后厨 AI 识别本地化部署,听上去是一个技术选择,实际是一串很具体的问题:算法跑在哪台机器上、视频流出不出内网、模型谁更新、误报谁去调、硬件坏了谁上门。后厨 AI 识别本地化部署要先问算法授权、再算算力规格、最后定运维责任,三样都落在纸面上才算可交付。
常见的踩坑路径是这样的:先看厂商带来的样板视频,画面干净、光线充足,识别很准;换到自己后厨,蒸汽、油烟、逆光、夜间补光,误报每天几十条,一个月后没人再看报警。问题不在算法不行,在于样板条件与现场条件差太远,而验收标准是按样板定的。

要留的有四样:视频流、抓拍图片、识别结果、模型文件。视频流不出内网,意味着分析必须在内网完成,云端只做必要的管理数据同步;抓拍图片与识别结果存在本地服务器,按留存要求定期清理;模型文件放在本地,才能离线运行。
边界要写清楚:是全部视频本地分析,还是只把关键点位的视频拉进分析服务器;管理端在云端、分析在本地,还是两端都在本地。混着做最容易出问题:管理端在云上、视频在本地,网络一断,云上看不到任何东西,现场还以为摄像头坏了。
识别项要逐条列,不要只写 AI 识别。常见的有未戴口罩、未戴工作帽、吸烟、玩手机、动火离人、垃圾桶未盖、地面积水、鼠患迹象,每一项都要说明判定条件与适用范围,比如是否区分后厨与前厅、是否区分白天与夜间。
授权方式问三句:算法是整套授权还是按点位授权,识别项能不能单独增补,模型多久更新一次、更新由谁执行。误报处理也要落到人:谁负责调阈值、几天内响应、误报会不会自动学习。只承诺识别项数量,不谈误报与更新,用半年就会变成一堆没人看的报警。
算力要按视频路数估,而不是按摄像头台数。同样一路视频,分辨率与帧率不同,占用差别很大;开启的识别项越多,单路消耗越高。可行做法是让厂商给出每路视频在指定分辨率与识别项组合下的资源占用,再按点位数量与扩容预留估算整机规格。
形态上分两种:边缘盒子放在食堂,一路到几路,部署简单、单点故障影响小;服务器放在机房,集中分析多路,扩容方便但依赖网络。食堂分散、网络不稳的优先盒子;食堂集中、点位多的服务器更划算。散热与供电常被忽略,后厨环境温度高,盒子装在弱电间要留通风。
安装调试的责任要写明:谁负责布线、谁配置点位、谁把识别区域画准。调参是长期活,营业时段变化、人员更替、设备移位都会影响识别效果,运维条款里要写清调参的响应方式与频次,别默认包含在年度服务里。
故障处理分两级:本地设备离线、画面异常由现场先自查电源与网络,再报厂商;算法误报、模型异常由厂商远程或上门处理。断网时要有降级方案:本地继续分析并缓存结果,网络恢复后补传,而不是整段空白。
后厨 AI 方案在部署前先出评估清单,把算法授权、算力规格、运维责任逐条对齐,再谈装多少点位:识别项按点位启用并划定生效区域与时段,盒子和服务器两种形态视频不出内网,抓拍与违规画面带时间、点位、处理人一并留存,预警分级推送、超时升级,模型更新与调参响应写进交接清单。
不一定,取决于点位数量与用几年。点位少、只跑两三个识别项,云化前期投入更低;点位多、要长期运行、视频不宜出内网,本地化的一次硬件投入摊到多年反而更可控。比较时把硬件、算法授权、运维三块放在同一口径里算。
看部署形态。分析在本地盒子的,断网仍可识别与抓拍,结果缓存在本地,恢复后补传;纯云端分析的,断网即停,只能靠摄像头本地录像事后回看。选型时把断网降级方案写进合同,比只听支持离线可靠。
看算法授权与模型能力。已授权的识别项可以自行开关与划区;新增识别类型通常要做模型定制,涉及样本采集、训练与验证,周期与费用另计。谈判时把可增补的范围与条件写清,避免上线后每加一项都要重新立项。
本地化部署值不值,看一个月后还有多少人在看报警。没人看,说明误报没压下来,硬件装得再好也白费。
后厨条件、网络环境与识别需求不同,可先安排免费现场调研,确认点位与算力需求,再获取定制化建设方案与报价。