前年秋天,我走访一家华东地区的第三方仓,仓库经理指着一排高位货架跟我说,立柱根部有道轻微的弯折,是夜班叉车三个月前蹭出来的,一直没人报。AI 仓库巡检这个话题,就是从这类"没人报"开始的:货架不会一夜之间倒下,它倒下之前,通常已经变形、倾斜、松动了很久,只是巡检的人没走到、没看到,或者看到了也没当回事。

根据公开的行业事故通报,仓储货架倒塌类事故里,相当一部分事前都有可观测的征兆:立柱撞弯、横梁脱扣、托盘严重歪斜、地面积水导致地面打滑。这些征兆有一个共同点——它们都是看得见的。既然看得见,理论上就可以交给摄像头去看。问题只在于,摄像头看得准不准、看完之后谁来负责,以及这笔投入到底值不值。

AI 仓库巡检的摄像头到底在看什么

先把边界说清楚。AI 仓库巡检今天能稳定干的活,集中在五类视觉信号上。

第一是货架变形。算法比对立柱和横梁的轮廓,立柱弯折超过设定阈值、横梁连接件脱落、层板下沉,都能标出来。它的优势不在"看得比人细",而在"每次都看":人巡检一周一次,摄像头可以每小时扫一遍,变形从出现到被发现的时间差,从几天缩短到几小时。

第二是通道堵塞。主通道、消防通道、安全出口被托盘、空纸箱、待处理货物临时占用,是仓库里最常见、也最容易被"临时一下"合理化的违规。摄像头按划线区域做占用判断,占用超过设定时长就告警。这类问题发现得越早,整改成本越低——等到消防检查那天再挪,代价就完全不同了。

第三是托盘歪斜与货物超限。托盘伸出货架边缘、货物码放超出层高、重货压在轻货上,这些都是倒塌的前置状态。视觉模型对"歪斜"这类几何异常相对敏感,误报率也比语义判断低。

第四是地面积水与漏液。冷库、化工品仓、雨季的卸货区,地面积水是滑倒和货物受潮的双重风险。摄像头结合地面反光特征做检测,灵敏度一般,但胜在 24 小时在线。

第五是人员与设备越界,比如人员进入高位叉车作业区、行人走到车辆通道上。这类检测技术上成熟,但落地时争议最大,因为它直接碰到了员工的感受问题,后面再说。

AI 仓库巡检误报这道坎,怎么迈过去

所有谈 AI 仓库巡检的文章,如果不谈误报,都是在回避核心问题。我的判断是:误报不是技术缺陷,而是这类系统必须交的学费,关键在于学费由谁来交、交多久。

一家我跟踪过的华北电商仓,上线视觉巡检头一个月,系统每天推送 40 多条告警,其中真正需要处理的不到 5 条。剩下的大多是光线变化、叉车临时停靠、托盘阴影造成的误判。仓库经理的原话是:"再这么报下去,班长连看都不看了。"这句话点出了误报真正的代价——不是多花几分钟确认,而是告警本身失去信用。

处理误报,行业里已经摸索出几条相对可行的办法。第一是分级:把"货架立柱弯折"这类高风险信号设为一级告警,必须当天处理;把"通道临时占用 10 分钟"设为三级提醒,只做记录不推送。第二是加确认环节:告警先推给中控值班员,由他看一眼截图再决定是否派单,而不是直接推给现场班长。第三是留出至少一个月的调参期:阈值、灵敏度、检测区域都要按自家仓库的光线、动线、货物品类重新标定,厂商的出厂参数只能当起点。

反常识的一点是:误报率降不下来的时候,问题往往不在算法,而在仓库本身。一个通道天天被临时占用、托盘天天歪着放的仓库,系统报得再准,看起来也像误报——因为它报的都是"大家早就习惯了的不规范"。AI 仓库巡检在这里起到的作用,与其说是检测,不如说是一面镜子:它把仓库习以为常的违规,一条一条量化给你看。

这笔账到底值不值

谈 ROI 之前,先说一个前提:巡检这件事,收益的很大一部分是"没发生的事"——没倒的货架、没堵的消防通道、没滑倒的员工。这些收益算不进报表,却是仓库经理夜里睡得着觉的原因。所以这笔账只能用"避免的损失"来算,而"避免的损失"天然带有假设成分。

下面这组数字是假设算例,仅用于说明测算方法,不代表任何真实仓库的成本水平:一座 2 万平方米左右的高位仓,假设部署 60 路巡检摄像头加一套视觉分析平台,硬件与实施一次性投入约 40 万元,每年运维与模型调优约 8 万元;原来人巡检需要 2 名专职巡检员轮班,人力成本按每年每人 12 万元计,AI 上线后巡检人力减为 1 人兼职复核,每年约 6 万元。按此假设,首年总投入约 48 万元,之后每年约 14 万元;人力节省每年约 18 万元。静态算下来,单靠省人力,回收期超过两年,并不好看。

但这笔账不能只算人力。真正让账算得过来的,是三笔"避免的损失":第一笔是货架倒塌类事故,一次中型倒塌的直接损失——货损、货架重建、停工——按假设算例计约 100 万元量级,哪怕五年里只避免一次,也覆盖了全部投入;第二笔是消防与合规罚款,通道占用被查处的罚款与停业整顿成本,因地而异,同样以当地政策为准;第三笔是保险,个别保险公司已开始对装有视觉巡检的仓库给予费率优惠,具体以保险公司实际报价为准。

所以我的结论是分层的:只看"省人力",AI 仓库巡检的 ROI 并不性感;但把它放进"风险成本"里算,对高位货架多、SKU 杂、叉车作业密集的仓库,它值得认真评估;对货架低矮、动线简单的小仓,它大概率是过度投入。决策框架可以简化成三个问题:你的货架有多高?你的通道有多容易被占?过去三年,你的仓库有没有出过"差一点就出事"的情况?三个问题里有两个答案是肯定的,再谈采购;否则先把人巡检的检查清单做扎实,效果可能更好。

最后说说 AI 干不了的部分。摄像头看不见货架内部的焊缝裂纹,看不见螺栓是不是松了半圈,看不见横梁连接件的金属疲劳。它也判断不了"这个托盘码得合不合理",只能判断"歪没歪"。更重要的是,它处理不了需要人到现场闻一闻、摸一摸、问一句的情况:化学品轻微泄漏的气味、电机过热的焦糊味、员工随口说的"这根柱子最近响过两次",这些信号不在视觉模型的射程之内。

AI 仓库巡检的合理位置,是给人巡检加一双不知疲倦的眼睛,而不是把人换掉。摄像头负责高频、重复、看得见的检查,人负责低频、判断、需要到现场确认的检查。两者分工清楚,系统才有价值;指望摄像头包打天下,最后只会得到一堆没人看的告警。

这套分工在你的仓库里,现在是谁在做,又是谁在漏?

作者:陈博士|供应链行业研究员