在叉车与行人相遇之前 — AI摄像头的碰撞检测与危险区域监测

在谈到制造工厂和物流中心发生的重大安全事故类型时,叉车与行人的碰撞总是无法绕开的话题。载着数吨货物的叉车在狭窄通道中反复倒车和转弯,而作业人员则步行穿梭于托盘与货架之间。在两条动线交汇的路口、出入口和装卸区,事故往往毫无预兆地发生。对于任何一位安全管理人员来说,这大概都是最先浮现在脑海中的场景。而一起事故的代价,绝不仅仅是人员受伤。产线停摆、事故调查,再到整个现场士气受挫——损失总是远远超出事故本身。

令人遗憾的是,大多数现场其实早已装有摄像头。CCTV随处可见,但其角色仍然停留在"事故发生后用来查明原因的记录设备"。原因很简单:人无法整天聚精会神地盯着几十个画面。即便监控室的屏幕上同时显示着几十路视频,也没有任何一双眼睛能捕捉到叉车逼近行人的那三秒钟。

基于视觉AI的视频事件检测,改变的正是这一点。AI是一个从不眨眼的监视者。人的注意力是有限的,而算力不知疲倦。它同时不间断地监看所有摄像头画面,在叉车与人员接近到危险距离的瞬间,或有人踏入禁入区域的瞬间,实时发出警报。本文将梳理AI碰撞检测与危险区域检测的实际工作原理,以及引入时需要考量的要点。

I. 从"记录"的CCTV到"检测"的AI

传统CCTV与AI视频事件检测的区别,不在于摄像头的性能,而在于"谁在看画面"。同一台摄像头,后面坐着人,它就是记录设备;后面是AI,它就是检测系统。

项目	传统CCTV	AI视频事件检测
角色	事故后查明原因的记录	事故前的实时危险检测
监控主体	人(监控人员)	AI(24小时持续分析)
响应时机	事后	事前·即时
覆盖范围	人所能专注的少数画面	同时分析所有接入通道
输出结果	录像	事件警报+佐证视频片段

重要的是,这一转变并不是重新安装摄像头的工程。在已安装CCTV的视频流之上叠加AI分析是通行做法,因此现有基础设施的相当一部分可以直接复用。换句话说,问题不再是"还要再买几台摄像头",而是"给已有的摄像头装上什么样的大脑"。

II. AI碰撞检测如何工作

AI碰撞检测与危险区域检测大体由五个要素构成。与其说这些要素是彼此独立的功能,不如说它们更像一条将屏幕上的像素翻译为现场真实危险的流水线。

1. 目标识别 — 区分现场的"谁"与"什么"

AI模型在视频中区分并识别人员、叉车、托盘、卡车、AGV、起重机等工业现场的目标类型。它不是停留在"有东西动了"的层面,而是将"叉车"与"人"识别为不同的对象,因此可以制定针对特定目标的规则,例如"仅在叉车与人员靠近时报警"。

2. 相机视角校准(View Calibration) — 把像素换算成米

摄像头画面存在透视,画面上相同的像素距离,在不同位置对应的实际距离并不相同。为此,需要在画面上标定4个基准点并输入它们之间的实测距离,完成将像素距离换算为实际距离的校准过程。校准完成后,摄像头就不再只是一双"眼睛",而更接近一台测量距离的"测量设备"。

3. 基于实际距离的碰撞检测 — 100厘米的警戒线

完成视角校准后,即可设置基于实际距离的碰撞检测规则,例如"叉车与人员接近至100厘米以内即报警"。由于判断依据是以米为单位的真实距离而非画面上的重叠,即使在远离摄像头的位置,同样的标准也一样适用。

4. 危险区域(Restricted Area) — 画在屏幕上的虚拟围栏

在摄像头画面上绘制多边形,其内部即成为危险区域。在起重机下方、装卸区、设备周边等难以设置物理围栏的地方,同样可以建立虚拟边界,一旦检测到有人进入便立即报警。还可以设置仅在夜间或特定作业时段激活区域,灵活贴合现场的运营节奏。

5. 误报抑制 — 规则引擎+AI二次校验

再精准的检测,如果误报频发,最终也会被置之不理。因此,在规则引擎一次判定的基础上,由视觉语言模型(VLM)对场景再做一次研判的二次校验方式正在业界逐步普及,用以过滤并非真实危险的画面。ORBRO的AI Event Manager同样采用了这一架构:只有经VLM再次确认规则引擎判定结果的警报才会发出。因为决定一套安全系统寿命的,不是警报的数量,而是警报的可信度。

III. 摄像头与RTLS — 互补盲区的两种感官

视觉AI并非万能。摄像头存在盲区,也受夜间、逆光等照度条件的限制。填补这一空白的,是基于标签的实时定位系统,即RTLS。佩戴在作业人员和设备上的标签,不受照明条件影响,即使隔着墙也能上报位置。

反过来,RTLS也有自己的盲区。无法配发标签的外部访客、合作方车辆、进场物料,在基于标签的系统中是不可见的。而捕捉它们的,正是摄像头。将视觉(视觉AI)与位置(RTLS)这两种感官叠加在同一个监控画面上,单靠任何一方都会漏掉的危险便会显现出来。例如,佩戴标签的作业人员走进摄像头盲区后,位置依然被持续追踪;而没有标签的外部车辆驶入装卸区时,则由摄像头及时发现。如果您想了解RTLS的工作原理,可以在ORBRO RTLS介绍页面查看更多详情。

IV. 引入时的考量要点

1. 摄像头视场角·安装高度·照度

检测质量始于摄像头能看到什么、看得多清楚。首先要确认视场角和安装高度是否充分覆盖监控区域,夜间和逆光时段的照度是否有保障。

2. 视角校准的精度

将像素换算为实际距离的校准精度,直接决定距离计算的质量。如果基准点实测马虎了事,"100厘米接近警报"实际就会在别的距离触发。这是初始设置阶段最值得下功夫的环节。

3. 警报疲劳管理

如果所有事件都以同样的强度通知,现场用不了多久就会把警报关掉。需要按区域、按目标分别设置规则,并将"仅在画面上显示的事件"与"立即推送通知的事件"区分开来。即使通知数量减少,只要留下的每一条都有意义,安全反而更加牢固。

4. 既有CCTV基础设施能否复用

已安装摄像头的视频流能否直接用于分析,会显著影响引入成本和施工范围。建议将现场划分为可复用区域和需要新装的区域,分别规划。

结语

在叉车与人相遇之前进行干预——AI碰撞检测的目的可以浓缩为这一句话。给现场已有的摄像头装上一双不知疲倦的眼睛,通过基于实际距离的规则和二次校验,只留下值得信赖的警报。这就是把曾经只是记录设备的CCTV,转变为工业安全系统的方法。与其说是新增安全设施,不如说是让已有的设施真正发挥作用。

ORBRO以两款产品的组合提供这一方案。AI Event Manager在边缘端以单一产品完成本文所述的目标识别、视角校准、基于实际距离的碰撞检测和VLM二次校验,检测到的事件则统一呈现在数字孪生监控平台ORBRO OS上。在同一个画面中同时查看摄像头捕捉到的危险与RTLS追踪的位置——将RTLS与视觉AI融为一体的整合能力,正是ORBRO切入工业安全的方式。如果您想了解贵现场的摄像头还能做到什么程度,欢迎咨询ORBRO。