传送带卡件 AI 报警总误报？异常检测的误报调优实战

2025 年 3 月，田纳西州一家 3PL 仓的运维经理打电话过来骂娘：装在主分拣线上的传送带卡件 AI 异常检测，上线两周，一天报警 140 多次，操作员最后直接关了推送——关了的第三周，线里真卡了三回，系统一声没吭。

先说结论：多数"AI 报警不好用"的项目，都是误报调优没做完，不是模型不行。卡件检测这事，原理其实不难，难的是把误报压到人愿意信的程度。下面按顺序讲：先讲原理，再讲选型分界线，最后讲维护的坑。

卡件检测，AI 到底在检测什么

传统做法是光电开关：光束被挡超过设定的秒数，就判卡件。你可以理解为它只看一个点——"这个点有没有东西一直赖着不走"。

AI 异常检测的路子完全不一样。它不看单点，看的是"画面正不正常"。这就像你请了个老班长站在高处看整条线——他脑子里记住了一万种"正常"的样子：包裹匀速往前走、间距大体均匀、皮带表面干净。某天画面里出现一个包裹 5 秒没挪窝，或者一堆件挤成一团歪在挡板上，他立刻觉得不对劲。

技术上讲，模型学的是正常画面的分布，实时画面偏离这个分布多远，就打出一个异常分数。分数超过阈值，报警。注意，模型并不知道"卡件"长什么样，它只知道"这不正常"——这就是为什么它既能抓卡件，也能顺手抓到皮带跑偏、异物掉落，这是光电开关干不了的。

但这个"只知道不正常"的特性，也是误报的万恶之源：任何它没见过的正常情况，都会被当成异常。旺季换了一批反光快递袋、灯管坏了一根导致画面偏暗、清洁工把拖把靠在护栏上——在模型眼里全是"不正常"。明白了这一点，误报调优的思路就清楚了：要么让它见过更多"正常"，要么把"多不正常才算数"的线画准。

误报从哪来：选型分界线先画清楚

开炮时间到了。市面上很多集成商卖的"AI 卡件检测"，拆开看就是帧差法加一个固定阈值：前后两帧画面差得太多就报警。这玩意连"正常长什么样"都没学过，也好意思叫 AI？分辨方法很简单：问他要实测的 PR 曲线（精确率-召回率曲线），再问他误报和漏报的实测数据。拿不出来的，基本都是 PPT 里的 AI。

真正的选型分界线不在"AI 还是非 AI"，而在你的线上到底需要什么：

场景	光电开关	AI 视觉异常检测
判断标准	单点遮挡时长	整幅画面偏离正常分布
能抓什么	固定位置的停滞	卡件、堆积、跑偏、异物
怕什么	安装位置没选对就全瞎	没见过的"正常"全算异常
调优成本	拧个电位器，5 分钟	采样本、调阈值，按天算
适合	线型简单、件型单一	件型杂、卡件形态多变

一条只走标准纸箱、速度 1 米/秒的直线补货线，上 AI 视觉就是杀鸡用牛刀，还多一堆误报要伺候。反过来，一条件型从信封到异形件全有、拐弯抹角的高速分拣线，光电开关装 20 个也覆盖不全，这才是 AI 该上的地方。选型错了，后面误报调优调到天荒地老也没用。

把误报从 140 次压到 3 次：调优实战

回来说田纳西那个仓。主线速度 1.8 米/秒，日均 6 万单。我们去现场看了一圈，问题有三层，调优也是按这三层一层层剥的。

第一层，感知没做好。相机装在正上方 3 米处，逆光，中午阳光一进来画面过曝，下午阴天又偏暗——模型看到的"正常"一天变三回。先把曝光改成自动增益锁定参考区域，误报直接掉了一半。这就像你让老班长戴着变色眼镜看线，时深时浅，他不瞎报警才怪。

第二层，正常样本不够。供应商交付时只采了白天的 2000 张样本，夜班灯光、反光袋、大件纸箱都没见过。我们补采了覆盖全天时段、全件型的 8000 张正常样本做增量训练。注意顺序：先补样本，再动阈值。样本不够就调阈值，等于蒙着眼睛调音量，治标不治本。

第三层，阈值一刀切。原来一个阈值管所有报警：分数超 0.7 就推送加停机建议。我们改成两级：0.5～0.75 只记日志、推送到中控屏黄条（操作员路过时瞄一眼）；0.75 以上才声光报警；并且要求连续 3 帧（约 0.5 秒）都超标才触发，单帧抖动直接过滤。

传送带上方 AI 视觉检测相机

调完两周，误报从每天 140 多次降到 3～5 次，真卡件发生了 4 次，4 次全命中——其中一次是凌晨 2 点，操作员在中控屏黄条上先看到了"疑似堆积"，提前 10 分钟清掉了，避免了一次全线停机。

第二个案例是 2024 年旺季，加州 Ontario 一家电商仓。黑色反光快递袋在高速线上被模型当成"异物堆积"狂报警，同时真卡件漏了两次。根因是样本里反光袋太少，模型把"反光=异常"学死了。解法一样：补 2000 张含反光袋的正常样本，而不是把阈值调松——阈值调松，真异常和假异常一起放过去，等于把门拆了防贼。

这里有个反常识的判断：误报调到 0 不是胜利，是投降。误报为 0 只有两种可能，要么阈值高到真异常也报不出来，要么你的线简单到不需要 AI。健康的系统一定有少量误报，关键看每条报警有没有可操作性。