鏡頭前逗留的員工，自動進入倒數冷卻期，避免傳統系統瘋狂彈出「重複辨識」的錯誤提示。

• 極端情境排除與 UX 優化 (Edge-Cases & UX)： 內建影像鏡像翻轉與語音回饋 (Voice Feedback)。同時具備防呆機制，能自動偵測「距離過遠 (FACE_TOO_SMALL)」與「多人入鏡 (MULTIPLE_FACES)」並給予即時 UI 提示。

• 模組化關注點分離設計 (Separation of Concerns)： 採用嚴謹的物件導向 (OOP) 架構，將核心引擎 (Core Engine)、圖形介面 (GUI) 與資料庫操作 (DB CRUD) 徹底解耦，大幅提升可維護性。

4. 系統架構與技術棧 (System Architecture & Tech Stack)

本系統採 Desktop/Web 雙平台架構，兼顧現場終端機效能與跨網段查詢便利性：

• 核心 AI 演算法：

  • 特徵提取：InsightFace (ArcFace) (512 維向量矩陣比對)

  • 活體防偽：Silent-Face (MiniFASNet)

  • 臉部追蹤：Google MediaPipe

• 軟體工程與高併發架構：

  • 多執行緒控制：Producer-Consumer Pattern, PySide6 QThread

  • 資料庫併發優化：SQLite (Write-Ahead Logging Mode)

  • 模型加速部署：ONNX Runtime

• 前端介面與資料管理：

  • 打卡終端與管理後台：PySide6

  • 員工自助查詢入口：Streamlit (建構區域網 Web Portal)

5. 企業商用落地設計 (Business-Ready Implementation)

EvoFace 不僅是技術展示，底層更內建了完整的企業商業邏輯：

• 免現場拍照的無痛建檔 (Frictionless Onboarding)： 憑藉 InsightFace 強大的泛化能力，系統能精準比對員工的 2D 靜態證件照與現場 3D 動態人臉，替企業省去巨額的初期建檔行政成本。

• 三班制與跨日考勤引擎： 原生支援早班、晚班、大夜班邏輯，完美解決製造業常見「16:00 上班、隔日 01:00 下班」的跨日打卡判定難題。

• 賦能人資自動化： 管理後台支援考勤紀錄一鍵匯出為 Excel，無痛銜接企業薪資軟體；Web 端則開放員工自助查詢，大幅降低人資日常行政負擔。

6. 結語與未來展望 (Conclusion & Roadmap)

• 商用完整度與架構效能驗證 (Commercial Viability & Architecture Validation)：

本專案跳脫了單純的「模型 API 呼叫」框架，成功建構出涵蓋邊緣辨識、活體防偽、到 Web 查詢後台的完整考勤生態系。在架構效能上，透過 QThread 非同步處理與 SQLite WAL 讀寫分離，搭配 ONNX 模型輕量化，EvoFace 成功證明了「高精度 AI 不必然依賴高昂硬體」。在一般商用 CPU 環境下，系統不僅實現了毫秒級的連續流暢辨識，徹底消除 UI 卡頓，更完美融合了跨日排班與密碼備援等真實企業邏輯。這充分驗證了 EvoFace 是一套兼具「底層效能深度」與「商用落地廣度」的高穩定即戰力產品。

• 未來迭代方向 (Roadmap)：

1. 雲端原生與容器化： 預計將管理後台與 Web 服務導入 Docker 容器封裝，並結合 GitLab CI/CD 實現自動化部署。

2. 分散式資料架構： 計畫支援 PostgreSQL 雲端資料庫串接，以滿足跨廠區、多網點的集團式集中考勤管理需求。

7. 實機操作影片展示 (Demo)

🔗 專案資源與聯絡資訊 (Project Links & Contact)

• 💻 GitHub 開源原始碼： https://github.com/chenkuanchung/evoface-attendance

• 💼 個人網頁： https://chenkuanchung.github.io/