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。

行业的需求摆在这里，落到教育上却有个断层：现场在用的这套AI能力，高校课堂上很难练出来——缺真实设备、缺现场数据、缺一条能走通的完整链路。北京欧倍尔经过长时间研发，针对目前困境找到了解决办法：把工业现场的真实链路做成可在教学环境里完整运行的系统，让学生在校期间就能把这条路走通。

这套平台把"训练一个模型、把它配到点位上、让设备按需求执行"这三件事拆成9个环节，学生从头完整走一遍：建图扫描确立现场地图，按点位采集图像与传感数据，在标注工作台上完成样本标注，在算法编辑器里搭建模型并生成训练脚本，提交训练任务观察指标，在测试集上核对识别效果，将模型部署为可调用算法，最后由机器人在现场执行并回传结果。9个环节环环相扣，共同构成一条完整的工程链路。

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。

▲ 巡检机器人后台管理系统

▲ 机器人扫图

02 数据采集：图像与传感数据的采集回传

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。

▲ 机器人详情

03 数据标注：样本类别的界定

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。

▲ 算法训练平台 · 标注工作台

04 模型搭建与编写：算法编辑器与代码生成

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。