本文转载自中国经济新闻网
网址：https://www.cet.com.cn/itpd/hlw/10470107.shtml
在工厂、站场和园区，视频系统早已是基础设施。让管理人员费时的，是画面里同时出现的各类待判断情况：叉车和人员在装卸口交汇，输送带附近堆料，接卸作业中的轮挡、静电线和警示牌是否到位，后厨人员的着装和操作是否合规。过去，这些问题依赖人工巡查、回看录像或多套单项设备处理；当点位增多，信息很难及时进入处置环节。
人工智能正在为这类存量现场提供新的技术入口。2025年，国务院印发《关于深入实施“人工智能+”行动的意见》，提出推动人工智能与经济社会各行业各领域广泛、深度融合。此后，工业和信息化部等八部门印发《“人工智能+制造”专项行动实施意见》，强调人工智能与制造业的深度融合，以及企业应用的科学化和规范化。政策所指向的产业变化，最终仍要落到一处处可安装、可验证、可运维的作业点位。
近日，合肥薪火信息科技有限公司发布面向复杂行业现场的多算法AI摄像头方案。该方案以摄像头前端的本地推理和事件输出为核心，面向工厂、站场、园区及公共空间中分散的重点点位，处理人员、车辆、设备、环境和流程相关的视觉识别需求。产品关注的是把现场视频转化为能够复核、分派和留痕的事件信息，使识别结果能够进入后续管理流程。
发布资料显示，这款AI摄像头采用8核CPU、3TOPS INT8 NPU和800万像素高清采集方案。设备在本地完成图像采集、AI推理、规则判断、抓拍和事件输出。点位画面、算法负载与实时性满足要求时，单个摄像头可并行运行10种算法。模型部署后，可在局域网或离线环境中完成日常识别，不需要连接外网进行实时推理。
在这次产品发布中，薪火将前端设备定位为现场事件节点。画面在设备侧完成分析，符合条件的结果以图片、时间、区域和事件类型等信息交给值守平台或业务系统。对需要增设重点点位、又不希望为每一项任务单独增加一台前端设备的项目，这种多任务组合方式提供了更细颗粒度的建设选择，也便于既有视频系统分步完成智能化改造。
产业现场的复杂之处在于，存量设备分散，网络条件各异，工艺要求和安全责任链条也并不相同。视频画面是许多行业已经具备的数据来源，前端AI设备能够在靠近现场的位置把可见目标和动作转换为结构化事件，再由平台完成汇总、复核和处置。这种分工有助于减少无效的视频跨网传输，也让项目可以从风险较高、管理较急的点位先行部署。从产品方向看，这与“人工智能+制造”强调的场景落地和规范应用相一致。
从“看见现场”到“进入流程”，多算法需要围绕真实任务配置
以仓储装卸口为例，叉车、货车和人员会在同一画面中持续出现。只识别叉车，很难覆盖人员进入车辆盲区、消防通道占用、货物长期堆积或车辆异常停留等问题。若将叉车、车辆、人员进入、区域入侵、滞留、通道占用、烟火、抓拍留证等任务组合起来，摄像头输出的才是一组可以复核、分派和关闭的事件。
加油站和油品接卸区的情况更典型。车辆到位、轮挡放置、静电线连接、警示牌、灭火器、油管连接等动作具有明确顺序，单独识别其中一个物体的意义有限。项目需要先把作业流程、可见动作和责任节点梳理清楚，再将对应规则配置到合适的机位。摄像头能够看见的，是流程中的视觉证据。防爆设备选型、施工方式和安全责任仍应由项目规范及相关责任方确认。
在车间、检修区和施工现场，多算法组合通常围绕人员合规和风险区域展开。安全帽、反光衣、护目镜、安全绳、工装、抽烟、打电话、玩手机、禁区闯入、翻越围栏、离岗、睡岗、跌倒和登高作业等任务，面对的目标大小、视角和持续时间并不相同。高位全景画面适合看人车关系和区域边界，未必能看清安全帽、手机或手部动作。近景机位则可能更适合穿戴和行为识别。算法能否放在同一台摄像头上，取决于画面能否同时提供这些判断所需的细节。
薪火AI摄像头将多算法并行能力明确为项目配置项，而非一张固定的性能承诺。分辨率、分析帧率、目标密度、同画面任务数量、实时预览和事件推送频次，都会改变设备的实际负载。十算法并行的意义在于，重点点位可以按风险组合能力，不必为每一个任务增加一台前端设备。上线前仍需在真实机位连续运行，检查资源占用、事件延迟、断流恢复和告警去重。
复杂行业现场，产品能力要和工艺一起设计
模型部署到前端前，项目通常先检查画面。安全帽识别需要看到头部轮廓，反光衣识别依赖上身细节，抽烟和打电话要保留手部与头部的关系，车牌识别则受字符像素、车辆角度、行驶速度和曝光影响。同样是800万像素采集，镜头焦距、安装高度、俯视角、检测区域和现场照明不同，能够获得的有效细节也不同。
薪火科技的摄像头架设资料将俯视角约10度至30度、安装高度约2米至10米、待检测目标大于100×100像素作为初筛参考。实际项目还要勘察现场。车间高位全景摄像头能够观察区域关系，却未必适合识别护目镜、手机或手势；装卸口的近景机位可以看清轮挡和静电线，很难承担整条道路的车辆统计。项目通常需要把一个风险拆成“看什么、在哪里看、发现后由谁处理”三个问题，再决定镜头和算法组合。
逆光、过曝、雨雾、蒸汽、粉尘、镜头积灰、蜘蛛网、支架抖动和临时遮挡，都会使视频输入发生变化。对于长期运行的点位，除了事件算法，还应关注摄像头遮挡、转动和画面异常等状态。画面已经失去可用性时，继续提高识别阈值通常解决不了问题，现场需要先恢复可用的视频证据。
把算法放进规则，视频才会变成可处置的信息
一台摄像头同时运行多种算法，并不等于每个模型各自发出告警。面向现场管理的配置，通常要把目标、区域、时间、持续条件和重复间隔写进规则。例如“叉车出现”只是目标检测；“叉车进入人员禁入区并持续停留”才是需要处理的事件。车辆违停也要区分车辆是否进入指定区域、停留是否超过阈值、该车辆是否已经告警，以及抓拍画面是否可以支持人工复核。
同一个点位可以把安全帽、反光衣、抽烟、打电话、区域入侵、滞留、人员聚集、车辆进入、烟火和摄像头遮挡组合为十类任务。这个组合适合安全要求高、视角固定且目标相对集中的区域。若画面同时包含远近目标、频繁遮挡和大量运动对象，项目可能需要降低分析帧率、调整算法数量，或者拆分机位。3TOPS INT8 NPU提供的是端侧计算基础，实际运行仍受视频和规则负载共同影响。
一条能进入平台的事件，通常要带上设备、通道、区域、时间、事件类型、目标属性、局部抓拍、全景图和处置状态。对值守人员而言，事件图片、触发时间和区域名称比一个孤立的算法标签更有用。对平台建设方而言，事件ID、重试、去重和关闭条件决定了同一事件是否会反复出现，或在网络恢复后被重复写入。
面向不同产业场景，产品能力需要落到具体动作
许多行业需求无法用“识别人”或“识别车辆”概括。铁路场景可能关注驾驶员伸二指、握拳、比六、握拳摇晃、伸拇指等手势，也可能关注手握刹车状态、开门瞭望、受电弓和线路方向上的疑似入侵人员。水域点位会区分采砂船、运沙船、货船、渔船和巡逻船等船舶，并根据需要进行动态或区域累计统计。
在煤炭、港口、建材和工程作业区域，摄像头可围绕挖掘机、叉车、吊车、打桩机、卡车、升降机、油杆断裂、皮带运行状态、堵煤和皮带撕裂开展评估。不同事件需要不同观察方向。观察皮带边缘、落料口或表面状态的机位，通常不能用一台远距离全景摄像头替代。视觉识别可以为现场提供预警与证据，但设备保护、联锁和专业传感器仍承担各自职责。
城市道路、园区和公共区域也有自己的任务组合。车辆、车牌、车型、区域违停、禁入目标和非机动车违停，可以与逆行、违规倒车、闯红灯、压线、占用应急车道和车流统计结合。室内外积水、地面油污、道路损伤、井盖安全、孔洞风险、垃圾堆积、河道垃圾和占道经营，则更适合放在固定视角、规则清晰的点位中持续观察。
后厨、养殖和户外无人值守点位同样存在专业需求。厨师帽、餐饮口罩、厨房工作服、围裙、烟火和鼠害，可以服务于后厨的规范管理；鸡、牛、羊、猪等牲畜的识别和计数，则需要根据养殖环境、遮挡和运动状态单独评估。雨雾、夜间补光、逆光、镜头污损、支架抖动和长期遮挡都会改变视频质量，理想画面不足以说明算法在现场的表现。
从产业运行的角度看，前端AI的意义不止于增加一项告警功能。生产、物流、能源和公共服务场景中已经沉淀了大量视频资源，现场人员仍需要花时间筛选画面、确认位置、复核事件。把人员行为、设备状态、区域秩序和环境异常以统一字段推送到平台，有助于把分散的观察结果接入日常管理、隐患排查和工单流程。实际价值取决于点位设计、平台规则和人员处置是否衔接，这也决定了项目能否从单点试用走向稳定应用。
针对特殊工序，模型训练还要经受现场样本检验
通用算法覆盖不了特殊工装、设备状态、标识牌、行业动作或产品缺陷时，项目可以使用现场图片或视频素材训练新的视觉模型。薪火科技的XINHUOAI训练平台支持素材整理、GPU训练、模型评估和模型导出，训练后的模型可部署到AI摄像头、AI边缘计算盒子或AI NVR。训练平台用于生成和迭代模型，前端设备负责日常的本地识别、告警和抓拍。
定制模型的难处不在于给目标起一个名字，而在于样本是否代表真实工况。正常作业、异常事件、昼夜光照、反光、蒸汽、粉尘、雨雾、多人遮挡和相似背景都可能影响结果。项目需要保留正常画面和干扰画面，记录机位、时间、光照、模型版本、参数版本和判断结果。模型导出后，还要核对算子适配、资源占用、输入输出和实际点位表现。
与边缘计算协同，适配存量与新增两类需求
AI摄像头适合单点位、分散点位和重点区域的前端判断。例如园区内新增一处卸油口、仓库增加一个叉车交叉口、后厨补充一个操作台点位，设备可在摄像头侧直接完成分析和事件输出，不必额外设置AI机柜。现有多路摄像头和NVR需要集中分析、统一管理时，AI边缘计算盒子更适合从已有视频流取流。大型项目往往同时存在两类需求：存量视频由边缘设备利旧，新建或独立点位使用AI摄像头补充，平台统一接收事件。
两类产品的共同目标是把视频中的可见事件转换成可处理的信息，部署位置不同。摄像头前端更靠近画面，适合响应要求高、网络带宽有限或站点分散的场景；边缘计算设备更适合多路视频、算法集中配置和复杂的平台对接。设备选择还要看供电、网络、防护、安装位置、录像策略和运维条件，算力参数和算法数量只是其中一部分。
薪火AI摄像头支持本地Web管理、算法参数配置、告警记录和运维设置，也支持视频流接入、告警事件推送、平台联动和项目定制接口。对接时，平台侧需要明确设备、通道、区域、事件类型、时间、图片、重复事件和状态字段的处理方式。一次告警能否被追溯，往往取决于这些字段是否完整，以及设备与平台是否对重试、去重和关闭条件达成一致。
对于客户已经建设视频平台的项目，前端设备不需要承担全部业务功能。摄像头负责现场的图像采集、识别和初步事件判断，平台负责跨区域汇总、权限管理、复核、通知和归档。这样分工后，原始视频仍可按客户的录像策略保存，跨网传输的内容可以优先收敛为事件字段和图片。涉及实时联动的项目，还应由双方明确接口责任、网络边界和异常情况下的降级处理方式。
产品发布之后，产业应用还要经过长期运行
AI摄像头在前端完成识别，能够减少持续传输全部原始视频的需求。对于分散站点和网络条件有限的场景，平台可以按需要接收结构化事件和图片，再由人员复核、通知或进入工单流程。多台设备接入局域网服务器或业务平台后，也可以统一管理在线状态、算法规则、抓拍、告警和权限范围。
对一项面向行业的产品发布而言，参数只是起点，现场运行才是后续检验。验收需要覆盖真实点位下的目标、区域、时间段、持续时间、告警间隔和事件字段，同时测试不同光照、正常行为和干扰画面中的漏报、误报。网络中断、视频断流、服务异常和设备重启后的恢复过程，也应进入测试范围。识别、抓拍、推送、复核和处置能够连续衔接时，AI摄像头才会成为现场管理体系中的前端节点。
此次方案的发布，也反映出工业和公共场所视觉应用的一项变化：客户会同时考察摄像头的识别能力，以及系统能否围绕真实工序、风险区域和处置责任形成稳定的信息链路。对制造、物流、能源和公共服务等行业而言，这类前端设备的价值在于把已有视频资源转化为可复核的信息，支撑日常管理和风险排查的数字化衔接。以具体场景为起点部署人工智能，再逐步形成设备、平台和人员协同的运行机制，正是“人工智能+”和“人工智能+制造”在产业现场需要解决的实际问题。对于需要在前端完成多类视觉任务的行业项目，产品能力、现场设计、模型验证和平台规则需要一并落地，任何一个环节脱离实际，都会影响最终的使用效果。
