仓储安防 AI 值守：明火识别与鼠患检测落地

仓储场景的火灾与鼠患有一共同特点：夜间发生、早期隐蔽、人工巡查间隔长。等次日早班发现，损失往往已经扩大。这篇案例记录我们为一处 8000 平食品仓储库做 AI 值守的完整方案。

夜间时段的两个高风险项

与后厨不同，仓储库的风险结构很"简单"：夜里没人，但货值高。火情从出现到蔓延以分钟计；鼠患则是持续性的食品污染风险，在食安检查里属于一票否决项。两者都是"发现即止损、晚发现即事故"的类型，天然适合交给 7×24 值守的视觉模型。

明火识别：双特征判火

仓库里最常见的误报源是照明灯具、反光堆垛膜和叉车警示灯。单纯按颜色找"橙色区域"会把这三样全部点燃告警。我们的明火模型同时利用火焰的颜色分布与闪烁形态特征做双重判定——火焰的闪烁频率在时间轴上有明显规律，静态光源不具备。双特征叠加后，该仓库试运行期灯具误报接近于零。布防策略上，非工作时段全量告警；工作时段只在禁止动火区启用，叉车作业区的合法火花不入告警。

鼠患检测：抓图留证

鼠患检测在夜间模式下运行：检测画面中的鼠类个体并输出定位框与置信度，命中即抓图。这里的关键不是"报得多么快"而是"证留得多么全"——食安检查时，"有没有"必须变成"何时、何地、几次、照片在哪"。平台按时间线归档全部抓拍，检查组到场直接调取。对食品仓储而言，这套记录本身就是合规资产。

点位与部署策略

• 点位：沿墙四角 + 货架通道尽头，覆盖鼠类惯常的沿边活动路线；出入口单独一路；
• 设备：复用库内既有红外摄像头，弱光画面恰好是鼠患模型的训练分布；
• 算力：检测模型建议入门级 GPU 或智能盒子，单机可并发 8~16 路；
• 布防：鼠患模型全天开启（白天低阈值记录、夜间高阈值告警），明火模型夜间全量、白天限区。

告警处置闭环

告警推送至值班责任人（企业微信/钉钉），处置结果回填：已处理/误报/待观察。误报样本自动进入训练平台的待标注池——它们是最有价值的迭代数据。月度统计高发区域与时段，反过来指导防鼠设施补装、货品挪位与巡检排班。这套闭环让"装了 AI"变成"AI 参与管理"。

季度迭代机制

模型按季度用回流样本迭代：新抓拍的鼠患样本、被灯光环境变化影响的明火样本，标注后并入训练集重训，走同一套三端验证门禁交付。四个季度下来，鼠患检出率提升明显，而误报数几乎减半——数据的持续回流，比任何算法技巧都可靠。

投入构成与验收标准

这类项目的投入由三块构成：识别模型授权（按点位年费）、一台检测推理用的智能盒子或入门 GPU（可复用既有设备）、以及一次性的点位施工与调优人力。验收建议写死三条可量化标准：试运行 30 天内，鼠患检出以人工投放测试样本复核不低于约定值；明火误报不高于每日 N 条；告警从触发到推送到责任人手机不超过 5 分钟。把这三条写进合同，比任何"效果很好"的口头承诺都可靠。

相关页面：模型货架 中的鼠患检测与明火识别 ｜ 延伸阅读：置信度阈值怎么调。