目标识别

场景库6 篇

• 监控杆塔视频与边缘AI监测围绕监控杆塔视频与边缘AI监测，针对视频质量、AI识别率、边缘设备状态与网络，整理场景风险、监测指标、布点原则、采样告警与典型工程配置参考；具体型号与阈值以项目文件和正式产品资料为准。
• 视觉识别置信度分级与人工复核监测视觉识别系统真正的风险不在算法本身，而在识别结果被当成结论直接派单或直接忽略。置信度把连续输出压成一个阈值，复核把纸面准确率变成现场可用性。难点是误报有人投诉、漏报无人知晓，指标必须成对看。本页说明置信度分级、分层抽样复核、漏报估计与模型漂移监控怎么做，以及报警抑制规则为什么必须留痕。
• 输电线路通道外破隐患视觉识别监测线路走廊里的外部破坏，多发生在吊车、泵车、挖掘机临时进场的那几个小时，而塔上的温度、倾角、覆冰传感器都测不到这件事。视觉识别的价值在于把"线路下方出现了什么"变成可核查的事件，难点则在于把吊臂与树枝、把施工与日常通行分开。本页说明视场如何覆盖导线正下方、目标分类与停留判定怎么配合、误报从哪里来，以及告警为什么必须落到人。
• 施工现场人员行为与防护装备识别监测施工现场的安全管理长期靠人盯人，但一个作业面在高峰时段可能有几十人同时进出，班组长看不过来。视觉识别能把安全帽、反光衣、危险区域闯入与临边靠近变成可统计的事件，难点在于远处的头盔在画面里只有十几个像素，而黄色油漆桶与黄色安全帽在模型眼里几乎一样。本页说明目标尺度怎么算、类别怎么收敛、误报从哪里来，以及为什么识别结果只能用于提醒与追溯。
• 视频通道画质与镜头污染诊断监测当摄像机从"看得见"变成"用来测量"的设备，画面质量本身就成了一个被测量对象。镜头积灰、油污、水渍、蛛网与鸟粪会让识别率缓慢下降而不触发任何告警，红外切换失效会让夜间画面看似正常却毫无信息量。本页把画质拆成可量化的几项指标，说明怎么建立基线、怎么区分污染与光照变化，以及为什么"每天抓一张图看"发现不了渐变。
• 视频AI事件识别监测把视频AI事件识别监测拆成目标检测与计数、事件类型识别、识别置信度、误报与漏报、边缘算力与网络、事件回溯六类观测，说明证据如何支撑视频AI的可用性评估。