企业官网建设流程全解析

先讲一个真实发生在项目调试阶段的片段。那天傍晚，我们在港口某危化品泊位做系统联调，值班室突然弹出告警：一艘小渔船正从外海方向驶向禁航区。奇怪的是，雷达屏上看不到明显回波，AIS（船舶自动识别系统）列表里也没有这艘船，如果不是新部署的AI摄像机靠图像识别主动发现，这艘船可能要到靠近泊位才会被人工注意到。这个场景基本概括了“乐迪信息”这个项目要解决的问题——用AI船舶识别算法给智慧港口的禁航区防爆监控补上传统手段的盲区。

我当时是项目里的算法负责人，从数据采集、模型训练到边缘端部署，全程参与。这类项目网上讲“智慧港口”概念的文章很多，但真落到现场、真碰到防爆环境下的各种限制时，才会发现坑比想象的多。所以这篇博客不写宏观趋势，就写实际操作：为什么禁航区监控一定要引入船舶识别，算法端到底要解决哪些具体问题，从训练到部署有哪些步骤，以及我们踩过的那些实实在在的坑。如果你正准备做港口安防、岸线监控或者类似的视觉识别项目，这篇应该能帮你少走不少弯路。

1. 禁航区防爆监控为什么离不开船舶识别

1.1 禁航区到底在防什么

先说清楚“禁航区”这个范围。在港口内部，通常会划定若干禁止无关船舶进入的水域：危化品泊位前沿、LNG装卸作业区、大型船舶调头区、锚地周边等等。划禁航区的目的很直接——避免小型船舶闯入正在靠泊或装卸的危险品船舶作业区，防止碰撞、火灾、爆炸等连锁事故。尤其油品、LNG、化工品码头，一旦有船只闯入引发意外，后果不是简单的经济损失能衡量的。

这类区域的监控系统和普通园区安防不一样，本质上是“防爆监控”。什么叫防爆？不是在枪口放个摄像头就行，而是整套摄像机、云台、补光设备都必须满足爆炸性环境的使用认证，比如隔爆型（Ex d）、本安型（Ex ia/ib）等。设备要能承受内部爆炸而不引燃外部爆炸性气体。我们在现场用的防爆摄像机和防爆云台，重量大、转动速度慢、采购成本高，这些物理条件会直接影响算法部署方案，后面我会具体讲。

1.2 雷达、AIS、人工监控的短板

在引入AI视觉之前，港区的传统感知手段主要是三种，各有利弊，但都存在一个共同的死角：看见目标不等于认清目标。

以AIS为例，按规定大中型船舶应该开启，但实际上，有些内河船、渔船在港区活动时嫌麻烦，直接关掉；有些设备本身故障。我们在项目里做过统计，闯入禁航区的目标里，有相当比例是AIS查不到身份信息的。这时，唯一能捕捉到它的，就是摄像机画面。可是画面里的黑点是什么船、在往哪开、有没有进入禁区，如果全靠人眼看，效率极低。

AI视觉在这里的核心价值不是“替代”雷达和AIS，而是补位。它负责把视频流的每一帧变成结构化信息：画面上有没有船、船的位置在哪、属于什么类型、是否出现在禁区内、要不要告警。这样一来，值班人员从“盯视频”变成“看告警”，效率完全不是一个量级。

1.3 防爆环境给算法带来的特殊约束

防爆两个字写起来容易，真正落地时才体会到它对算法部署的束缚有多大。

首先是摄像机位置。普通安防摄像头可以随便找杆件装，防爆摄像机因为重量和成本限制，只能装在少数几个满足防爆规范的挂点上，所以机位特别少，视角也往往不够理想。我们当时能用的机位，要么是高位全景，但船在画面里很小；要么是岸线低位的细节机位，但覆盖范围窄。鱼与熊掌不可兼得，对算法的多尺度检测能力要求很高。

其次是云台动作限制。防爆云台的电机和齿轮结构为了保证防爆性能，转动速度比普通云台慢不少，每次动作都给人一种“慢半拍”的感觉。如果算法依赖云台预置位轮询来判断区域违规，出图帧率跟不上，告警延迟会很严重。后面我们被逼着改变了方案，重要区域的合规判断全部放在固定枪机上加软件电子围栏，云台只做联动跟踪。

第三是镜头脏污。普通摄像机可以装雨刷或由保洁定期擦拭，防爆护罩是全封闭的，镜头前窗一旦结露、沾盐雾或者积灰，画面清晰度下降非常明显。算法模型如果只在干净数据上训练，现场很快就会被“教做人”。我们在夜间尤其深有体会，港口的钠灯和黄澄澄的粉尘会让画面对比度变得很奇怪。

哪怕只看这几条，也能发现一个问题：在防爆监控场景里，算法工程师不能只盯着模型精度，还要理解设备的物理边界。接下来我拆解一下船舶识别算法在这个场景里到底要做哪些事。

2. 船舶识别算法的两个核心任务：看得见、认得出

禁航区的AI监控，拆开来看是两个连续的任务：第一，把船从画面里找出来，这叫目标检测；第二，判断这艘船是什么身份、该不该在这里，这叫识别与身份核验。二者缺一个，告警系统都会变成摆设。

2.1 目标检测：从监控画面中把船捞出来

很多人理解目标检测，就觉得是“把物体框出来”，真到港口场景会发现远没那么简单。港口监控画面里，船只是高度多尺度的目标：远处驶来的小船在1080P画面里可能只有几十个像素，近处靠泊的大船又可能占据半幅画面。海水波纹、码头机械、浮筒、波浪反光，都会干扰检测。更要命的是，目标检测模型天然对“训练集里大量出现的形态”敏感，而船的姿态、颜色、遮挡情况比人像复杂得多。

模型选型上，我给的建议是从单阶段检测器起步，比如YOLO系列的轻量版本，再根据现场数据做针对性微调。原因很实在：防爆边缘端的算力有限，与其用一个跑不动的两阶段大模型，不如用一个能稳定跑到20帧以上的轻量模型。有些朋友迷信“越大的模型越准”，但在边缘端部署时，推理延迟一上去，告警实时性没了，再准也没意义。

目标检测任务本身还会涉及一个关键细节：什么是“船的位置”。禁航区判定不能只看检测框中心，因为大型船舶的检测框中心可能偏在船体中央，但船首已经越线了。我们实际用的是船体下部中线作为判定锚点，也就是靠近水线的那条边。这个锚点更接近“船身实际侵占海域”的真实位置。

2.2 船型分类与船名OCR：判断“这里该不该出现它”

检测框出来了，接下来就是要分清“谁是谁”。

第一层是船型分类。港口里可能出现的船型包括集装箱船、散货船、油船、LNG船、拖轮、公务艇、渔船、交通艇等等。为什么要在告警逻辑里分船型？因为不同船型的风险等级完全不同：一般渔船误入LNG泊位前沿，风险极高；但拖轮出现在那里可能是正常的作业流程。如果只做检测不做分类，系统会连正常工作船只一起告警，值班人员几天就被整崩溃了。

第二层是船名OCR识别。船名通常刷在船头或船尾，但也有刷在船身的。识别的意义在于和AIS数据做身份核验——如果AIS里报了一艘名为“XX号”的船，视觉模块可以从图像里识别舱壁上的船名，两者不一致或者AIS缺失，就可以怀疑这个目标有异常。船名OCR的难点跟车牌OCR不一样：车牌有标准的字体、颜色和安装位置，船舷上的字则完全没有标准化，字号大小、漆面脱落、反光、水迹遮挡，什么问题都可能遇到。我们后来做了多帧投票来缓解单帧识别错误的问题，后面避坑部分会详细展开。

2.3 与AIS数据融合：让视觉告警有“身份”

只靠视觉，我们能看到“有船”，但很难立刻知道“这是谁的船”。AIS数据恰好提供了身份维度。理想状态下，应该把视频画面里检测到的目标，与AIS上报的目标关联起来，形成一张“来自视觉、带有AIS身份”的目标列表。

融合流程大致是这样的：AIS送过来的目标带有经纬度坐标，通过摄像机的内外参数可以把经纬度映射到像素坐标；而视觉目标从像素坐标检测得到，把两者放在同一个坐标空间做关联匹配。

这里有个特别容易踩坑的点：时间同步。AIS上报频率低，有的船几分钟才报一次位置，视觉检测是实时的，两者之间的目标位置可能差出好几十米。如果不做时间和运动补偿，融合结果会很乱。我们当时的做法是：AIS目标按最后已知的航向航速递推外插到当前时刻，再和视觉目标做最近邻匹配。这个处理虽然朴素，但比直接拿原始AIS点去匹配效果好得多。

融合得到的结果，可以支撑三类判断：

• 视觉看到船，AIS也有这艘船，且位置匹配——正常目标；
• 视觉看到船，AIS没有对应目标——重点核查目标；
• 视觉看到船，AIS有目标但船名OCR不匹配——警惕目标。

这样“视觉+身份”组合起来，值班人员才可以快速决定要不要派人去现场查看，而不是对着一个未知目标瞎猜。

3. 从模型训练到防爆现场：完整落地链路

3.1 数据采集与标注：现场数据远比公开数据集重要

船舶识别项目最忌讳一上来就套公开数据集训练，然后在现场现出原形。公开数据集里的船是在理想光照、干净背景下的，港口的真实画面里充斥着吊机、管线、盐雾、水花和灯光污染，迁移到现场后精度立刻打折。我们项目里最重要的数据来源，就是港口已有的视频监控录像。

数据采集要求说几个自己总结出来的原则：

1. 多时段采。白天、傍晚、夜间、凌晨都要有，因为港口不同时段的光照和作业状态差异巨大。
2. 多气象采。晴天、雨天、雾天、台风前后的海况都要覆盖，尤其雾天和水雾是LNG码头最常见的工况。
3. 多角度采。同一个目标最好有多路摄像机从不同角度拍到的画面，因为单视角会带来严重遮挡。
4. 多场景采。靠泊状态、航行状态、锚泊状态、拖轮伴航状态，船体露出的形状完全不同。

标注规范上，我们要求标注三类信息：目标框（船体）、船型类别、船名文字区域。目标框的标注尤其要注意，只框水面以上的船体，不框倒影；船头船尾被遮挡时，宁可标小一点也不要硬撑完整框，否则模型会学到错误的形状。船名OCR的标注也很麻烦，很多船名只有几个像素高，肉眼都要凑近了才看得清，标注时容易漏。后来我们上了半自动标注：先用检测模型跑一遍预标注，人工再修正，效率涨了不少。

数据增强方面值得多说一句。只做常规的翻转、旋转、颜色抖动还不够，要针对港口场景做专门增强：

• 亮度随机化，模拟夜间压光的画面；
• 加高斯噪声和模糊，模拟雨天和盐雾颗粒；
• 随机裁剪缩放，强制模型学习多尺度目标；
• 用模拟雾的方式做叠加，提升模型对低对比度画面的鲁棒性。

这些增强做完之后，模型在恶劣天气下的漏检率下降非常明显。

3.2 模型选型与训练调优：精度和边缘算力怎么平衡

模型选型要同时看两个约束：现场要求的检测精度和边缘设备的推理能力。我们最终用的是YOLOv5s这个量级的网络，在防爆边缘盒子+NVIDIA Jetson级别的算力上，能做到1080P分辨率下实时推理。

训练策略上有几个心得：

第一，先做迁移学习。用COCO或大型船舶数据集预训练一遍，再灌入港口自采数据微调。直接用小数据集从零训练，收敛慢且容易过拟合。

第二，针对小目标改进。港口高位全景机位下的船可能只有几十个像素，标准YOLO的检测头对小目标不太友好。我们给网络加了更高分辨率的检测层，同时把输入分辨率从640x640提到1280x1280。分辨率提上来后，小目标的召回率有明显提升，代价是推理速度下降，所以输入尺寸要根据机位实际情况调，别一刀切。

第三，处理类别不平衡。渔船样本少但重要，油轮样本多但往往“不重要”。我们在损失函数里给稀有类别加了更高的权重，同时用重采样让模型看到更多少数类样本，效果比单纯调置信度阈值好。

调优过程的验证不能只看最终测试集上的mAP，我更看重按机位拆分后的表现：因为每路摄像机的视角、安装高度、光照方向都不同，整体指标会被好看的那几路拉高。把指标按机位拆开看，才能发现某些机位实际处于“半瞎”状态。

3.3 电子围栏与越界判定：从“识别到船”到“触发事件”

单纯“识别到船”只是第一步，监控系统的核心是“判定事件”。这里需要把空间规则加进去，也就是电子围栏。

电子围栏本质上是一个多边形区域，定义在真实地理坐标系或者图像坐标系中。我的建议是优先在图像坐标系中定义，因为防爆场景下摄像机标定未必准确，地理坐标投影到像素往往有偏差。但图像坐标系的缺点是不能随镜头变倍和云台转动自动调整，所以用固定枪机做电子围栏是最好的选择。

电子围栏的判定要结合目标跟踪，不能单帧判定。单帧检测的抖动和误检会带来大量误报。我们当时跟踪用的是ByteTrack这类轻量级跟踪器，维护每个目标的轨迹和速度信息，然后根据连续多帧轨迹判断是否越界：

• 目标“进入”禁区：目标锚点首次进入多边形内部；
• 目标“停留”禁区：目标锚点在多边形内部连续超过设定秒数；
• 目标“穿越”禁区：目标锚点轨迹横穿多边形并离开。

不同状态对应不同级别的告警。比如“进入”后马上离开的小型目标，可能只是路过，记录而不报警；“停留”超过30秒的未知身份目标，就必须推报警。这套状态机的核心用意是防抖：避免因为检测框在边界附近抖动，导致告警反复触发和撤销。

3.4 部署架构：边缘盒子、流媒体与现场联动

部署架构上，我们采用“前端防爆摄像机+边缘推理盒子+中心管理平台”三层结构，而不是把所有视频流都拉到中心机房统一推理。

为什么要边缘推理？一是防爆区域很多位置离中心机房远，全量视频回传对带宽和时延都是挑战；二是视频数据涉及港口内部安全，尽量不出本地域网络。所以，每路摄像机通过RTSP拉流接入边缘盒子，边缘盒子跑船舶检测、船型识别、船名OCR、电子围栏判定，只把结构化告警结果和告警截图上送。

告警联动这部分，很多人会忽略现场设备的对接。禁航区防爆监控不只是弹一个窗口，往往要联动现场防爆声光报警器、广播喊话系统，甚至门禁或巡逻派单。我们用继电器或者Modbus协议把边缘盒子的告警信号接到防爆控制箱，推动声光报警器动作。这个环节调试时要特别小心，因为防爆回路有本安隔离要求，信号线不能随便搭，我们早期因为接线问题触发过设备保护。

整体部署拓扑可以用下面这张简化列表来理解：

• 前端：防爆摄像机（含云台）、防爆补光灯；
• 边缘端：推理盒子，内嵌检测/聚类/跟踪/围栏联合算法；
• 联动端：声光报警器、广播、中控平台；
• 数据端：结构化告警、截图、短视频证据留存。

4. 我在现场踩过的最深的坑：真实案例与排查过程

如果把算法落地比作闯关，模型训练只能算前两关，现场调试才是隐藏关卡。我们项目里遇到的这些问题，每一个单独拿出来都能让人折腾好几天。

4.1 案例一：夜间船灯强光导致检测框乱跳

现象是这样的：某泊位夜间正常停靠着几艘作业船，系统却频繁弹出“船舶入侵”告警。值班人员点开截图，发现检测框完全没框在船体上，而是框在船头发出的强灯光团上。

排查过程第一步，先复看视频。我们注意到检测框会跟随灯光闪烁而抖动，明显是模型把灯光当成了目标。于是我们拉出了夜间的标注数据分析，发现训练集中夜间样本占比不足10%，而且夜间样本里的船灯亮度普遍没有现场实际那么高，模型根本没有见过这种高动态范围画面。

解决办法分两步。第一步，扩充夜间数据，特意收集晚上靠泊船灯全开、码头高杆灯直射等高反光场景的视频，单独标注；第二步，在模型输入侧加了预处理：对夜间帧做局部直方图均衡和亮度截断，降低灯光的绝对值强度，让船体轮廓相对凸显。处理后，夜间误报率下降了一大截。这个案例给我们的教训是：图像质量比模型结构更影响最终效果，训练数据的光照分布必须和现场对齐。

4.2 案例二：船名OCR在雾天和水雾条件下失灵

LNG码头附近常年有水雾，尤其在冬季，一阵风吹来，画面立刻像蒙了一层毛玻璃。船名OCR在那段时间的准确率掉到不足五成，导致大量正常作业船的AIS身份匹配失败，系统把它们当“未知目标”上报。

排查时我们先做了图像质量分析：雾天画面的对比度极低，灰度直方图集中在中间窄带。当时尝试过直方图均衡、暗通道去雾等经典增强算法，单帧效果都有限，而且增强后细节过度锐化，反而把字符边缘弄得很脏。

真正解决问题的是利用时间维度的信息。船在画面里是运动的，摄像头和船体的相对位置会缓慢变化，不同帧中船名字符的清晰度各不相同。于是我们改成了多帧聚合识别：检测到船名区域后，连续取10到15帧，逐帧做OCR，最后对识别结果做字符级投票。雾是随机起伏的，单帧模糊不代表所有帧都模糊，投票出来的结果比任何单帧结果都可靠。这个改动把雾天OCR准确率拉回到了可接受范围，也让我深刻理解了“视频数据的时间冗余是宝贵资源”。

4.3 案例三：防爆云台转动后，电子围栏坐标全部错位

这是我们在联动调试阶段踩的最疼的一个坑。当时我们觉得云台位置灵活，可以把电子围栏画在云台的实时画面上，然而云台转动之后，越界判定区域明显偏移，有时船明明在航道外，系统却报“进入禁区”。

排查后发现根源在防爆云台的回传角度精度。普通云台的方位角反馈比较精准，但防爆云台因为传动结构和齿轮间隙，回传角度与真实朝向之间经常差出几度。对于覆盖数百米水域的摄像机，几度的偏差反映到远端就是几十米的距离偏移，电子围栏自然全错位。

那次之后我们彻底调整了架构：合规判定不再依赖云台，全部放到固定枪机上做；云台只保留“手动控制”和“告警联动转向”的功能，也就是根据固定枪机给出的目标方位，把云台转过去抓拍细节。这样既保证了判定稳定，又能利用云台的高清镜头获取船名等细节证据。这个架构调整让我记住了：在工业现场，最可靠的部分往往是最简单的部分。

4.4 误报与漏报的平衡：阈值不是越高越好

做过这类项目的人都知道，误报率和漏报率是一对天生的冤家。刚上线时我们被误报烦得够呛，想着把置信度阈值提高，结果误报少了，漏报又抬头了。尤其是夜间小目标，本来置信度就不高，阈值一高，直接当成背景忽略掉。

后来我们设计了两级告警机制，巧妙避开了这个矛盾。

第一级叫“可疑目标”：只要目标被检测出来且进入禁区，先记录视频片段，但不在值班终端上弹出阻塞式告警；第二级叫“高风险告警”：只有在目标身份无法匹配（AIS缺失且OCR无结果）、且目标在禁区内持续停留超过阈值时，才推送强制提醒。

这样做的效果是：漏报率被压低（因为可疑级别抓得宽），同时值班人员的注意力没有被大量无效告警消耗（因为真正的弹窗告警很少）。如果目标是正常作业船，它有AIS信息或生物特征可查，很快能从可疑名单中释放掉；如果是入侵渔船，没有身份信息，停留时间越长，级别升得越高。

5. 效果评估与日常运维：坑远不止算法本身

5.1 关键评估指标与实际结果

算法上线后，我对这套系统的评估指标做了长期跟踪。我们不追求学术上复杂的mAP曲线，现场最关心的就是三个数：召回率、误报率、端到端延迟，外加一个船名OCR识别正确率。

这个“2.8秒”的延迟是很多观众会忽略的，做成报告时一定要说清楚包含哪些环节：实时画面的采集加上传输，到边缘盒子排队推理，再到告警规则的判定，最后推到值班终端并弹出截图。每一步都有几十到几百毫秒的耗时，累积起来就是两三秒。

指标验证阶段有一个比较容易忽略的步骤：人工回放标记。建议从历史视频里随机抽取一段时间的连续画面，让熟悉现场的安保人员把里面所有“出现目标”和“发生越界”的时刻逐帧标出来，再和系统告警日志逐条对拍，这样算出来的召回率和误报率才是真实可信的。

5.2 告警复核机制与现场联动调试

算法再好，也要人复核。我们给值班流程设计的规则是：收到高风险告警后，值班员调取告警前5秒和告警后10秒的录像片段，确认为真实入侵后，再派发现场巡逻确认。之所以要留历史片段，是因为只靠一张告警截图无法判断目标的运动轨迹和实际意图，可能产生误判。

联动调试阶段最容易翻车的，是防爆声光报警器的触发逻辑。我们用继电器输出接通控制回路，但防爆控制箱里的接线是有本安隔离要求的，信号线和电源线不能随便并排走，否则会引发设备保护跳闸。做过一次实际触发测试：继电器闭合后声光报警器没有立即动作，而是延迟了一秒多，原因是中间经过的安全栅和继电器吸合时间累加。这些“毫秒级”的细节在办公室里永远发现不了，必须在现场反复实测。

5.3 数据回流是模型迭代的命脉

我在参与过几个项目之后总结出一个规律：没有一个模型是“上线即毕业”的。港口环境每季都在变，航道施工、装卸方式调整、附近水域的业态变化，都会让旧模型慢慢退化。保持模型稳定有效，靠的是数据回流。

具体做法是：每周从告警日志和录像中抽取一批误报、漏报样本，打上标签后加入训练集；每月重新训练一次模型，但不会立即覆盖线上版本，而是先在影子模式下同时跑，用两周时间对两个版本的告警差异做对比，确认新版本没有引入新的异常，再灰度替换。

这套流程看起来笨拙，但胜在稳定。防爆监控项目最怕的就是为了“快”随便更新模型，结果某个尖锐的误报率突然飙升，值班员对系统失去信任。宁可更新慢一点，也要保证每一次版本切换都是可解释、可回滚的。

6. 在防爆监控项目中逐渐悟透的几件事

项目推进到后期，我越来越意识到，这类由AI算法驱动的监控项目，真正的分水岭往往不在算法本身，而在对现场的理解深度。

举例来说，在当前的可见光单模基础上，下一步自然是加入热成像融合识别。普通红外热成像对船体和发动机舱的温差很敏感，能补充可见光在夜间、雾天的盲区。但热成像的分辨率低、噪声大，如何做跨模态融合而不是简单叠加，还需要更多实验。

又比如，我们现在只做了“越界判定”，实际上利用轨迹还能挖掘更多价值：高速接近作业船舶的小目标、轨迹异常的长时间锚泊、频繁进出禁区的疑似走私快艇……这些都是可以扩展的方向。

如果问我个人最想分享的一点体会，那就是做这类项目，数据采集规划要占到整个项目前期至少一半的精力，而现场调试又至少要占全局的三分之一。算法模型再复杂，也要被防爆云台、安全栅、现场维护的现实条件牵着走。与其把模型做得华而不实，不如踏踏实实把数据管好、把联动链路调通、把值班人员的体验照顾好，系统才能真正在港口一线发挥价值。