路網監控從『人盯屏』到『AI 主動預警』

一家營運里程超過 6000 公里嘅西部省屬交通投資集團，正在將「人盯屏」嘅監控室變成「AI 主動預警」嘅指揮中樞。試點項目入面，系統對路網監控畫面做到自動感知同智能分析：鏡頭故障識別覆蓋 7 類、異常事件識別覆蓋 8 類，識別準確率唔低於 85%，報告生成同知識問答類智能體首響時間細過 5 秒。

背景與痛點

高速公路係典型嘅「數據富礦、感知貧礦」：鏡頭舖滿全程，但真正「睇」得明畫面嘅能力一直靠人。傳統模式下，監控員長時間盯住多路分屏，漏報、遲報好難避免；路網越大，呢個問題越突出——數千路畫面、24 小時輪值，人工巡睇嘅覆蓋深度同響應速度都有天花板。行業共識都印證緊呢一點：交通運輸部指導推進嘅路網交通大模型試點入面，明確指出傳統依賴人工輪巡同規則化算法嘅監測模式，存在漏報率高、響應滯後、識別類型有限、全天候覆蓋不足等問題。

呢家集團嘅具體處境仲要複雜啲。其一，異常事件嘅種類遠超想像，由交通事故到自然災害，都要喺第一時間被發現並結構化記錄；其二，鏡頭自身都會「病」，掉線、遮擋、模糊呢類故障如果唔即時識別，感知網絡就會出現盲區；其三，發現事件只係第一步，之後嘅處置建議、事件報告都要有法規依據、統一格式，靠人手整理又慢又容易出錯。

我哋點樣做

成個方案圍繞「畫面點樣變成數據」展開，核心係將視頻監控嘅感知能力由人身上轉移到模型身上。

第一步係解決圖像採集。項目組喺監控室監控終端上面部署咗截屏採集工具，支援一/四/九宮格多畫面自動截屏，採集頻率同總時長可以按需自訂，既唔會錯過關鍵畫面，亦避免對所有視頻流做冇差別嘅高成本處理。

第二步係等模型「睇得明」畫面。截屏圖片被傳入 AI 梳理分析，融合視覺多模態理解模型，實現對路網監控畫面嘅自動感知同智能分析。呢度有兩層識別：一係鏡頭故障識別，自動判斷掉線、遮擋、模糊等 7 類故障並觸發實時預警，保障感知網絡自身嘅健康度；二係異常事件識別，自動識別交通事故、自然災害等 8 類路網異常事件，並做結構化數據輸出——事件類型、位置、時間等信息直接入庫，成為可查詢、可統計嘅結構化記錄。

第三步係等數據「識講嘢」。針對每一類事件，系統生成處置建議：關聯內部預案同外部政策法規庫，附帶標準規範依據，等一線人員「知道要點做、點解咁做」。事件報告則按標準模板自動生成 MD 格式，支援在線預覽、下載以及人工二次修訂，兼顧咗自動化同人工把關。最後，預警、統計同報告數據統一入用戶看板，支援按時間範圍篩選，可視化展示路網運行態勢。

值得一提嘅係，事件識別產生嘅結構化數據最終通過 OntiCards 連接，做多維度數據分析。監控畫面本身係非結構化，但一旦被抽取出嚟做結構化嘅事件記錄，就可以同路網里程、時間、天氣、養護記錄等數據放埋一齊交叉分析，回答「邊啲路段事故高發」「故障集中喺咩時段」呢類問題。

落地效果

• 識別準確率唔低於 85%，識別類智能體保證事件捕捉嘅精準度；

• 首響時間細過 5 秒，報告生成、知識問答類智能體可以喺秒級返回結果；

• 監控員嘅工作方式由「長時間盯屏」變成「覆核同處置」，注意力集中喺系統推送嘅告警上面；

• 事件報告統一為標準化模板，歸檔、追溯、統計嘅成本大幅下降；

• 鏡頭故障被實時感知，感知盲區由「事後發現」變成「事前預警」。

經驗沉澱：從項目到 OntiCards

呢個項目最值得沉澱嘅經驗係：路網智能化嘅價值唔在於某一個模型有幾聰明，而在於將非結構化畫面變成結構化數據，再將數據連接起來。採集、識別、輸出三個環節缺一不可，而數據一旦結構化，後面嘅多維度分析、跨系統關聯就係水到渠成嘅事。

呢啲經驗沉澱落嚟，成為 OntiCards 喺智慧交通行業嘅解決方案。我哋喺四層架構入面將「接入—卡片—問數—消費」分層設計，正正對應呢類項目嘅共性路徑：先將多源數據接入嚟，再定義業務語義，然後等業務人員用自然語言問數，最後喺各類終端消費結果。如果你都面對緊「感知數據擺喺庫入面用唔起」嘅問題，歡迎通過 OntiCards 官網 了解我哋點樣將監控、工單、運維等數據變成業務人員隨手可用嘅資產。