巡安一号系列｜训练、部署、真机运行，9个环节完成AI巡检模型从0到落地

化工、能源、电力等流程行业正处于智能化改造的推进期：装置规模扩大、监测点位加密，视觉与传感数据的产生量远超人工巡检的覆盖能力，巡检、状态监控与异常识别正由固定摄像头与视觉分析模型承接。大模型与智能体进入生产与运维环节后，岗位对人员的核心要求也随之迁移——从独立完成现场操作，转向运用AI完成现场任务。

01 建图与巡检路径规划

现场地图的建立

建图是整条链路的起点。学生在机器人后台开启建图，推行机器人遍历现场；机器人同步扫描环境、回传建图数据，平台实时构建现场地图。随后在地图上完成位置校正与可通行边界标注，把不可通行区域、作业区与关键设备位置固定为地图坐标。

这张地图定义了机器人的定位与通行范围，后续的采集点位、算法绑定与巡检路线均以地图坐标为参照下发，点位由此成为可复用、可复现的资产。

地图有了，接着是按点位采集。学生选定点位、调整云台视角，启动机器人沿路线作业；现场图像与温度、湿度、CO₂等传感数据实时回传，形成采集记录。这一步产出的原始素材，是后面所有训练的原料。

采集不止一种方式。机器人按点位现场采集，是巡检场景的主路径；已有素材也能用——学生自己拍的照片、往届留存的样本，打包成数据包批量上传；个别点位样本偏少、临时补几张，单张上传即可。三条入口进来的素材，后面走的是同一套标注、训练、部署流程。

原始素材本身不能训练模型，得先变成有标签的样本。但在标之前，有一件更要紧的事：把类别体系和判定边界定下来——哪一类算正常、哪一类算异常，相邻的两类又靠什么区分。“滴漏”和“渗漏”的界线画在哪里，直接决定模型将来认得出什么。这条线含糊，模型学到的就是含糊。

学生在标注工作台上新建标注集，把现场采集的图片与视频导入，逐张框选目标、指定类别。类别按“部件 + 状态”成对设定：弯头、直管、法兰各有正常态，也各有对应的泄漏表现。画布支持缩放与适合窗口，相邻帧连续切换，几百张图可以来回比对着标。右栏的类别列表会累计每类的框数——哪一类样本明显偏少，在这里一眼可见，回头补采、补标就有方向；标注进度以“已标注 / 总数”实时显示，还剩多少不用另外统计。

标完的样本按训练集、验证集、测试集划分，进入训练任务。数据集规模、各类别样本量与标注进度同在一屏，够不够训、要不要补数据，提交训练之前就能判断。

样本准备好之后，先要有一个网络结构。平台没有把模型做成一个黑箱，而是让学生在平台里亲手把网络搭出来。

编辑器左侧是组件库，按数据组件、模型组件、模型工具分成三组：数据组件负责读入与清洗，模型组件提供神经网络、LSTM、XGBoost 等可选结构，模型工具用来保存与加载模型。学生把它们拖到画布上，用连线定义数据流向——从哪读入、经过哪些处理、最终进入哪个模型，整条路径都摆在画布上；选中任一节点，右侧属性面板即列出该节点的参数。

图连好之后，平台会据此生成一份完整的训练脚本。代码里带着拓扑说明、依赖导入与运行环境处理，可以直接运行，也可以逐行查看和修改。画布与代码是同一份结构的两种呈现，随时可以切换。学生在这一步能看清一件平时看不到的事：模型不是从菜单里选出来的一项配置，而是一条可以随时展开查看的完整链路。

平台上还留了一块给愿意自己写代码的学生：一套在线代码环境。每人一套独立的容器沙箱，浏览器打开就能用。

环境彼此隔离，各写各的，互不影响；运行依赖都在镜像里备好，打开就能写，不必先在自己电脑上装一遍环境。

会编排，也要会编程。代码环境一直开着，学生想自己把某一段链路用代码实现一遍，随时可以进去写——从照着做，到照着改，再到自己写。

样本进入训练任务，学生把搭好的模型提交训练，训练过程中实时观察损失与准确率曲线，判断是欠拟合还是过拟合、要不要补数据或调参数。训练完成后，指标与日志一并留存，供后续复现与对比。

训练完不等于能用，学生在测试集上运行推理，核对识别结果——漏检在哪里、误检在哪里，再回到标注与参数上做针对性调整，重训一轮。这个“验证—调参—再训练”的循环，才是模型真正变好的地方。

效果达标后，模型被部署为可调用的算法，并绑定到具体的点位与设备上。部署这一步让学生看清一件课堂上很难讲明白的事：一个模型文件，要经过哪些环节，才变成现场可以随时调用的能力。

最后回到机器人，它按路线在真实环境中执行，模型在设备上实时推理，识别结果与传感数据回传至后台；出现异常按等级告警，处置结果与备注一并留档。学生看到的不再是屏幕上的演示，而是一台真实设备按自己训出来的模型在干活。

回头看，9个环节做的其实是一件事：把一条完整的AI工程链路交到学生手上。

这件事的意义，要放到现场才看得清。工厂已经在用AI了——巡检交给模型，异常交给模型判断，设备按算法的指令动作。这意味着岗位的入场门槛变了：过去比的是谁操作得熟，现在比的是谁能把AI用到自己的工序上。会用工具的人不缺，能自己造出这个工具、并让它稳定跑起来的人，才是产线上真正稀缺的。