企业官网建设流程全解析

港口场景做AI检测算法，真正难的地方从来不在模型本身，而在"你根本没法用一个标准方案去套所有工况"。我这两年一直在跟船舶识别、航道监控这类项目打交道，最深的一个体会是：实验室里跑得再好的YOLO系列模型，一旦装进防爆云台、架到码头边，面对的是盐雾、水花、海面反光、昼夜光线剧变，再加上隔爆玻璃带来的光学畸变，精度掉得一塌糊涂。这篇文章想聊的，就是我们在"乐迪信息"这套船舶AI检测算法上，从模型训练到防爆硬件适配，再到现场长期稳定运行，一路踩过来、改出来的经验。

1. 这个项目要解决的真实问题：防爆不是把摄像头装进壳子里就完事

1.1 需求方到底在"防爆"什么

港口码头的危险区域划分，跟普通园区完全不是一个概念。按规范要求，散货码头、危化品泊位、油品作业区这些地方，空气中可能长期存在可燃性粉尘或挥发性气体，电气设备必须满足防爆要求。普通的球机、枪机根本没有进场资格，必须用隔爆型或本安型的防爆摄像仪。

但甲方提需求的时候，往往只写一句"防爆摄像机支持船舶识别"，真正落地时你会发现，"防爆摄像机"和"能跑算法的防爆摄像机"是两码事。市面上大多数防爆摄像机的算力平台还停留在海思3519或者老款英伟达芯片上，跑个简单的人车检测还行，要跑复杂海域环境的船舶检测模型，要么内存不够，要么算力卡在性能瓶颈上，要么压根不支持我们常用的AI框架。

我们一开始用过一个方案：前端用防爆摄像机做视频采集，通过光纤把原始视频流传到后方机房，再在机房里的GPU服务器上跑算法。这个方案的优点是后端算力充裕、模型随便换，缺点是——视频回传链路的延迟、机房到现场的带宽成本、以及一旦光纤出问题整条链路瘫痪的风险。而且港口环境里机房通常距离泊位几百米甚至几公里，夜间海上起雾时视频画面质量下降，后端再强的算法也救不回来。

1.2 "复杂港口环境"到底复杂在哪

聊算法方案之前，得先把环境这关拆明白。我做过的港口项目里，真正让检测算法头疼的干扰源主要有这么几类：

• 光照波动：海面是天然的镜面反射体，太阳角度变化、云层漂移都会让水面反光区域剧烈变化。清晨和黄昏的逆光时段，船舶在画面里几乎成了剪影。
• 水雾与盐雾：靠近水面的低空经常飘着水雾，镜头玻璃上还会凝结盐雾结晶，画面永远是"起雾状态"，细节纹理丢失严重。
• 水花与浪涌：船体运动带起的白色水花，在视觉上和船体边缘混在一起，传统边缘检测和分割算法很容易把浪花识别成船体的一部分。
• 船舶形态差异大：集装箱船、散货船、油轮、拖轮、渔船的轮廓差异极大；同样是散货船，空载和满载的水线高度完全不同，船舷颜色也可能不同。
• 背景复杂：不是每一个监控点都是开阔的海面，码头上的吊机、堆场、大型机械都在画面里来回运动，遮挡情况随时发生。

这里我要特别强调一个容易被算法团队忽略的点：防爆玻璃带来的光学影响。防爆摄像机的护罩玻璃不是普通光学玻璃，为了保证强度，通常做得很厚，有的还带一定的棱镜效应。这会带来两个问题——一是图像边缘轻微畸变，二是夜间红外补光时玻璃反射会在画面里形成光晕。我们对比过同一型号的枪机，裸机测试和装进防爆护罩之后的检测精度差异，mAP掉了大约3到5个百分点，小目标船只在远距离场景下漏检率明显上升。这个差异在实验室里根本发现不了，只有拿着设备到现场装好才能测出来。

2. 防爆适配的核心难点：硬件平台约束下的模型轻量化改造

2.1 算力瓶颈倒逼模型瘦身

既然第一版集中式方案被否定，我们就开始考虑边缘计算方案——把AI算法直接跑在防爆摄像仪内部或防爆一体机里。但选型时发现一个问题：市面上满足防爆认证的AI摄像仪，算力普遍在INT8下约2到4 TOPS的区间。这个算力跑轻量级分类网络绰绰有余，但跑我们原先在GPU上调出来的船检测模型，层数太多、参数量太大，推理帧率只有0.3到0.5帧每秒，等于是幻灯片。

面对这个问题，我见过不少团队的选择是硬砍网络层数，简单粗暴地换MobileNet系列做特征提取，结果就是小目标船舶漏检严重。我们不打算这么做。

我们的方案是把模型轻量化改造和任务自身特点结合：港口船舶检测的核心任务是"在远距离、低分辨率下识别出船的大类，并给出稳定的锚框"。它对人脸、车牌那种细粒度识别要求不高，但对空间上下文信息要求很高——船是浮在水面上的，船和水面的分界线、船与背景堆场的遮挡关系，都依赖高分辨率特征。

所以我们采用了空间注意力加轻量特征融合的结构。在骨干网络选择上，保留了类似MobileNetV3的轻量结构，同时插入了一个专门针对水面场景的上下文增强模块——如果说得直白一点，就是让网络额外学习"船底水花特征"和"船身轮廓特征"的关系，这样即使船体边缘被浪花遮挡了一部分，网络也能靠轮廓和水线位置关系把目标拉回来。

2.2 蒸馏和剪枝的实战顺序

轻量化模型不是凭空训练的，我们用了一套"大模型蒸馏小模型"的路线。先在服务器上用高精度的大模型对标注数据做预测，把预测结果（包括分类概率分布和回归框的soft label）作为辅助监督信号，去教小模型学。这比直接用ground truth训小模型，收敛更快，精度也更高。

但这里有个经验值得分享：蒸馏时，目标检测的回归分支比分类分支更容易出现"蒸馏崩坏"。因为分类分支输出的是一个软化的概率分布，大模型的"犹豫程度"确实富含信息；但回归分支输出的是坐标偏移量，大模型在bounding box上的误差包含自身偏置，把这些偏置也蒸馏给小模型，反而会把大模型的系统误差带过去。后来我们的做法是：分类分支用完整蒸馏损失，回归分支只使用真实标注框做有监督回归，相当于只蒸馏"认不认识目标"，不蒸馏"怎么框目标"。

蒸馏完再做结构化剪枝。我们选择对BN层的缩放系数做稀疏化约束，把那些对loss贡献小的通道在训练中主动压到接近零，训练结束后直接剪掉，然后微调几个epoch恢复精度。这套流程走下来，模型体积压缩了大约一半，单帧推理时间从原来的2秒多降到了200毫秒级，终于能在真实场景里实现接近实时的检测了。

2.3 一个容易翻车的细节：量化带来的锚框抖动

边缘设备上要把FP16模型转成INT8定点模型才能跑得快，量化过程通常需要一批校准数据来计算每个激活层的动态范围。我们一开始用的校准集是从白天视频里抽的2000帧，量化后在室内测试效果还行，一上现场问题就暴露了：夜间、雨天、带红外补光的场景里，输出的检测框会明显抖动，位置在几个像素范围内来回跳，船体的锚框感觉是"飘"的。

排查了很久才定位到问题根源：校准数据集中缺乏低照度画面，导致部分激活层在夜间的数值分布严重超出白天标定的动态范围上限，量化后的精度损失被急剧放大。解决办法并不复杂——把校准集改成包含白天、夜间、黄昏、雨天、雾天在内的混合样本，各种光照条件都要覆盖。重新标定之后，夜间场景的锚框稳定度明显回升。这个坑现在想想挺低级，但确实消耗了我们将近一周的调试时间，写出来提醒一下后来者。

另外还要提醒一个和硬件强相关的细节：不同芯片厂商的INT8量化策略不完全一样，同一份量化模型移植到另一个平台时，必须先跑一遍针对性的精度验证，不要迷信"都支持INT8推理就能通用"。

3. 设备侧的红外与防护适配：从镜头到护罩的光学链路改造

3.1 红外补光的选型与角度调整

夜间港口照明条件参差不齐，有的泊位灯光很足，有的地方几乎是纯黑环境。为了让摄像机在黑暗环境里也能拿到可用的画面，我们选择给防爆护罩加装红外补光灯。但红外补光在港口环境里有一个意想不到的大敌——水汽。

红外光在空气湿度较大时，遇到水汽颗粒会发生散射，照出去的光线像被一层"雾"挡着，远处船舶目标照不亮，近处水面却是一片过曝。我们试过850nm和940nm两种红外波长，850nm的感光效率更高，但红曝现象明显，而且在水汽环境下的穿透力不足；940nm的隐蔽性好、红曝弱，但在很多传感器的量子效率曲线上表现不如850nm。最后我们还是选了850nm为主，前提是把补光灯的安装角度调整到和镜头光轴有一定夹角，尽量避开正对水面的反射路径。红外灯的功率也不能一味拉大，太强的补光会导致海面近距离水花过曝，反而把近处的目标细节淹没。

3.2 防爆玻璃的透光率与偏色校正

前面提到防爆玻璃会影响成像质量，我们后期专门做了光学层面的补偿。这里分两步走：

第一步是在选择防爆护罩时，要求供应商提供玻璃的透过率曲线。其实很多做防爆罩的厂家对光学参数并不敏感，他们更在意壳体的防爆认证，玻璃只关心厚度能不能过关。我们在一家厂家的产品手册里看不出任何透过率数据，直接借了测试样机到现场实测，发现可见光波段的透过率不到80%，色彩还原也出现明显偏绿。后来换了一家用光学级钢化玻璃的供应商，透过率提高到90%以上，偏色明显减轻。

第二步是在ISP层面做白平衡校准。即便换了更好的玻璃，残留的偏色依然存在，我们就在摄像机的图像处理环节增加了针对性的色彩校正矩阵——不是把色彩校正成"实验室标准色卡"的绝对准确，而是校正成人眼在港口环境下感知到的"自然色彩"，这样对后续检测算法更友好，也方便监控人员在屏幕上观看。

3.3 防护等级与散热：算法设备不能只顾"看得见"还要"活得好"

防爆设备在港口面临的环境考验不只是爆炸风险，还有海盐腐蚀、高温暴晒、狂风暴雨。我们第一版设备选的是IP66防护等级，结果夏天连着几个高温天，设备舱内部温度冲到接近70度，图像传感器画面出现大量热噪声，检测算法的误报率跟着一路上涨。

这里要说明一下，防爆设备的散热设计是个矛盾点：防爆要求设备内部电路不能直接接触外界大气环境，所以在隔爆型设备设计时，内部热量只能靠壳体传导散热，散热面积和开孔设计处处受限。我们的解决方案有几个：一是给壳体增加散热鳍片，增大有效散热面积；二是内部关键芯片位置贴导热垫，把热量导到壳体；三是降低设备内部AI算力的持续满载频率，通过动态帧率调节——闲时降到5帧每秒，有目标通过时再拉回15帧每秒。这个"动态功耗控制"说起来简单，但实际做的时候需要算法和硬件联调，因为帧率忽高忽低会导致检测连续性下降，我们花了两个版本才调到既不烫手又不漏船的平衡点。

防护等级方面，后来的设备全部按IP66甚至IP67选型，接口处加防水密封圈，网口用航空插头，电源走防爆接线盒，算是把"风吹雨打"这关过了。

4. 检测算法在港口场景里的针对性优化：远小目标与动态背景

4.1 针对"远小船只"的检测策略

港口的监控视距动辄一两公里，远处的船舶在1080P画面里可能只有几十个像素大小。对这种小目标，单纯依赖整图检测很容易漏检，因为下采样层把目标特征都糊掉了。我们专门设计了一条针对小目标的检测分支——利用浅层的高分辨率特征图，单独做小目标召回。代价是计算量上升，推理帧率会有一点下降，但小目标的召回率大概提升了十几个百分点，这笔买卖是划算的。

不过在实践里我发现，这类小目标分支容易带来一个副作用：误检率升高。因为浅层特征的语义信息弱，会把远处的浮标、浪花、甚至某些漂浮垃圾当成船。我们就额外加了一个轻量的场景上下文过滤器——检测框出现后，根据其在画面中的位置（比如水面区域or岸边区域）和目标尺寸比例做一次粗过滤，明显不合理的候选框直接丢弃。这个过滤器没有用到额外标注数据，就是利用了港口场景的固定先验信息，性价比极高。

4.2 动态背景建模与水面波光的抑制

海面本身是个高度动态的背景，波浪会不断改变水面纹理，传统帧差法会输出大量噪声。我们一开始试过给检测网络加时间维度的信息，比如输入连续几帧图片通过3D卷积提取运动特征，效果有一些，但计算量太大，在边缘设备上跑不动。后来换了个思路——在预处理阶段单独做一次水面波光的抑制：

把视频帧分块，对每块计算纹理复杂度，如果某块在序列中持续呈现高频变化且没有稳定的轮廓目标，判断为"水面动态区域"，在送入检测网络前这块区域会经过一次轻微的时域平滑，相当于降低水花波光在高频通道上的响应。这样做的好处是检测网络看到的水面背景要"干净"得多，注意力集中在真正的目标轮廓上。代价是动态区域里如果混入了很小的目标，时域平滑会把它也抹掉一点，但我们对这部分做过统计，实际损失控制在可接受范围内。

4.3 渔船、拖轮等小船的类别平衡问题

港口实际场景里，大船的样本很多——集装箱船、散货船、油轮在训练集里能收集到大量数据，但渔船、拖轮、执法艇这类小船的样本量往往严重不足。这就导致模型对大类船识别得好，对小船类别经常误分类——尤其是把渔船识别成散货船，或者把拖轮漏掉。

这个问题在算法竞赛里经常被讨论，真正落地时它的影响更严重，因为港口的调度和监管恰恰最关心这些灵活的小船。我们花了不少精力去各码头收集不同类型小船在各种光照条件下的视频片段，再对样本做针对性增广——水平翻转、亮度扰动、多尺度裁剪，甚至把小船目标粘贴到不同背景中做"数据合成"（crop-and-paste增广）。合成数据最初会带来一点风格不匹配，模型倾向于把粘贴的目标识别成"异物"，我们通过混合真实样本和合成样本的比例逐步调整，最终训练出来的模型在小船类别上的识别准确率得到了明显改善。

5. 防爆摄像机不防"AI"：现场装调与长期稳定性的那些坑

5.1 支架共振：一个被忽视的机械问题

部分泊位安装在岸桥、装卸机械上的监控点，工作时的机械振动非常剧烈。我们第一波设备装在某个高架支架上，白天还好，到了大风天气或者有大型机械经过时，画面出现规律性抖动，检测框跟着目标一起晃。"液压减震支架"是我们为这类点位额外加装的东西。另外支架的安装高度和伸出长度直接影响振动幅度，能装低一点、缩短悬臂的地方，尽量别为了视野牺牲稳定性。

5.2 雷雨季节的浪涌与断网自恢复

港口海边是雷暴高发区，尽管我们给设备都配了防雷器，但雷雨季节还是出现过几台设备同时离线的情况。排查发现，有些设备的供电模块在雷击后出现欠压锁死，需要人工断电重启才能恢复。这个事在普通园区可能不算大问题，但港口点位分散在各个泊位，靠人工跑一遍成本太高。

我们的解决思路是在设备端做三层保护：第一层是电源输入端加防雷和浪涌抑制；第二层是设备内置看门狗，检测到系统异常自动重启；第三层是远程管理平台，支持对指定点位做远程断电和上电操作。调试过程中还发现，部分设备在重新上电后网络拨号时间过长，导致平台判定设备离线，我们又调整了网络重连超时参数，让设备有充足的恢复时间。

5.3 长期运行后的算法性能劣化与重新标定

算法模型部署完不是一劳永逸的。港口环境在变——新码头在建设、老泊位在改造、岸桥位置可能迁移。这些变化会改变监控的实际视野范围，算法的先验信息（比如水面区域划分、背景纹理特征）可能不再适用。我们做过一次统计，某路摄像机因为旁边新建了堆场，视野里多了一片高杆灯区域，夜间灯光的强反光导致那一路的误报率翻了三倍。

所以后来的项目里，我们都会给客户约定一个"模型定期巡检"的条款——每季度做一次现场画面抽检，收集新的典型样本回传，评估模型精度有没有偏离；如果偏离超过设定阈值，就用新样本做一轮增量训练，重新发版部署。这个机制往前看是增加了一些工作量，但往远了看，它能保证系统在两三年后依然维持可用的精度。

6. 现场调试中的参数调优与验证方法

6.1 三类关键参数的经验取值

如果你也打算在类似的港口场景做AI检测，以下这组参数是我们的经验值，供参考，不要直接照搬，因为每个点位的光照、背景、视距都不同：

• 检测置信度阈值：建议从0.3开始调，视误报情况逐步上调到0.4到0.5之间。港口场景误报代价相对可控，漏报代价更高，所以阈值别一开始就设太高；但如果你用的监控点画面里有大量机械运动目标，可以适当上调，避免报警频繁。
• NMS的IoU阈值：船体长宽比很大，两个目标相邻停靠时检测框容易互相抑制，建议设到0.5以下，不然并排停靠的船会漏掉一个。
• 单目标连续确认帧数：边缘设备上处理的是视频流，单个检测框出现一帧就报警会产生大量闪烁。我们会设置目标至少要稳定出现若干帧后才触发报警，这个值的确定依赖帧率：15帧每秒的话通常设3帧；5帧每秒的话设1到2帧，否则目标已经驶出画面了还没报警。

6.2 现场验证不能只看mAP

很多团队在交付这类项目时，喜欢用mAP、召回率这些离线指标去汇报效果。但说句实在话，港口现场用户根本不关心你的mAP是0.82还是0.85，他们关心的是：这个点今天有没有报错、那艘违规船只看没看到、夜间大雾时系统还灵不灵。

所以我们做现场验收时，用的是"场景覆盖式测试"——在一天里的不同时间（早晨逆光、正午强光、傍晚黄昏、夜间全黑）分别测试至少30个目标场景，记录检出率、误报率、响应延迟这三项指标，和用户确认满足预期后才算过关。雨雾天和台风天无法人为安排，但我们会跟用户约定，天气条件出现后做一次补充测试。这套验证方法要比单纯看离线指标更贴近真实使用需求。

6.3 参数调优过程中的一次弯路

分享一个调参时的真实经历。有一路拍摄角度是对着海面日出方向的，早晨逆光的时候整幅画面饱和度极低，船舶目标基本是黑色剪影，检测置信度波动非常剧烈。我当时直接把这个点的置信度阈值下调到0.25，期望提升召回率。结果当天下午太阳转过去之后，误报率开始飙升，因为船只轮廓在顺光和逆光下的特征差异太大，同一个网络在不同光照条件下输出的置信度分布完全不同。

这个问题最终不是用阈值解决的，而是在图像预处理端加入了一项自动白平衡和对比度拉伸策略，让暗部细节在逆光时更突出，尽量拉平不同光照条件下输入特征的分布差距。从这个经验里我总结了一条原则：先做图像质量归一化，再谈检测阈值调参。输入画面的质量分布不稳定，任何一组固定阈值都无法同时适配所有时段。

7. 安全管理策略：算法也要配合防爆分区规则

防爆适配不只是在硬件层面，算法侧同样需要考虑危险区域的分区管理规则。港区不同区域的防爆等级不同，比如油品码头泊位区的防爆等级最高，远端的辅助作业区相对宽松。我们在设计算法上报策略时有一个灵活做法：同一套设备，根据其安装区域的防爆等级，配置不同的识别规则和报警阈值。

高防爆等级区域（比如靠近装卸臂的区域）侧重"禁入检测"，对闯入的小船、违规靠近的船只给出最严格的报警策略；低风险区域（比如进出港航道）侧重"通航秩序监管"，主要关注是否存在逆行、滞留等异常行为。这样做的好处有两个：一是算法资源可以按区域优先级调度——高风险区域的算力优先保障，检测延迟更低；二是避免所有点位都用同一套严格阈值，导致低风险区域出现大量无效报警，管理人员的报警疲劳会严重影响系统信任度。

另外，危险区域内不允许使用无线网络，所有视频回传和信号控制都走光纤或电缆，这对网络布置提出了更高要求。我们在做点位设计时，不光要考虑视野覆盖，还要提前规划光缆走向，避免在危险区域反复开槽施工，这一点和现场安监部门提前沟通比什么都重要。

8. 第二代系统演进：多光谱融合与主动学习

8.1 可见光与热成像的互补

在持续交付了几个港口项目后，我们开始规划第二代船舶AI检测算法，核心方向之一是可见光与热成像的多光谱融合。港口的恶劣天气（尤其是夜间和水雾）会把可见光相机的可用性压得很低，但热成像受水雾影响相对较小，因为热红外线波长更长，在大气中的散射损失比可见光小。船舶是一个高热量目标，船体动力舱、烟囱区域在热成像里是明确的亮斑，这给水面检测提供了一个非常稳定的线索。

但双光谱设备在防爆场景下的成本不低，目前我们只在重点泊位做试点。软件层面的融合策略是：可见光和热成像分别跑检测，输出两路目标列表后做IOU匹配融合，匹配上的目标融合置信度打分，匹配不上的目标按各自模态的可靠性单独决策——白天以可见光为主，夜间和雾天以热成像为主。

8.2 主动学习和边端样本回流

这个方向算是我个人觉得最值得投入的。港口场景的新问题不断出现——新颜色的船舶涂装、新式的船体结构、罕见的天气组合，都可能让模型表现下滑。我们为系统设计了一个"边端样本回流"机制：现场设备在运行过程中，如果检测框置信度在某个区间（例如0.35到0.55之间）反复波动，说明模型对该目标"拿不准"，系统会自动截取这段视频片段回传到训练端，后续由人工标注过滤后，进入训练集。

这套机制把"算法越用越准"变成了一个可落地的流程，而不是一句口号。第一版系统里我们做过一个粗测算：一个港口点位每天平均回传几十到上百个模糊样本，经过筛选后真正有效的占比大约有三四成，这个数据量对每一个季度一次的增量训练来说非常充沛。第二代系统我把它改进了：不只是睡前置信度回传，还增加了"目标轨迹异常回传"——如果检测框长宽比在连续帧内变化过快，说明可能出现了遮挡或部分可见的情况，这类样本也一并回收。这样训练数据里就能更多地覆盖遮挡、部分可见这些困难场景，比人工到现场特意收集要高效得多。

8.3 关于"国产化"与生态适配的一些思考（说句公道话）

聊到防爆设备选型，现在很多项目会提国产化平台适配。市面上国产AI芯片在算子支持和兼容性上确实和前几年的生态完善度不可同日而语，但我们实际踩坑之后想说的是：选型优先级应该以"项目和芯片平台的适配程度"为准，而不是一味追求某个特定芯片或者完全没有依据地偏好国外品牌。这个项目里我们在模型轻量化的第一阶段用的是国外平台的硬件做开发验证，到量产阶段评估后换用了国产平台，代价是算子库适配和量化精度损失重新做了两轮。总之，硬件平台不是算法的敌人，是一个需要算法团队拿出专门精力去啃的工程环节。谁轻敌，谁后续就会在调试现场付出代价。

如果要从这次项目里提取一条最重要的经验，我想说：**港口场景的AI检测，本质上是一个软硬件协同的系统工程。模型再强，也扛不住一层玻璃带来的光学损失；算法再差，也架不住一个定位精准、安装稳定的光学链路给到足够高质量的输入。**真正决定项目成败的，往往不是技术难度，而是你有没有把一个又一个看起来不起眼的小问题都处理到位。乐迪信息的这套船舶AI检测算法之所以能在复杂港口环境下长期稳定跑下来，靠的就是这个笨办法——每个点位的视觉死角、硬件震动、天气影响、光线变化，都有人专门去盯，去记录，去回传，去改进。算法是磨出来的，不是一锤定音试出来的，这句话放在我们这个项目里，再贴切不过。