两架无人机飞同一片场站，挂同样的载荷，拍回同样数量的影像。第二天早上，一套系统交出两百多条缺陷记录，每条带组件编号、带缺陷等级、带置信度、带原图位置；另一套只交出了一堆按日期命名的视频文件夹。这就是 AI 识别中台存在的意义——飞机决定你能看到什么，识别引擎决定你能率先完成对体量庞大的影像分析。
一、识别中台不是「一个大模型」，是四层闭合体系
很多方案把 AI 说成神秘黑盒，似乎把它放进系统就能识别所有问题。但真实的识别中台是一套覆盖样本管理 → 模型训练 → 推理部署 → 结果复核与数据回流的算法生产系统：
- 样本层 — 影像按行业、场景、机型、光照条件归档，标注数据可追溯；
- 训练层 — 基于 YOLO 5+ 体系构建，支持模型上传、版本控制、自动评测；
- 推理层 — 模型导出标准 ONNX 格式，可云端推理，也可边缘推送到机巢或边缘盒子就地推理；
- 复核层 — 识别结果进入人工复核台，确认后才生成工单，复核结论反馈样本库。
四层闭合，算法才会「越用越准」。平台内置 6 大行业算法包：光伏 12+、电力 18+、城管 33+、应急 30+、水利 15+、交通 25+。
二、算法是怎么炼成的：五道工序，不是一次采购
第一道 样本入库 — 客户场站的影像按行业、场景、机型、季节、光照归档；这一步最枯燥，也最决定上限——样本里没有的情况，模型永远学不会；
第二道 标注 — 分类、检测框、多边形分割、关键点，不同缺陷用不同标注方式：销钉用关键点，树障用多边形，热斑用分割掩膜；
第三道 训练 — 基于 YOLO 5+ 体系，按场景分模型而不是做一个「万能模型」；西北戈壁的组件成像、东南沿海的盐雾环境、山区线路的逆光条件，分开训练的效果远好于混在一起；
第四道 评测 — 不看一个总的准确率，而是分场景、分光照、分机型看漏检与误检；一个总体 95% 的模型，在逆光样本上可能只有 70%，而逆光恰恰是线路巡检的常态；
第五道 部署与回流 — 模型导出 ONNX，推到边缘设备就地推理减少回传带宽；上线后每一次人工复核的结论都回流成新样本，进入下一轮训练。
这条产线最实际的价值是：客户可以用自己的数据训练自己的模型。你的电站有特定鸟类、有季节性积灰、有固定遮挡物；你的线路穿越覆冰区、盐雾区、采空区——这些都不是通用模型的强项。
三、落地要过的三个工程难点（算法演示都很好看，到现场是三道坎）
- 小目标 — 销钉、螺栓、锁紧销、防振锤位移量在影像里都是几十甚至十几个像素；业界做法是提高输入分辨率、切图推理、多尺度融合，但真正的解法在采集端：让目标在原始影像里占够像素。算法不能凭空造出信息。
- 样本不平衡 — 一个场站一年可能只出现几十处真实缺陷，却产生几万张正常影像；正负样本比例悬殊，模型很容易学成「全部判正常」——准确率 99%，漏掉的全是要紧的。工程上用难例挖掘、定向合成、迁移学习来缓解，但没有一劳永逸的解。
- 误检与漏检的取舍 — 两个指标天然对立：阈值调宽，漏检少、误检多；调窄，反过来。电力与光伏场景里，漏检的代价远大于误检——漏一处引流板过热，可能是一次跳闸；多报十处可疑点，无非是复核员多看十分钟。所以阈值整体偏「宽」，再用人工复核把误报收敛掉。
这也解释了为什么算法不能直接开单——如果识别结果直接生成工单派到班组，运维人员一天之内就会被误报淹没，然后开始不信任系统。这是很多 AI 项目死掉的方式，不是算法不准，是流程设计错了。
四、人工复核三步法：判断权在人手里
第一步 AI 初筛，几千张影像先过一遍模型，把可疑帧挑出来，附上坐标、类别、置信度；第二步 三视图复核，审核员在同一屏上看原图 + 红外图 + GIS 地图三个视图——在红外上发现一处热点，可以一键切到同机位的可见光图，确认是哪个部件、哪颗螺栓；再切到地图，确认是哪一基塔、哪一相；第三步定级与派单，复核员打标签、定等级（危急、严重、一般），确认后才生成工单。处置完成拍照回传，系统复核归档。
这条链路的意义不只是准确率，而是责任边界清晰：算法负责「找」，人负责「判」，系统负责「记」。出了问题是哪一环的问题，台账上写得清楚。