自动扶梯监控这个方向以前大家聊的都是“加装几个摄像头看画面”但这几年越来越多的项目开始提“AI图像识别”“智能预警”“安全联动”。真正做过的人都知道图像识别看人摔倒、逆行这些事技术上早就不是瓶颈瓶颈在于识别出来之后系统凭什么敢去动作敢不敢直接停梯。这里牵扯到的功能安全、安全标准、可靠性验证才是整个系统能不能真正落地、过检、稳定运行的关键。我这两年陆续参与过几个商场和交通枢纽配套的扶梯智能监控项目从需求澄清、方案设计、算法训练到现场验收都摸了一遍。这篇文章就按我实际走过的路子把整套系统的架构、算法、现场实施和标准要求串起来讲透重点放在一个容易被忽略的交叉点上AI图像识别和功能安全到底怎么共存安全标准在这个场景下到底卡在哪里。1. 自动扶梯为什么需要“AI安全”双轮驱动1.1 扶梯事故的真实场景和传统方案的局限自动扶梯的风险点和垂直电梯不一样它是一个持续运转的开放设备乘客可以随时走上走下而且出入口、梳齿板、梯级过渡区域都存在风险。常见的事故类型我归纳下来基本是这几类乘客在梯级上摔倒、老人和儿童重心失控、乘客逆行往下跑、携带大件行李或婴儿车上下梯、人群中发生拥挤推搡以及个别乘客的危险攀爬行为。传统方案其实已经做了很多年。扶梯本身带有一套安全部件包括紧急停止按钮、梳齿板异物保护、梯级塌陷监测、驱动链断链保护、超速和逆转保护这些属于电梯行业成熟的安全装置。但它们的共同特点是只能检测“危险已经发生”的状态比如梳齿板卡了异物、梯级塌了系统才停梯而乘客在梯级中段摔倒、逆行、想爬上去这种“即将出事”的状态传统机械安全装置是完全看不见的。后来很多项目加装了光栅、红外对射、单向闸门想拦住逆行和夹人风险。但光栅类设备在现场的实际表现其实一般一是安装位置和扶梯金属结构容易冲突二是对光线、灰尘、雨雾敏感三是大面积光栅误报太多维保人员最后直接把联动功能切掉的不在少数。所以单靠这类“物理触碰式”的方案解决不了“语义级”的监控问题。1.2 AI图像识别补的是“看得懂”而不是“碰得到”图像识别跑在这个场景里核心能力是把“画面内容”转成“语义信息”。同样是抓拍到一个人传统视频监控只能告诉你“这里有东西在动”AI能告诉你“这是一个摔倒的人躯干已经大概率着地正在梯级上向后滑”。这就是从“探测”到“理解”的差别也是整个监控系统智能化水平提升的关键。在项目里我们用AI主要做四件事乘客摔倒检测、逆行检测、拥堵/人群密度估计、携带大件物品识别。这四类信息和扶梯安全运营的关联度最高。比如逆行一旦有人在梯级上快速掉头或往下冲AI应该在1秒以内锁定该目标再结合轨迹方向触发预警比如摔倒如果能做到摔倒后立即联动扶梯停机很多重伤害是可以避免的。不过也正是因为AI有一套“概率思维”它和功能安全那套“确定性思维”天然会有冲突。这个冲突不是能不能识别的问题而是信不信任的问题。后面我会专门讲。1.3 一个容易被忽视的事实AI不能直接替安全回路我刚做这个方向时也天真地以为模型识别到摔倒就马上输出急停信号方案就算闭环了。后来被现场的老师傅和安全工程师反复教育才明白如果AI信号直接接入安全回路那AI这个模块本身就变成了安全相关部件它必须满足功能安全标准里对可靠性和确定性的一系列要求。目前的行业现状比较复杂。多数公共场合的扶梯监控项目实际落地时AI更多承担的是“加强版预警”角色真正停车这个动作仍然由扶梯原有安全回路完成。少部分项目尝试做自动急停联动但前提是整个链路要重新做安全完整性评估摄像头、算法、执行机构、接口逻辑都要纳入被考量范围一定程度上是这套方案最麻烦的地方。2. 系统架构从感知到执行一条链路分成两套逻辑2.1 感知层摄像头怎么选装在什么位置先说硬件选型。我踩过的坑是最开始为了省钱用了普通网络摄像头结果在扶梯出入口这种逆光场景里画面过曝到连人都看不清。后来全部换成工业级POE摄像头支持宽动态和低照度增强分辨率1080p起步帧率25fps镜头焦距根据安装距离选4mm或者6mm监控一个梯口足够了。安装位置建议分三路覆盖上出入口、中间斜段、下出入口。中间斜段主要捕捉摔倒行为因为摔倒多数发生在梯级中段上下出入口主要负责逆行、拥堵和携带大件识别。安装高度要高于扶梯扶手带一米以上镜头向下俯视这样虽然看不清人脸但能完整看到人体轮廓不会因为遮挡漏掉关键姿态。这里分享一个实操数据摄像头离梯级的水平距离建议控制在3到5米俯视角度在30到45度之间。这个角度下人体关键点检测的效果最稳定太正了会丢失高度信息太斜了会把两个乘客叠在一起。推荐配置如下表我是按“一台扶梯三路摄像头一台边缘计算设备”的方式做整梯覆盖的项目推荐配置原因说明分辨率1920×1080兼顾小目标识别和带宽帧率25fps采集5~10fps推理降低算力压力行为判断依然够用宽动态开应对出入口逆光接口POE供电RTSP输出施工方便兼容性好防护等级IP66扶梯环境灰尘大可能受雨淋2.2 识别层检测、跟踪、行为判断三层分开一套扶梯AI识别算法我习惯拆成三个子模块目标检测、目标跟踪、行为判断。这样结构清晰后续调试某一个模块的时候不会牵一发动全身。目标检测负责把人找出来。项目里我们对比过YOLOv5、YOLOv7和YOLOv8最终选用YOLOv8主要原因不是精度差多少而是部署生态稳定TensorRT加速做起来顺手在Jetson边缘设备上跑一个检测线程很轻松。目标跟踪用的是ByteTrack加改进的DeepSORT策略因为我们要的不只是“有人在”而是要“这个人是同一个人的连续轨迹”。行为判断模块再基于跟踪到的姿态序列做分析判定摔倒还是逆行还是静止站立。跟踪质量直接决定误报率。比如一个人从梯级A走到梯级B因为检测中断导致ID切换就可能出现“凭空消失又出现”的轨迹如果是逆行判断这种ID切换最容易出问题。所以我在做这个系统时特意在跟踪模块里加了外观特征和位置预测的双重匹配宁可容忍少部分漏跟也要保证目标ID足够稳定。2.3 决策与输出层分级告警而不是一把抓很多工程团队一上来就要“识别到摔倒就急停”我一般会拦一下。AI识别天然不是100%准确你把所有识别结果都做成急停结果就是一天几十次误停乘客以为扶梯坏了物业电话被打爆最后维保把这个功能直接停用。合理的设计是分级输出。我们在项目里把输出分成三级提示级识别到乘客逆行苗头或拥堵趋势系统只在本地记录可联动扶梯口LED屏显示“请握好扶手”之类的公共提示不产生任何电气输出。预警级确认某乘客已经摔倒或已经逆行走上梯级系统向监控室推送画面截图和短视频由值守人员复核。动作级只有当多重条件同时满足比如摔倒姿态持续数秒、目标没有起身迹象、现场还伴随其他异常时才输出一个开关量信号到安全回路触发扶梯减速或停止。这个三级模式的工程价值在于识别系统有足够的容错空间同时关键事件又能被及时响应。监控室配置人员的情况下预警级已经能覆盖绝大多数风险而动作级虽然存在但触发条件非常严格避免AI单帧误判导致的安全风险和运营风险。2.4 安全输出硬接点和安全继电器怎么接如果项目确实要求AI联动停梯输出端必须按功能安全的思想来设计不能直接把边缘设备的一个GPIO接到接触器上就完事。我的做法是增加一个安全PLC或者安全继电器作为中间层。AI设备输出一个24V开关量给安全PLC的输入安全PLC再按预先设置好的逻辑去控制扶梯主控柜的紧急停止回路。这个环节有几个细节要特别注意双通道关键安全信号应至少用两路独立输出传输一路主信号、一路反馈校验避免单点断路或短路导致误动作或拒动作。失电安全原则安全PLC的输出采用“得电保持、失电断开”逻辑任何电源故障、通信故障都自动进入安全状态。接地和隔离边缘计算设备的电源和扶梯控制系统电源之间要隔离防止浪涌干扰。现场曾经遇到过一次工控机电源模块纹波过大直接打坏了安全PLC输入口的惨痛教训。3. 核心算法选型与关键参数设计3.1 摔倒检测关键点序列才是可靠特征摔倒检测不能只靠“人躺到地上了”这一个瞬间判断不然摔倒的慢动作、蹲下系鞋带、小孩在地上爬都会被当成摔倒。我们要的是从时序上看“这个人是不是正在发生一个失控的动作过程”。我们采用的方案是姿态估计加几何特征序列。先通过MNN或TensorRT部署轻量级姿态模型提取人脸的头部、双肩、胯部、双膝等关键点然后计算两个几何特征人体质心高度占整幅图像的高度比例以及躯干轴线与垂直方向的夹角最后丢进一个单层LSTM或规则引擎里做时序分类。判定条件我写死了三条同时满足才认为发生摔倒事件躯干倾斜角从小于20度切换到大于60度且持续时间超过400毫秒质心高度在6到7帧内快速下降下降比例超过30%摔倒后目标中心有持续向梯级下方滑动的位移说明是“带惯性倒下”而不是主动下蹲。这套组合条件比较实用误报率明显低于单纯用YOLO框体态比例变化的方案因为框体姿态变化容易受画面缩放影响而关键点角度相对稳定。不过摔倒样本毕竟是罕见样本单靠公开数据集往往不够后面我会专门讲样本问题。3.2 逆行、拥堵和携带大件识别的另类思路逆行检测我们试过两种路线光流法和轨迹方向法。光流法实现简单但扶梯本身的梯级一直在向下运动整个背景都在动光流方向会把“背景运动”和“目标真实运动”混在一起很容易误报。最终采用的是“目标轨迹方向扶梯运动方向对照”的方案先利用跟踪模块得到目标在世界坐标系的移动方向再对比扶梯固有的梯级运动方向夹角超过90度就判定为逆行。拥堵检测更适合用Density Map回归把人群密度映射成数值根据扶梯额定承载能力设定阈值。比如一台名义载重15人的扶梯局部拥挤超过12人时触发预警提示工作人员关注防止踩踏推挤。携带大件物品识别其实优先级没那么高但它能很好辅助摔倒判断。很多摔倒误判都来自乘客抱着大件行李猫腰走路看起来像失控前兆。在摔倒逻辑里加一个“目标外接框面积是否异常增大”的元信息能有效排除这类情况。3.3 帧率、延迟和准确率的工程平衡算法调优不是只盯着准确率实时性才是智能监控系统的生命线。我在项目中用的推理策略是检测模型按5到10fps跑关键点模型按5fps跑时序判断在缓存最近1秒特征的前提下运行。这样设计的好处是边缘设备的功耗和算力可以压得很低同时人摔倒整个过程大约会持续1到2秒即便5fps采样也能抓到4到6个有效关键点帧完全足够判断。延迟指标可以定成硬性要求跌倒事件从发生到输出预警小于1.2秒到输出硬接点信号小于1.5秒。这个延迟包括摄像头上送、推理、判定和继电器动作实测下来调到这个水平是不难的。准确率方面我们给自己定的目标是摔倒识别召回率不低于95%误报每天每梯不超过1次。达不到就先不放开动作级联动。3.4 样本集和训练迭代比调参更费时最后聊一个很实在的问题数据从哪里来。摔倒样本在真实运营中是低频事件不可能每天踩点采集。我的办法是三步走公开数据集打底用公开跌倒数据集、行人行为数据集做预训练让模型先具备基础能力。靶场模拟采集在项目现场或模拟扶梯上让人穿戴护具按不同速度、不同姿态摔倒录制白天、晚上、逆光、顺光各种条件的数据。这个过程一定要配合现场环境因为扶梯的金属围裙板反射、梯级花纹走向都会影响关键点提取。影子模式滚动迭代系统上线后先不联动停梯只做实时记录每天收集返回的badcase标注后加入训练集每两周重训练一次。大概跑一个月误报率能明显降一个台阶。这里还要特别强调标注规范要提前定好。比如“摔倒”必须在标注里明确是“从站立到失控跌落的完整过程”不能把已经坐在地上的姿势单独标成摔倒事件不然模型会学成“见人就判”。4. 功能安全标准SIL、PL、Cat这些词到底怎么落地4.1 标准体系先梳理清楚哪个管哪段做扶梯智能监控绕不开以下标准它们的管辖范围不一样一定要区分清楚IEC 61508是功能安全基础标准覆盖电气、电子、可编程电子安全相关系统可以看作是所有安全标准的“母标准”它定义了SIL1到SIL4四个安全完整性等级。IEC 62061是机械安全领域的功能安全标准主要面向机械设备安全控制系统等级同样按SIL划分机械行业一般用到SIL3。ISO 13849-1是控制系统安全相关部件标准它用性能等级PLa到e来划分可靠性同时定义了架构类别Cat B、1、2、3、4平时常说的“Cat 3/PL d”就来自这个标准。GB 16899是专门针对自动扶梯和自动人行道的制造与安装安全规范国内扶梯检验以此为主。这几个标准不是相互替代的关系而是不同接口。做扶梯控制系统时如果按机械方向认证通常选ISO 13849的PL体系如果按可编程电子系统方向走就选IEC 62061的SIL体系。二者在风险图谱上有对应关系但实现逻辑不完全一样项目上不建议混着用。我整理了PL和SIL的常见对应关系供参考性能等级PL每小时危险失效概率PFHd大致对应SILPL a高无对应PL b高无对应PL c中SIL1PL d低SIL2PL e极低SIL34.2 AI模块能不能进安全回路标准角度的现实答案这是整个项目最需要说透的一点。从功能安全标准角度看安全相关部件需要具备确定性、可验证性和可量化失效概率。而当前主流AI模型尤其是深度学习模型它的决策过程存在不确定性训练数据覆盖度无法证明到“所有工况都不会漏判”这正好踩在功能安全哲学的“不能证明即不能信”上。所以目前行业里实际落地的架构基本是两种AI作为非安全相关辅助系统AI识别结果只用于报警和记录不影响安全功能。这种情况下AI模块不强制要求SIL/PL等级整个系统也最容易合规。AI作为检测层输入但由已验证的安全逻辑兜底AI给出“疑似摔倒”信号后系统进入延时确认状态如果确认信号在设定时间内持续存在才由符合SIL/PL要求的安全PLC完成停机动作。这个方案下AI承担的是“前置感知增强”但安全动作本身依然由已认证部件执行。我在实际项目中基本只采用这两种中的一种强烈不建议把AI模型直接做成安全功能唯一的来源。这不是保守而是把风险留给最薄弱的环节本身就是不负责任的做法。4.3 安全需求书怎么写验收才会顺讲点实操。无论项目大小我都会要求先写一版《扶梯智能监控系统安全需求书》内容不需要写到天书级别但至少明确这几项触发场景定义什么事件、达到什么条件才允许输出动作信号响应时间要求从事件发生到动作输出上限是多少失效模式要求断电、断网、模型置信度低、摄像头被遮挡时系统分别应进入什么状态接口定义AI模块和安全PLC之间的信号电平、协议、电缆冗余要求验证方法采用模拟测试还是实梯测试测试样本量多少。这份需求书的价值在于它把“AI要做得多好”和“安全要做到多稳”这两个原本各自为战的目标拉到同一张桌面上对齐。我见过太多项目算法团队自己定阈值安全工程师不知道最后验收时被打回重做。需求书写在前面能省一个月联调时间。5. 现场实施与联调踩坑实录5.1 摄像头安装角度和调整手法现场装摄像头最大的影响因素其实是扶梯顶部玻璃围栏和金属装饰反光。我第一次装的时候摄像头的视野里有一大片反射光白天人物和反光叠在一起检测框来回跳跟丢了无数次。调整思路是安装遮阳罩、调整镜头角度避开正对反射区同时在相机里把曝光区域锁定在扶梯梯级区域不做全画面自动曝光。实践下来中间斜段摄像头视野里尽量只保留“扶手带梯级乘客”上下出入口保留“入口平台梳齿板区”这样背景干扰最少。5.2 光线变化、玻璃反光和灰尘处理扶梯环境最典型的干扰源有三个阳光直射早晨和傍晚斜射光会把影子拉得很长阴影里的人体形状和摔倒姿势高度相似。我在某次项目里有过惨痛教训一天误报八次排查到最后全是阳光影子。解决方案是减少对“静态姿态”的依赖强化对“动态过程”的判定同时把影子区域的对比度拉低让模型不容易把暗色区域当人形轮廓。玻璃顶棚反光中庭商场尤其常见。处理手段是摄像头加偏光镜同时找角度让镜头中轴线与玻璃面的反射角错开。灰尘和油污扶梯出入口油烟、灰尘多镜头半个月不擦画面就发白。现场应该把摄像头擦拭纳入维保作业单同时用图像清晰度评估做自动检测画面模糊超阈值就联动报警提醒保洁或维保。5.3 与扶梯控制柜的接线和信号联调安全联动接线是整个项目里最高危的环节。操作前必须断电挂牌和电梯维保单位共同确认控制柜图纸后再动线。我的接线原则是所有安全相关信号线单独穿管远离动力电缆避免电磁干扰24V电源从安全PLC专用端子取电不与其他设备共用信号线接头全部用压接端子严禁直连缠绕。联调阶段要做一个“信号回环测试”人为触发AI输出观察安全PLC输入端是否收到信号再从安全PLC输出端给模拟信号确认扶梯可以正常停车。两个环节分开测试可以快速定位到底是AI设备输出有问题还是安全回路接线有问题。5.4 智能化系统上线后的持续监控系统上线不等于结束。我会刻意保留一个远程运维通道每天自动检查各台摄像头的在线状态、推理服务健康度、模型核心指标的漂移情况。模型需要持续迭代因为不同季节光线、不同客流密度都会让数据分布发生变化。如果发现某台扶梯的误报率曲线上升就要去查该点位数据大概率是现场环境变了而不是算法本身出了大问题。6. 常见故障与排查技巧速查表项目交付后整理一份故障排查表给运维和维保团队能让很多初级问题不过夜。我把现场踩过的坑汇总成下面的速查表都是实际遇到过且排查友好的问题故障现象可能原因排查思路频繁误报“摔倒”阳光影子、乘客长时间蹲姿、儿童爬行先看触发时段检查该时段快照弱化静态姿态判定增加时序判定条件漏报真摔倒单摄像头视角遮挡、光照过暗增加中间斜段覆盖检查相机低照度设置调高关键点模型置信度下限画面拖影、卡顿网络带宽不足或边缘设备负载过高降低推理帧率、限制同时分析的ROI区域数量夜间误报增多低照度下模型泛化差增加补光优化夜间数据训练提高检测阈值但保证召回硬接点信号偶尔不触发信号线连接松动或者PLC输入点抖动检查压接端子在安全PLC程序中加输入滤波时间摄像头画面模糊但报错不明显灰尘油污覆盖镜头用清晰度监测算法报警安排清洗维护我在项目里还总结了一个“双确认”的排查习惯遇到任何一个误报或漏报第一件事不是改算法参数而是先把触发前后的视频回放找出来人工过一遍。因为算法误报只是表象根因往往是环境设定、追踪断裂、光照变化等只有人工复核才能定位到真实原因。这个习惯帮我们少走了很多弯路。做这个项目到今天我最大的体会就是AI图像识别和功能安全之间没有谁取代谁的关系而是各自守好各自的边界。AI负责把“看得懂”这个能力发挥到极致功能安全负责把“停得稳”这个底线做扎实中间用清晰的分级阈值和冗余回路衔接起来。这套系统后续还可以继续往梯级异物掉落、扶手带速度异常检测、乘客携带电动车电池的识别预警等更多场景扩展算法框架和安全架构都可以复用。但无论扩展多少场景有一条原则不会变凡是涉及乘客安全的动作必须用经过验证的确定性逻辑来兜底这一点再多的数据和算力也替代不了。
自动扶梯监控这个方向以前大家聊的都是“加装几个摄像头看画面”但这几年越来越多的项目开始提“AI图像识别”“智能预警”“安全联动”。真正做过的人都知道图像识别看人摔倒、逆行这些事技术上早就不是瓶颈瓶颈在于识别出来之后系统凭什么敢去动作敢不敢直接停梯。这里牵扯到的功能安全、安全标准、可靠性验证才是整个系统能不能真正落地、过检、稳定运行的关键。我这两年陆续参与过几个商场和交通枢纽配套的扶梯智能监控项目从需求澄清、方案设计、算法训练到现场验收都摸了一遍。这篇文章就按我实际走过的路子把整套系统的架构、算法、现场实施和标准要求串起来讲透重点放在一个容易被忽略的交叉点上AI图像识别和功能安全到底怎么共存安全标准在这个场景下到底卡在哪里。1. 自动扶梯为什么需要“AI安全”双轮驱动1.1 扶梯事故的真实场景和传统方案的局限自动扶梯的风险点和垂直电梯不一样它是一个持续运转的开放设备乘客可以随时走上走下而且出入口、梳齿板、梯级过渡区域都存在风险。常见的事故类型我归纳下来基本是这几类乘客在梯级上摔倒、老人和儿童重心失控、乘客逆行往下跑、携带大件行李或婴儿车上下梯、人群中发生拥挤推搡以及个别乘客的危险攀爬行为。传统方案其实已经做了很多年。扶梯本身带有一套安全部件包括紧急停止按钮、梳齿板异物保护、梯级塌陷监测、驱动链断链保护、超速和逆转保护这些属于电梯行业成熟的安全装置。但它们的共同特点是只能检测“危险已经发生”的状态比如梳齿板卡了异物、梯级塌了系统才停梯而乘客在梯级中段摔倒、逆行、想爬上去这种“即将出事”的状态传统机械安全装置是完全看不见的。后来很多项目加装了光栅、红外对射、单向闸门想拦住逆行和夹人风险。但光栅类设备在现场的实际表现其实一般一是安装位置和扶梯金属结构容易冲突二是对光线、灰尘、雨雾敏感三是大面积光栅误报太多维保人员最后直接把联动功能切掉的不在少数。所以单靠这类“物理触碰式”的方案解决不了“语义级”的监控问题。1.2 AI图像识别补的是“看得懂”而不是“碰得到”图像识别跑在这个场景里核心能力是把“画面内容”转成“语义信息”。同样是抓拍到一个人传统视频监控只能告诉你“这里有东西在动”AI能告诉你“这是一个摔倒的人躯干已经大概率着地正在梯级上向后滑”。这就是从“探测”到“理解”的差别也是整个监控系统智能化水平提升的关键。在项目里我们用AI主要做四件事乘客摔倒检测、逆行检测、拥堵/人群密度估计、携带大件物品识别。这四类信息和扶梯安全运营的关联度最高。比如逆行一旦有人在梯级上快速掉头或往下冲AI应该在1秒以内锁定该目标再结合轨迹方向触发预警比如摔倒如果能做到摔倒后立即联动扶梯停机很多重伤害是可以避免的。不过也正是因为AI有一套“概率思维”它和功能安全那套“确定性思维”天然会有冲突。这个冲突不是能不能识别的问题而是信不信任的问题。后面我会专门讲。1.3 一个容易被忽视的事实AI不能直接替安全回路我刚做这个方向时也天真地以为模型识别到摔倒就马上输出急停信号方案就算闭环了。后来被现场的老师傅和安全工程师反复教育才明白如果AI信号直接接入安全回路那AI这个模块本身就变成了安全相关部件它必须满足功能安全标准里对可靠性和确定性的一系列要求。目前的行业现状比较复杂。多数公共场合的扶梯监控项目实际落地时AI更多承担的是“加强版预警”角色真正停车这个动作仍然由扶梯原有安全回路完成。少部分项目尝试做自动急停联动但前提是整个链路要重新做安全完整性评估摄像头、算法、执行机构、接口逻辑都要纳入被考量范围一定程度上是这套方案最麻烦的地方。2. 系统架构从感知到执行一条链路分成两套逻辑2.1 感知层摄像头怎么选装在什么位置先说硬件选型。我踩过的坑是最开始为了省钱用了普通网络摄像头结果在扶梯出入口这种逆光场景里画面过曝到连人都看不清。后来全部换成工业级POE摄像头支持宽动态和低照度增强分辨率1080p起步帧率25fps镜头焦距根据安装距离选4mm或者6mm监控一个梯口足够了。安装位置建议分三路覆盖上出入口、中间斜段、下出入口。中间斜段主要捕捉摔倒行为因为摔倒多数发生在梯级中段上下出入口主要负责逆行、拥堵和携带大件识别。安装高度要高于扶梯扶手带一米以上镜头向下俯视这样虽然看不清人脸但能完整看到人体轮廓不会因为遮挡漏掉关键姿态。这里分享一个实操数据摄像头离梯级的水平距离建议控制在3到5米俯视角度在30到45度之间。这个角度下人体关键点检测的效果最稳定太正了会丢失高度信息太斜了会把两个乘客叠在一起。推荐配置如下表我是按“一台扶梯三路摄像头一台边缘计算设备”的方式做整梯覆盖的项目推荐配置原因说明分辨率1920×1080兼顾小目标识别和带宽帧率25fps采集5~10fps推理降低算力压力行为判断依然够用宽动态开应对出入口逆光接口POE供电RTSP输出施工方便兼容性好防护等级IP66扶梯环境灰尘大可能受雨淋2.2 识别层检测、跟踪、行为判断三层分开一套扶梯AI识别算法我习惯拆成三个子模块目标检测、目标跟踪、行为判断。这样结构清晰后续调试某一个模块的时候不会牵一发动全身。目标检测负责把人找出来。项目里我们对比过YOLOv5、YOLOv7和YOLOv8最终选用YOLOv8主要原因不是精度差多少而是部署生态稳定TensorRT加速做起来顺手在Jetson边缘设备上跑一个检测线程很轻松。目标跟踪用的是ByteTrack加改进的DeepSORT策略因为我们要的不只是“有人在”而是要“这个人是同一个人的连续轨迹”。行为判断模块再基于跟踪到的姿态序列做分析判定摔倒还是逆行还是静止站立。跟踪质量直接决定误报率。比如一个人从梯级A走到梯级B因为检测中断导致ID切换就可能出现“凭空消失又出现”的轨迹如果是逆行判断这种ID切换最容易出问题。所以我在做这个系统时特意在跟踪模块里加了外观特征和位置预测的双重匹配宁可容忍少部分漏跟也要保证目标ID足够稳定。2.3 决策与输出层分级告警而不是一把抓很多工程团队一上来就要“识别到摔倒就急停”我一般会拦一下。AI识别天然不是100%准确你把所有识别结果都做成急停结果就是一天几十次误停乘客以为扶梯坏了物业电话被打爆最后维保把这个功能直接停用。合理的设计是分级输出。我们在项目里把输出分成三级提示级识别到乘客逆行苗头或拥堵趋势系统只在本地记录可联动扶梯口LED屏显示“请握好扶手”之类的公共提示不产生任何电气输出。预警级确认某乘客已经摔倒或已经逆行走上梯级系统向监控室推送画面截图和短视频由值守人员复核。动作级只有当多重条件同时满足比如摔倒姿态持续数秒、目标没有起身迹象、现场还伴随其他异常时才输出一个开关量信号到安全回路触发扶梯减速或停止。这个三级模式的工程价值在于识别系统有足够的容错空间同时关键事件又能被及时响应。监控室配置人员的情况下预警级已经能覆盖绝大多数风险而动作级虽然存在但触发条件非常严格避免AI单帧误判导致的安全风险和运营风险。2.4 安全输出硬接点和安全继电器怎么接如果项目确实要求AI联动停梯输出端必须按功能安全的思想来设计不能直接把边缘设备的一个GPIO接到接触器上就完事。我的做法是增加一个安全PLC或者安全继电器作为中间层。AI设备输出一个24V开关量给安全PLC的输入安全PLC再按预先设置好的逻辑去控制扶梯主控柜的紧急停止回路。这个环节有几个细节要特别注意双通道关键安全信号应至少用两路独立输出传输一路主信号、一路反馈校验避免单点断路或短路导致误动作或拒动作。失电安全原则安全PLC的输出采用“得电保持、失电断开”逻辑任何电源故障、通信故障都自动进入安全状态。接地和隔离边缘计算设备的电源和扶梯控制系统电源之间要隔离防止浪涌干扰。现场曾经遇到过一次工控机电源模块纹波过大直接打坏了安全PLC输入口的惨痛教训。3. 核心算法选型与关键参数设计3.1 摔倒检测关键点序列才是可靠特征摔倒检测不能只靠“人躺到地上了”这一个瞬间判断不然摔倒的慢动作、蹲下系鞋带、小孩在地上爬都会被当成摔倒。我们要的是从时序上看“这个人是不是正在发生一个失控的动作过程”。我们采用的方案是姿态估计加几何特征序列。先通过MNN或TensorRT部署轻量级姿态模型提取人脸的头部、双肩、胯部、双膝等关键点然后计算两个几何特征人体质心高度占整幅图像的高度比例以及躯干轴线与垂直方向的夹角最后丢进一个单层LSTM或规则引擎里做时序分类。判定条件我写死了三条同时满足才认为发生摔倒事件躯干倾斜角从小于20度切换到大于60度且持续时间超过400毫秒质心高度在6到7帧内快速下降下降比例超过30%摔倒后目标中心有持续向梯级下方滑动的位移说明是“带惯性倒下”而不是主动下蹲。这套组合条件比较实用误报率明显低于单纯用YOLO框体态比例变化的方案因为框体姿态变化容易受画面缩放影响而关键点角度相对稳定。不过摔倒样本毕竟是罕见样本单靠公开数据集往往不够后面我会专门讲样本问题。3.2 逆行、拥堵和携带大件识别的另类思路逆行检测我们试过两种路线光流法和轨迹方向法。光流法实现简单但扶梯本身的梯级一直在向下运动整个背景都在动光流方向会把“背景运动”和“目标真实运动”混在一起很容易误报。最终采用的是“目标轨迹方向扶梯运动方向对照”的方案先利用跟踪模块得到目标在世界坐标系的移动方向再对比扶梯固有的梯级运动方向夹角超过90度就判定为逆行。拥堵检测更适合用Density Map回归把人群密度映射成数值根据扶梯额定承载能力设定阈值。比如一台名义载重15人的扶梯局部拥挤超过12人时触发预警提示工作人员关注防止踩踏推挤。携带大件物品识别其实优先级没那么高但它能很好辅助摔倒判断。很多摔倒误判都来自乘客抱着大件行李猫腰走路看起来像失控前兆。在摔倒逻辑里加一个“目标外接框面积是否异常增大”的元信息能有效排除这类情况。3.3 帧率、延迟和准确率的工程平衡算法调优不是只盯着准确率实时性才是智能监控系统的生命线。我在项目中用的推理策略是检测模型按5到10fps跑关键点模型按5fps跑时序判断在缓存最近1秒特征的前提下运行。这样设计的好处是边缘设备的功耗和算力可以压得很低同时人摔倒整个过程大约会持续1到2秒即便5fps采样也能抓到4到6个有效关键点帧完全足够判断。延迟指标可以定成硬性要求跌倒事件从发生到输出预警小于1.2秒到输出硬接点信号小于1.5秒。这个延迟包括摄像头上送、推理、判定和继电器动作实测下来调到这个水平是不难的。准确率方面我们给自己定的目标是摔倒识别召回率不低于95%误报每天每梯不超过1次。达不到就先不放开动作级联动。3.4 样本集和训练迭代比调参更费时最后聊一个很实在的问题数据从哪里来。摔倒样本在真实运营中是低频事件不可能每天踩点采集。我的办法是三步走公开数据集打底用公开跌倒数据集、行人行为数据集做预训练让模型先具备基础能力。靶场模拟采集在项目现场或模拟扶梯上让人穿戴护具按不同速度、不同姿态摔倒录制白天、晚上、逆光、顺光各种条件的数据。这个过程一定要配合现场环境因为扶梯的金属围裙板反射、梯级花纹走向都会影响关键点提取。影子模式滚动迭代系统上线后先不联动停梯只做实时记录每天收集返回的badcase标注后加入训练集每两周重训练一次。大概跑一个月误报率能明显降一个台阶。这里还要特别强调标注规范要提前定好。比如“摔倒”必须在标注里明确是“从站立到失控跌落的完整过程”不能把已经坐在地上的姿势单独标成摔倒事件不然模型会学成“见人就判”。4. 功能安全标准SIL、PL、Cat这些词到底怎么落地4.1 标准体系先梳理清楚哪个管哪段做扶梯智能监控绕不开以下标准它们的管辖范围不一样一定要区分清楚IEC 61508是功能安全基础标准覆盖电气、电子、可编程电子安全相关系统可以看作是所有安全标准的“母标准”它定义了SIL1到SIL4四个安全完整性等级。IEC 62061是机械安全领域的功能安全标准主要面向机械设备安全控制系统等级同样按SIL划分机械行业一般用到SIL3。ISO 13849-1是控制系统安全相关部件标准它用性能等级PLa到e来划分可靠性同时定义了架构类别Cat B、1、2、3、4平时常说的“Cat 3/PL d”就来自这个标准。GB 16899是专门针对自动扶梯和自动人行道的制造与安装安全规范国内扶梯检验以此为主。这几个标准不是相互替代的关系而是不同接口。做扶梯控制系统时如果按机械方向认证通常选ISO 13849的PL体系如果按可编程电子系统方向走就选IEC 62061的SIL体系。二者在风险图谱上有对应关系但实现逻辑不完全一样项目上不建议混着用。我整理了PL和SIL的常见对应关系供参考性能等级PL每小时危险失效概率PFHd大致对应SILPL a高无对应PL b高无对应PL c中SIL1PL d低SIL2PL e极低SIL34.2 AI模块能不能进安全回路标准角度的现实答案这是整个项目最需要说透的一点。从功能安全标准角度看安全相关部件需要具备确定性、可验证性和可量化失效概率。而当前主流AI模型尤其是深度学习模型它的决策过程存在不确定性训练数据覆盖度无法证明到“所有工况都不会漏判”这正好踩在功能安全哲学的“不能证明即不能信”上。所以目前行业里实际落地的架构基本是两种AI作为非安全相关辅助系统AI识别结果只用于报警和记录不影响安全功能。这种情况下AI模块不强制要求SIL/PL等级整个系统也最容易合规。AI作为检测层输入但由已验证的安全逻辑兜底AI给出“疑似摔倒”信号后系统进入延时确认状态如果确认信号在设定时间内持续存在才由符合SIL/PL要求的安全PLC完成停机动作。这个方案下AI承担的是“前置感知增强”但安全动作本身依然由已认证部件执行。我在实际项目中基本只采用这两种中的一种强烈不建议把AI模型直接做成安全功能唯一的来源。这不是保守而是把风险留给最薄弱的环节本身就是不负责任的做法。4.3 安全需求书怎么写验收才会顺讲点实操。无论项目大小我都会要求先写一版《扶梯智能监控系统安全需求书》内容不需要写到天书级别但至少明确这几项触发场景定义什么事件、达到什么条件才允许输出动作信号响应时间要求从事件发生到动作输出上限是多少失效模式要求断电、断网、模型置信度低、摄像头被遮挡时系统分别应进入什么状态接口定义AI模块和安全PLC之间的信号电平、协议、电缆冗余要求验证方法采用模拟测试还是实梯测试测试样本量多少。这份需求书的价值在于它把“AI要做得多好”和“安全要做到多稳”这两个原本各自为战的目标拉到同一张桌面上对齐。我见过太多项目算法团队自己定阈值安全工程师不知道最后验收时被打回重做。需求书写在前面能省一个月联调时间。5. 现场实施与联调踩坑实录5.1 摄像头安装角度和调整手法现场装摄像头最大的影响因素其实是扶梯顶部玻璃围栏和金属装饰反光。我第一次装的时候摄像头的视野里有一大片反射光白天人物和反光叠在一起检测框来回跳跟丢了无数次。调整思路是安装遮阳罩、调整镜头角度避开正对反射区同时在相机里把曝光区域锁定在扶梯梯级区域不做全画面自动曝光。实践下来中间斜段摄像头视野里尽量只保留“扶手带梯级乘客”上下出入口保留“入口平台梳齿板区”这样背景干扰最少。5.2 光线变化、玻璃反光和灰尘处理扶梯环境最典型的干扰源有三个阳光直射早晨和傍晚斜射光会把影子拉得很长阴影里的人体形状和摔倒姿势高度相似。我在某次项目里有过惨痛教训一天误报八次排查到最后全是阳光影子。解决方案是减少对“静态姿态”的依赖强化对“动态过程”的判定同时把影子区域的对比度拉低让模型不容易把暗色区域当人形轮廓。玻璃顶棚反光中庭商场尤其常见。处理手段是摄像头加偏光镜同时找角度让镜头中轴线与玻璃面的反射角错开。灰尘和油污扶梯出入口油烟、灰尘多镜头半个月不擦画面就发白。现场应该把摄像头擦拭纳入维保作业单同时用图像清晰度评估做自动检测画面模糊超阈值就联动报警提醒保洁或维保。5.3 与扶梯控制柜的接线和信号联调安全联动接线是整个项目里最高危的环节。操作前必须断电挂牌和电梯维保单位共同确认控制柜图纸后再动线。我的接线原则是所有安全相关信号线单独穿管远离动力电缆避免电磁干扰24V电源从安全PLC专用端子取电不与其他设备共用信号线接头全部用压接端子严禁直连缠绕。联调阶段要做一个“信号回环测试”人为触发AI输出观察安全PLC输入端是否收到信号再从安全PLC输出端给模拟信号确认扶梯可以正常停车。两个环节分开测试可以快速定位到底是AI设备输出有问题还是安全回路接线有问题。5.4 智能化系统上线后的持续监控系统上线不等于结束。我会刻意保留一个远程运维通道每天自动检查各台摄像头的在线状态、推理服务健康度、模型核心指标的漂移情况。模型需要持续迭代因为不同季节光线、不同客流密度都会让数据分布发生变化。如果发现某台扶梯的误报率曲线上升就要去查该点位数据大概率是现场环境变了而不是算法本身出了大问题。6. 常见故障与排查技巧速查表项目交付后整理一份故障排查表给运维和维保团队能让很多初级问题不过夜。我把现场踩过的坑汇总成下面的速查表都是实际遇到过且排查友好的问题故障现象可能原因排查思路频繁误报“摔倒”阳光影子、乘客长时间蹲姿、儿童爬行先看触发时段检查该时段快照弱化静态姿态判定增加时序判定条件漏报真摔倒单摄像头视角遮挡、光照过暗增加中间斜段覆盖检查相机低照度设置调高关键点模型置信度下限画面拖影、卡顿网络带宽不足或边缘设备负载过高降低推理帧率、限制同时分析的ROI区域数量夜间误报增多低照度下模型泛化差增加补光优化夜间数据训练提高检测阈值但保证召回硬接点信号偶尔不触发信号线连接松动或者PLC输入点抖动检查压接端子在安全PLC程序中加输入滤波时间摄像头画面模糊但报错不明显灰尘油污覆盖镜头用清晰度监测算法报警安排清洗维护我在项目里还总结了一个“双确认”的排查习惯遇到任何一个误报或漏报第一件事不是改算法参数而是先把触发前后的视频回放找出来人工过一遍。因为算法误报只是表象根因往往是环境设定、追踪断裂、光照变化等只有人工复核才能定位到真实原因。这个习惯帮我们少走了很多弯路。做这个项目到今天我最大的体会就是AI图像识别和功能安全之间没有谁取代谁的关系而是各自守好各自的边界。AI负责把“看得懂”这个能力发挥到极致功能安全负责把“停得稳”这个底线做扎实中间用清晰的分级阈值和冗余回路衔接起来。这套系统后续还可以继续往梯级异物掉落、扶手带速度异常检测、乘客携带电动车电池的识别预警等更多场景扩展算法框架和安全架构都可以复用。但无论扩展多少场景有一条原则不会变凡是涉及乘客安全的动作必须用经过验证的确定性逻辑来兜底这一点再多的数据和算力也替代不了。
