今年年初，常州一家机械零部件加工厂的负责人找到我们。他们工厂一百来号工人，车间里冲压机、磨床、行车（天车）交叉作业，安全隐患特别多。

最让负责人头疼的是两件事：一是工人不戴安全帽、把手伸进运转区这类违规行为几乎天天发生；二是三个月前安监部门突击检查给了一张整改通知，限期整改完毕。"我每天开早会都强调安全，但工人觉得麻烦，你前脚一走他后脚就摘了。"负责人的原话。

我们给他搞了一套基于边缘AI视觉的安全生产监测系统，断断续续做了两个月。这篇文章记录整个过程——方案怎么设计的、实施中踩了哪些坑、最后效果怎么样。

一、现场情况摸底

去车间看了两天，把情况摸清楚：

这些条件基本决定了方案方向：不能太贵、安装不能影响生产、要能脱网运行、告警要直接推到手机上。

二、方案设计

最终确定的方案分四层：

感知层：复用现有摄像头+增补关键点位

12个现有摄像头里，有8个位置合适可以用来做AI分析。另外在三个关键盲区加装了4个高清网络摄像头：

选型上，新加装的摄像头选了500万像素、带补光的型号，价格在几百元级别。关键在于镜头安装角度——角度不对的话AI识别率直接掉到50%以下，这个后面会细说。

边缘计算层：AI分析网关

在车间弱电机房部署了一台边缘AI网关，负责：

选型时试了两种方案。一开始想用纯软件方案——在现有工控机上跑模型，结果发现工控机的GPU算力不够（只有集成显卡），跑一个模型就卡了。后来换了带NPU（神经网络处理单元）的边缘AI网关，4个模型同时跑没问题，延迟控制在500ms以内。

告警层：企业微信实时推送

检测到违规行为后，系统自动抓拍截图并推送到企业微信群。推送策略是这样的：

看板层：现场大屏和手机端

在车间入口挂了一块55寸电视，实时展示：

这个大屏起了意外的作用——工人看到自己的违规行为被"曝光"，反而有了约束力。

三、实施过程

第一周：硬件安装和网络调试

硬件安装本身不复杂——摄像头装上去、网线走好、网关放进机柜。但有几个地方折腾了不少时间：

摄像头角度调试。这是整个项目里花时间比较多的一环。同一个安全帽检测模型，镜头俯视角度30度时识别率约92%，调到60度俯视时直接掉到60%多。原因是模型训练数据大多来自俯拍角度，平视角度的人脸和帽子特征不明显。我们花了两个白天把每个摄像头的角度、高度、距离反复调，最后所有摄像头的检测准确率提到了90%以上。

冲压机震动问题。装在冲压机区域的摄像头，冲压机一启动画面就抖。一开始以为是安装支架松了，后来发现是冲压时整个钢柱都在震动，摄像头跟着共振。解决方案是在支架和钢柱之间加了一层橡胶减震垫，画面稳定了。

网络带宽评估。12路摄像头同时传视频流到网关，内网带宽需求约200Mbps。工厂的交换机是百兆的，跑满就卡，直接换了千兆交换机。

教训：不要默认客户现场的网络条件够用。百兆交换机在工厂里很常见，但视频AI项目一定要千兆起步。

第二周：模型部署和基线调试

模型部署本身还算顺利——4个模型都是轻量化的YOLOv8 nano版本，在边缘AI网关上一口气部署完。但调试阶段遇到了三个问题：

问题一：阳光干扰。车间西侧下午会有斜阳照进来，摄像头画面反光严重，模型把安全帽上的反光误识别为"未戴安全帽"——因为高光区域盖住了帽子轮廓。加了自动曝光补偿设置后，大幅缓解了这个问题。

问题二：人车误判。叉车司机戴着安全帽，但叉车本身被模型识别为"未戴安全帽的人"。排查发现是因为训练数据中人的样本没有覆盖到"人+车"的组合场景。我们在模型推理层加了前置过滤——先判断检测框的宽高比，排除明显非人形的物体。

问题三：安全帽颜色。工厂的安全帽有红、黄、蓝三种（分别对应管理、工人、访客）。基础模型只检测"有没有帽子"，不区分颜色。工厂特别需要区分颜色——比如一个工人戴着红色安全帽进了操作区，说明管理人员擅自进入了不该进的地方。后来我们加了一个颜色分类器做后处理，在检测框内提取HSV直方图做三分类。

第三周：试运行和阈值调优

试运行第一周，告警量高得吓人——第一天推了300多条告警。分析后发现主要是几个原因：

调整方案：

调完之后，日均告警从300+降到了20-30条左右，其中有效违规约占60%。负责人说"这个量才看得过来"。

四、实际效果

系统上线运行了3个月后，我们统计了几项数据：

违规行为减少约八成
安全帽佩戴率从之前的约70%提升到95%以上，手部进入冲压危险区的行为从每周十几起降到每周1-2起。
提前预警的险情：4次
其中2次是吊物下方有人穿行且行车正在运行，系统触发紧急告警，安全员及时叫停；1次是打磨区粉尘浓度搭配违规打磨操作，被系统捕捉；1次是夜间工人翻越安全围栏进入检修区。
安监复检一次性通过
之前被开具的整改通知中关于"安全防护措施落实不到位"的问题全部得到验收。

除了这些硬指标，还有两个意想不到的效果：

工人的态度变了。一开始不少人觉得"装摄像头就是来盯我们的"，有抵触情绪。后来负责人把大屏放在车间入口，每周公布安全排行榜，做得好的班组有小奖品。慢慢的，大家发现系统确实能帮他们避开危险——有一次一个工人弯腰调模具的时候没注意到行车吊着工件从头顶经过，系统直接响了警报，他赶紧退了一步。从那以后，反对的声音少了很多。

管理层对数据的用法变了。一开始安全月报就是打印出来贴墙上。两个月后，负责人开始用这些数据做安全培训——"你看，冲压区的违规集中在下午3-4点，那是大家最疲劳的时候。这个时间段我们就加强巡逻。"数据从"记录"变成了"管理工具"。

五、遇到的问题和解决办法

夏天车间高温。网关放在弱电机柜里，机柜本身散热不好，加上车间环境温度经常超过35度，网关偶尔出现过热死机。在机柜里加了一个工业排风扇之后问题解决。

模型对夜间场景适应差。虽然加了红外补光，但红外人像和白天人像特征差异大，夜间识别率比白天低了约15个百分点。后来单独训练了一个夜间的模型分支，综合识别率提升到了85%以上。

工人工服和背景颜色相近。有一个工人穿了件灰色工服，站在灰色水泥墙前面，模型经常漏检。这个在现有条件下不好解决，提醒工厂给工人配发了荧光色反光背心，效果反而比算法调优好得多。

一些问题是算法解决不了的，换个思路——改现场条件，反而更便宜、更有效。

六、个人的思考

做完这个项目，几点感受比较深：

安全生产的市场需求比想象中大。新安全生产法实施后，企业被处罚的力度大了很多。但是大部分工厂的认知还停留在"装摄像头录着就行"，真正做实时AI分析的很少。原因不是技术门槛高，而是不知道怎么做、怕太贵。

项目能不能成，取决于现场能不能接受。技术和方案本身并不复杂，复杂的是让工人愿意配合、让安全员愿意看告警、让老板觉得钱花得值。这个项目里最能打动老板的不是技术参数，而是一张截图——某天凌晨两点系统拍到一个人翻越围栏进了检修区。没有这个系统，出了事都不知道怎么发生的。

算法精度够用就行，不要追求完美。安全监测的目标不是100%识别所有违规，而是大幅降低违规率。从"没人管"到"有系统盯着"这个转变本身，就能带来效果。追求那最后几个百分点的精度，投入产出比很低。

数据积累的价值会越来越大。3个月的数据积累了完整的违规时间分布、高发区域、高发行为类型。这些数据对于后续优化安全管理制度、调整排班、甚至买保险时跟保险公司谈费率，都有实际用处。安全数据不只是合规用的，本身也是一种生产资料。

七、给你的建议

如果你也在考虑给工厂上AI安全监测，几点参考：

  1. 先从安全帽这一个场景开始。安全帽检测的模型成熟度比较高、准确率容易做到90%以上，用来验证效果成本较低。跑通了再加禁区闯入、抽烟检测等其他场景。
  2. 摄像头角度比模型重要。一个装歪了的摄像头，再好的模型也没用。装之前去现场用手机拍一段视频，模拟一下模型会看到什么画面。
  3. 一定要让现场的人参与调试。安全员和班组长知道哪些地方容易出问题、哪些时段需要重点关注。他们的经验能帮你省掉很多试错的时间。
  4. 告警量要控制好。第一天300多条告警，安全员根本不理。调到每天20-30条之后，每条都有人看。告警不是越多越好，精而不是多。
  5. 做好边缘断网预案。车间网络随时可能断——生产高峰期有人拔网线、交换机被撞到、施工挖断光纤。边缘AI网关一定要能断网独立运行，等网络恢复后自动同步数据。