简介人工智能视觉识别技术正加速渗透工业安全场景其核心并不在于模型的参数规模而在于感知设备选型、算法阈值配置与告警闭环机制的协同。以石化装置区的复杂环境为例防爆摄像头的防爆等级与温度组别、热成像设备的测温范围、边缘盒子的算力规划共同构成了AI巡检的感知与推理底座。通过将人工巡检表转化为算子清单并对置信度阈值、连续帧数、告警冷却时间做工程化调优系统才能兼顾漏报与误报的平衡。这类技术方案可应用于泵区滴漏识别、炉壁热斑检测、人员安全行为监控等高频场景并结合样本回流机制持续迭代模型。本文从架构选型到试点验收系统梳理石化AI巡检的落地方法与典型避坑经验。1. 石化行业人工智能巡检解决方案先想清楚三个“多少钱”的问题石化行业人工智能巡检解决方案这几年在安全环保部和设备部的立项清单里出现得越来越频繁。干过工业AI落地的人都知道这套方案最难的不是模型有多聪明而是让算法在防爆区、高温区、粉尘区里稳定地干活并且让业主相信它比人可靠。业主问得最多的永远是三个问题识别什么、装在哪、能省几个人。这三个问题答不清楚方案页数再多也只是投标素材。这篇笔记按我做过项目的思路把方案架构、识别项配置、试点验收和避坑经验拆开讲适合工艺设备工程师、安全环保负责人和做工业AI项目的实施团队参考。2. 方案架构怎么拆感知层、算法层与告警闭环的分工与选型2.1 感知层选型防爆摄像头、热成像与移动机器人各管一段石化巡检的感知层不是“多装几个摄像头”那么简单。装置区里最要命的是防爆分区0区、1区、2区的防爆要求逐级放宽但无论哪个区电气设备都要有明确的防爆标志和温度组别。常见的做法是固定点位选隔爆型球机防爆等级做到Ex d IIC T6T6代表设备表面最高温度不超过85℃氢气、乙炔这类低闪点介质的环境也能兜住。分辨率至少200万像素配光学变焦现场支架高度按6到8米设计俯视角度控制在20到45度之间太垂直了看不全设备侧面太斜了又容易被管线遮挡。热成像摄像机在巡检方案里负责“看得见温度”的那一部分。裂解炉外壁、高温机泵轴承、电机壳体这些部位视觉算法看不出异常热像仪能直接给出温度场。选型时看测温范围和精度常规双光谱热像仪测温范围在-20℃到550℃精度±2℃或读数的±2%热像分辨率选384×288以上配合可见光通道做画面联动。注意热像仪同样要过防爆认证别只看像素参数就下单很多厂家默认只做普通工业型。移动机器人是感知层里最贵、也最容易在方案里“撑场面”的部分。轮式机器人适合泵区、管廊地面巡检挂轨机器人适合电缆桥架和高空管带。机器人自带可见光、热成像、气体传感器和激光导航能按预设路线自动巡检但它的价值不在于“能走”而在于能把同一位置的数据持续采集下来形成趋势。我一般建议固定点位解决80%的高频巡检需求机器人只补那些人工不愿意去、固定摄像头够不着的盲区。动辄几十万到上百万的机器人在预算有限时应当往后放先算固定点位的投资回报。感知层选型可以按这张表快速对比设备类型核心参数典型部署位置主要识别能力防爆球机Ex d IIC T6, 200万像素, 20倍变焦, IP66装置区立柱、管廊跑冒滴漏、人员行为、表计防爆热成像测温-20~550℃, 384×288, 双光谱反应炉、机泵、变压器区异常温升、热缺陷、明火轮式巡检机器人本安防爆, 激光导航, 多气体传感器泵区、罐区地面综合巡检、气体泄漏挂轨机器人轨道供电, 可见光热像电缆桥架、高空管带桥架测温、异物检测2.2 平台层与算法层边缘算力、模型仓库与告警闭环平台层是方案里最容易被讲成“黑匣子”的部分但恰恰是它决定系统能不能用。架构上我习惯拆成三层边缘盒子做推理中心平台做管理业务系统做闭环。边缘盒子部署在现场机柜间直接接入就近摄像头的视频流用内置的AI模型做实时分析只把告警结果和关键截图回传避免把所有视频都堆到机房。选型时算力按每路视频5到10 FPS推理来估算单台边缘盒子接8到16路比较合理超过这个数就要做负载拆分。算法仓库要覆盖石化巡检的高频场景建议按六类算子规划泄漏识别类滴油、渗液、冒烟、蒸汽异常表计读取类指针式压力表、数显表、磁翻板液位计人员安全类安全帽佩戴、工服穿戴、区域闯入、人员倒地明火烟雾类火焰、烟雾、静电接地状态设备状态类皮带跑偏、泵体振动、电机异常温升环境联动类可燃气体浓度越限后联动平台弹窗平台层还要解决任务编排的问题。AI巡检不是让摄像头乱扫而是要把巡检路线、点位、设备台账和工艺巡检表映射到算法任务上。比如每两小时对泵区做一轮泄漏识别每天夜间对炉区做一轮热成像测温每周对罐区液位计做一次表计读数复核。这些任务在平台里做成定时计划算法按计划抓取视频流分析。最后是告警闭环。很多项目死在“只报警、不闭环”算法弹出一条滴漏告警现场班长看一眼就划掉了第二天照样漏。标准做法是四级处理算法告警生成事件平台按规则去重和分级推送给对应岗位确认确认后生成工单进入检修流程完成后回填结果形成闭环统计。告警处置效率要做进报表里不然方案上线三个月后就没有人看系统了。3. 把巡检点变成算子清单识别项、阈值与样本库的配置方法3.1 识别项拆解把每一条巡检路线变成算子清单方案里写“人工智能识别跑冒滴漏”很容易但到了现场光是“泄漏”一个词就能拆出十几种形态泵机封滴油是点状滴落法兰面渗漏是顺着缝隙的湿润痕迹蒸汽管线泄漏是白色雾状重油泄漏是黑色污渍。算法模型各不相同不能指望一个通用模型全部覆盖。现场实施的第一步是把装置区的巡检路线和巡检表逐条打开按点位列出“人过去看什么”的清单再转成算法可识别的算子。以常见的催化裂化装置为例巡检表会包含泵区、反应区、炉区、冷换区、压缩机区、电气区。泵区要盯机封滴漏、压力表读数、轴承温度反应区要盯法兰渗漏、保温层破损炉区要盯炉壁热斑、燃烧器火焰状态、烟囱排烟颜色电气区要盯电缆温度、配电柜指示灯状态。这些内容对应到算法上就变成了滴漏识别、表计识别、热像测温、火焰识别、指示灯状态识别五个算子每个算子有自己独立的模型和参数。算子清单要落到一张表上字段包括巡检区域、识别项、算法类型、输入视频源、输出内容、典型误报源。这张表是方案从PPT走向现场的钥匙巡检区域识别项算法类型典型误报源泵区机封滴油目标检测滴落轨迹地面反光、管线冷凝水泵区压力表指针读数表计识别读数回归表盘玻璃反光、指针阴影炉区炉壁热斑热像测温区域分析日照升温、保温层反射电气区电缆异常温升热像测温温差对比环境温度波动装车台静电接地夹状态目标检测状态分类夹子被遮挡、光照不足罐区液位计读数表计识别刻度读取液位计结霜、夜间补光不足这张表做完实施团队才能估算出需要多少个算法模型、多少路视频源以及哪些识别项在技术上根本做不到。我见过不少方案把“气体泄漏AI识别”写进去实际上固定摄像头只能看到烟雾和结霜这类间接特征真正的微量气体泄漏要靠激光气体云图或传感器不要硬让视觉算法背这个锅。3.2 阈值、帧率与样本库算法参数怎么设才不翻车参数配置是AI巡检项目里最“玄学”的部分但它有规律可循。先看置信度阈值检测类模型一般默认0.5到0.9石化场景我建议从0.7起步。阈值调高误报减少但漏报率也跟着涨阈值调低漏报减少现场会被大量误报淹没。核心原则是漏报损失远大于误报代价的场景阈值往低调反之往高调。可燃气体泄漏、人员倒地这类安全事件宁肯误报十次不能漏报一次表计读数、指示灯状态这类设备监测误报太多会让人失去耐心阈值可以适当调高。再看连续帧确认机制。单帧检测结果直接上报一定会被飞虫、反光、阴影干扰打爆。常见做法是设置“连续3到5帧都检出同一目标才产生告警”这个参数在方案里叫告警帧数通常在平台的任务配置里改。下面是识别任务配置的典型示例{ task_id: pump_area_leak_01, camera: CAM_03_PUMP_AREA, algorithm: leak_detect_v2, confidence_threshold: 0.75, alarm_frames: 4, frame_interval: 200, roi: { polygon: [ [512, 320], [1024, 320], [1024, 768], [512, 768] ] }, schedule: { cron: 0 */2 * * * }, alarm_cooldown: 600 }这段配置说的是泵区3号摄像头每200毫秒抽一帧目标区域是多边形ROI置信度超过0.75且连续4帧命中才产生告警同一个漏点触发后10分钟内不再重复告警。cooldown冷却时间是抗告警风暴的关键参数不设这个字段一个滴漏点一天能弹几百条消息值班人员第八百次看到时已经麻木了。样本库这块很多团队只在白天采样模型上线后夜班直接露馅。正确做法是每个识别项单独建样本集场景必须覆盖晴天、阴天、雨天、夜间补光、逆光、反光、设备遮挡、背景干扰八类情况。泄漏识别还要单独收集负样本地面水渍、油污旧痕迹、管线冷凝水、焊工打磨火花、光线扫过形成的亮斑这些都要标注成负样本喂给模型。没有负样本的模型误报率会高到让人想拆机器。训练集不一定要大但分布要稳。滴漏识别单类样本有5000到8000张就能跑出可用的模型关键是正负样本比控制在1比3到1比5之间。模型迭代不能做完就扔上线后每月要回流线上误报截图重新标注再训练形成闭环。这个机制写在方案里是一句话做起来需要现场专人跟进通常由工艺班组长每周花一小时给误报截图打标签。4. 试点实施与验收指标从装置选型到数据闭环的六个步骤4.1 试点装置怎么选选一套不算太新也不算太旧的装置试点装置选得好不好直接决定项目死在演示期还是活到验收期。我的判断标准有四条第一装置的危险区域划分要覆盖1区和2区既能验证防爆设备的选型又不会因为全部在0区导致施工难度爆炸第二现场要有丰富的跑冒滴漏历史记录比如机泵区经常漏油、法兰区有过渗漏这样算法上线几周内就能抓到真实事件否则全靠人为制造测试样本验收没有说服力第三班组配合度要够试点阶段每天都要有人对算法告警做复核班组不认这个事数据闭环根本转不起来第四网络和供电条件要靠谱很多老装置机柜间已经没有空闲回路临时拉线不但丑而且容易出安全事故。还有一个反直觉的点不要选最新投产的装置。新装置设备状态好跑冒滴漏本来就少算法真抓不到几条问题反而显得系统没用。也不要选最老旧的装置老旧装置管线腐蚀严重各类误报源太多算法刚上线会被噪声淹没。带三年以上运行历史、有稳定检修记录的老装置最合适既有历史缺陷样本又有改造空间。4.2 实施六步与验收指标从现场勘查到数据闭环试点实施按六个步骤推进每一步都有明确的交付物。第一步是现场勘查与危险区域定级。实施团队和安全管理人员一起梳理装置区防爆分区图、设备台账、巡检路线确定每个点位的防爆等级要求出具点位设计图。这一步不做好后面买来的摄像头可能装不到想装的位置上。第二步是点位设计与安装。按勘查结果确定摄像头型号、支架高度、安装角度、补光方案。安装时最容易被忽略的是防爆接线进线口要用防爆格兰头镀锌管要接地摄像头的云台转动范围不能碰到周边管线。施工完成后逐点位做通电测试和视野确认视野里没有障碍物挡住关键设备。第三步是算法配置与标定。这一步需要把摄像头画面拉回机房对着现场画面逐个调节ROI区域、置信度阈值和告警帧数。边调边做测试拿一个泄漏点实拍视频回放看算法能不能稳定检出再拿一段反光强烈的时间段回放看会不会疯狂误报。标定过程要形成记录每个点位的参数最终确认值都要存档。第四步是试运行与标注回流。试运行期至少跑两到四周覆盖日班、夜班、雨天、设备检修四种场景。这期间所有告警都要求现场人员确认真实还是误报误报截图每周回流到样本库做增量训练。试运行阶段的告警确认率是判断模型能不能转正的核心数据。第五步是验收。验收指标不要拍脑袋按下面这张表约定指标定义常见验收基准检出率算法告警并确认的问题数 / 人工复核实际问题数≥85%漏报率未检出问题数 / 人工复核实际问题数≤15%误报率误报警告次数 / 总告警次数≤30%系统可用率平台在线时长 / 考核时长≥99%告警响应时长告警产生到推送至责任人≤10秒检出率和漏报率是同一个硬币的两面验收时要指定一个“人工复核基准”一般由工艺工程师和班组长在试运行期间每周做两次现场巡检记录以这个记录为基准对比算法输出。误报率很多人理解成“误报数除以总告警数”这个定义过关不难难的是误报率达标的同时检出率不掉本质是阈值权衡问题。第六步是交接与复盘。验收通过后把点位参数表、模型版本、标注规范、告警处置流程全部移交业主方。最重要的一项工作是把模型迭代机制讲清楚谁负责每周回流误报样本谁负责触发重新训练谁审核新模型上线。没有这个机制系统上线三个月性能就会悄悄退化。试点阶段还有一条铁律只做三个识别项起步不要六个算子全开。每个识别项都要单独验证和调参一次性全开出了问题根本分不清是算法问题还是点位问题。我一般建议第一轮只开泄漏识别、人员安全帽识别、热像测温三个最核心的算子跑稳定后再逐步打开其他算子。5. 石化AI巡检避坑手册五条高频翻车记录与排查思路5.1 反光、脏污、飞虫样本库不看全白天翻车夜班更翻车现象算法在一开始演示时表现很好上线一周后误报率飙升。点开告警截图发现大部分是阳光透过管廊缝隙照在不锈钢设备上的亮斑或者摄像头镜头上沾了油污还有夜间飞虫扑灯时形成的拖影。原因现场采集样本时只拍了“干净”的画面没有把反光、脏污、飞虫这些噪声源作为负样本纳入训练加上巡检摄像头长时间暴露在油气环境里镜片一周不擦就会起雾。解决点位安装时避开强反光区域调整摄像机角度减少直射光现场增加自动或手动清洁计划每周至少擦一次镜头采集负样本时专门挑正午和夜间两个时段各拍半小时把反光、虫影的截图批量标注后加入训练集。这条不去处理误报率降不下来系统会被班组当成空气。5.2 防爆认证和网络覆盖互相打架装上去才发现编号不对现象摄像头到货验收时发现防爆等级不符合现场分区要求比如2区位置装成了Ex d IIB而不是Ex d IIC或者温度组别不对。更隐蔽的问题是现场根本没有敷设网线临时用无线网桥信号穿过装置区钢结构后严重衰减。原因勘查阶段没有核对防爆分区图和已有网络资源采购和实施脱节。解决点位设计图出来以后先做一次交叉检查清单里逐项核对防爆标志、温度组别、防护等级和安装位置网络这块提前勘察光纤资源尽早决定是复用现有环网还是单独敷设光纤无线只在极少数点位作为备用。化工装置区的无线信号环境比办公室差一个数量级不要赌。5.3 模型在演示时正常试运行一周后开始“乱报”现象第一天试运行算法只报了3条告警大家都很满意。第五天开始每天弹百来条点开发现全是同一个位置反复出现“疑似泄漏”。原因光照条件在和模型推理的时间窗口打架。刚上线那几天恰好是阴天光线柔和画面稳定到了第五天出太阳了装置区钢结构间的光影变化被算法当成了目标形态变化。另外仪表设备检修时人站在摄像头前面也会触发误报。解决给每个识别项建立光照场景覆盖表至少要覆盖阴天、晴天、日晒、夜间补光四种条件每种条件的测试视频不低于30分钟。在调试阶段把白天和夜间的光照时段分开跑分别设置置信度阈值夜间补光场景阈值一般要比白天高0.05到0.1因为补光会产生更多阴影噪声。5.4 告警风暴一个滴漏点一小时上报几十次现象值班电话被打爆同一处机封滴漏在一个小时内弹了40条告警操作工后来直接把手机关静音。原因告警任务没有配冷却时间也没有做事件聚合。算法每帧都检测到滴漏区域存在目标就按帧率持续往外报。解决在平台任务配置里加alarm_cooldown字段比如同一个点位触发告警后进入600秒冷却期期间即使再检出也不重复上报同时在平台侧做事件聚合把10分钟内同一个点位的告警合并成一条事件记录状态从“已上报”变为“持续中”直到目标消失后自动置为“已结束”。这个机制是所有工业AI巡检平台的必备功能没有它任何算法上线都会变成骚扰工具。5.5 巡检任务和DCS趋势对不上误报率都算不清现象验收时甲方质疑系统检出率拿DCS里的泵振动监测数据和AI巡检告警做对比两边对不上。泵的振动值早就报警了AI巡检却没告警甲方认定系统漏报。原因AI视觉巡检和DCS在线监测是两个时间尺度完全不同的系统。DCS的传感器每秒采一次数据AI摄像头可能每两小时才巡检一次两次巡检之间设备发生异常然后恢复视觉系统根本没有看到。这不叫漏报叫采样窗口缺失。解决在方案里明确AI巡检的定位——它是周期性视觉巡检工具不是连续在线监测系统。验收基准要按巡检周期来定比对时选取的时间窗口要与巡检任务计划一致。同时可以把DCS的过程变量联动到巡检平台DCS检测到温度异常时自动调度摄像头对准该区域抓拍并触发AI分析让视觉系统和传感器系统形成互补。6. 上线前先做减法用四张表验证方案值不值得投入6.1 四张表把36页方案压缩成能拍板的东西做任何石化AI巡检项目我都会先填四张表填完再决定要不要推进。第一张是识别项优先级评分表每个识别项按风险等级、发生频率、漏检后果、识别难度四项打分取总分前五到十个识别项进一期范围。第二张是点位覆盖表逐点写清楚摄像头编号、识别项、算法类型、视野条件、光照条件和防爆等级任何一个点位有一个条件不满足就标红。第三张是误报容忍矩阵和业主一起给每个识别项定级哪些是“绝对不能漏”的哪些是“可以容忍一定误报”的这个矩阵直接决定阈值怎么设。第四张是效益测算表统计当前每天人工巡检次数、单次耗时、单人年薪、漏检导致的非计划停工损失算出AI替代或辅助巡检的比例。四张表做完项目能不能干、一期花多少钱、回本周期多长基本一目了然。6.2 验证方法别只盯演示要看夜间和雨天的统计项目验收前的最后两周我有一套固定的验证动作每天随机抽十条系统告警带着当班班长到现场复核。真实问题记一条“确认”误报记一条“误报”连续记录七天人工复核后计算真实检出率和误报率。再选一个夜班和一个雨天把这两个时段的告警记录和截图单独调出来看夜间补光场景下识别效果是否达标。用这套数据做决策支撑比现场演示放两段精心挑选的视频有说服力得多。我做过那么多个项目凡是上来就讲算法能力多强、方案写得天花乱坠的最后大多数收不了场反而是先拿四张表去装置区走一圈老老实实把点位和识别条件摸清楚的最后都稳定上线了。做石化AI巡检核心不是让人相信AI有多聪明而是让人相信它每天能稳定替人盯住那几个最要命的点。希望帮到你。本文还有配套的精品资源点击获取