企业官网建设流程全解析

1. 先说清楚：环卫智能化到底在解决什么问题

环卫行业在多数人印象里是“一把扫帚走天下”，但真正进入这个领域才会发现，它早就不是单纯的劳动力密集型产业了。城市道路清扫、垃圾清运调度、公厕管理、垃圾分类督导、环卫车辆作业监管，每一个环节都需要实时感知、数据上报和效率评估。过去靠人工巡检打分、抽查拍照的办法，既慢又不客观，一个监督员一天跑不了几条路段，保洁质量全靠“上面查一查、自己糊一糊”。

我接触过不少环卫一体化项目，甲方最常提的三个需求非常固定：一是有没有垃圾没扫干净，二是扫完的路面到底达标没有，三是车和人有没有按路线、按时间干活。这三个问题听着简单，但背后对应的技术分别是目标检测、语义分割/质量评估、轨迹行为分析，全部属于计算机视觉和时序数据处理的范畴。也就是说，环卫智能化的内核，不是装个GPS、挂个传感器那么简单，而是要让机器理解“环境是否干净”“作业是否到位”这些原本依赖人眼判断的主观结论。

IIJCAI20上深兰拿到的两冠一季，恰好就集中在这个方向上。很多搞技术的人一看“环卫”就觉得低端，但实际上它的复杂度一点不低于自动驾驶：垃圾目标尺度极小、遮挡严重、光照变化极端、昼夜差异大，而且作业现场永远处于动态变化中。这不是一个“训练一个YOLO模型就能交差”的题目，它对算法的鲁棒性、数据适配能力和工程部署能力要求都非常高。

2. IJCAI20竞赛的含金量：为什么学术顶会要办“洗地”比赛

国际人工智能联合会议（IJCAI）在AI圈子里的地位，不需要我多说。它是人工智能领域历史最悠久的顶级学术会议之一，论文录用率常年控制在20%以下，能中一篇就已经很难了。而IJCAI的竞赛单元，采取的是“数据挑战赛”模式，由企业或研究机构开放真实场景数据，全球参赛队伍在限定时间内提交算法，最终以线上榜单和现场答辩综合评分。

2020年的IJCAI竞赛里，环卫智能化出人意料地成了一个重量级赛道。当时外界有疑惑，觉得学术顶会办“扫大街”的比赛有些不搭，但实际参加过的人会明白，这个赛道恰恰是最能检验算法落地能力的试金石。竞赛的数据来自真实环卫作业场景，包括道路垃圾的视觉识别、清扫设备的作业路径规划、环卫车辆工作能力评估等子任务。数据不是教材里的标准图库，而是遍布各种天气、光照和道路条件下的实拍画面，车辆、行人、树荫、水渍、阴影全混在一起做干扰。

深兰这次拿下的“两冠一季”具体分布，我根据公开信息梳理了一下：两个冠军分别来自环卫视觉识别主赛道和复杂场景下的作业质量评估子赛道，季军则来自多目标行为的联合分析任务。这三个名次加在一起，说明的是一件事——这家团队在感知、评估、行为分析三个层级上都具备完整的解决方案能力，而非单点算法上的偶然突进。

另外那个“最佳工业应用视频奖”也值得单独拎出来讲。这个奖项不评算法精度，评的是技术的产业化成熟度。参赛方要提交一段真实工业场景下的系统运行视频，评委看的是现场部署的稳定性、与实际作业流程的贴合程度、以及是否具备批量复制推广的可行性。深兰拿到这个奖，实质上等于向行业宣布：这套东西不是只在数据集上刷分，而是已经拉着真车、真路、真垃圾跑过一段时间了。

3. 两冠一季背后的技术拆解：能拿奖靠的是这四板斧

3.1 第一板斧：针对小目标垃圾的检测优化

环卫视觉识别最恶心的问题，不是“看不看得见垃圾”，而是“看得见却不认得”。道路上最常见的垃圾是烟头、纸屑、树叶、塑料袋碎片，尺寸往往只有十几个像素。传统的目标检测模型在COCO这类标准数据集上表现优异，但拿到环卫场景里，小目标的召回率会断崖式下降。原因很简单，卷积神经网络在多层下采样过程中，小目标的特征图分辨率被压缩到几乎没有，模型根本看不到它。

深兰方案中比较关键的一个思路是多尺度特征融合的强化设计，把浅层高分辨率特征与深层语义特征反复跨层融合，保证小目标在特征图上依然有足够强的响应。同时配合了针对性数据增强：随机裁剪缩放、模拟雾天低对比度、夜间弱光噪声注入。我判断他们还在训练策略上用了“先难后易”的课程学习，先让模型学习极端困难样本，再进行全量数据微调，这对小目标收敛速度的提升非常明显。这一套组合拳下来，小目标垃圾的召回率能做到比常规baseline高出15个百分点以上，已经是业界一个相当可观的数字了。

3.2 第二板斧：从“看见垃圾”到“知晓清洁度”

视觉识别只能回答“有没有垃圾”，但环卫管理者真正关心的是“这条路干得怎么样”。这涉及一个更抽象的问题：如何定义“干净”。不同道路等级、不同人流量、不同时段，对清洁度的要求都不一样。这就需要用语义分割来理解场景结构，区分路面、人行道、绿化带、路缘石，再结合垃圾分布密度、面积占比、停留时间，综合折算出一个清洁度指数。

深兰在竞赛里展示的作业质量评估方案，我理解本质上是一个多任务学习的结构：同一个骨干网络，同时输出语义分割结果、垃圾密度图和清洁度回归值。共享特征提取层减少了模型体积和推理耗时，多任务之间的梯度互补让每个子任务都比单独训练更稳。这里有一个很容易被忽视的技巧——清洁度评估如果用纯回归模型去预测一个0到100的得分，模型很难学到可解释的决策依据。但如果先让模型输出可视化的热力图，再用规则把热力图转换成得分，整个判断过程就变得可追溯、可审计。对甲方来说，“系统说这条路不干净”和“系统用热力图指出这条路左第三棵树下面有十片纸屑”，说服力是完全不同的。

3.3 第三板斧：行为序列分析，管住人和车

环卫作业质量不光取决于“扫没扫”，还取决于“有没有认真地扫”。这需要对作业人员或车辆的行为序列进行建模：清扫轨迹是否覆盖全路段、是否在指定区域停留足够时间、是否存在明显的漏扫或绕行行为。竞赛中的季军赛道，我理解就是在这个方向上比拼。

这个任务的技术难点在于数据是时序的，且带有大量的噪声。GPS漂移、遮挡导致的目标丢失、多目标交叉带来的ID Switch，任何一项都会直接把行为判断引入错误。深兰的方案大概率采用了轨迹预测与视觉检测的融合架构：视觉数据确认作业状态，时序模型分析运动模式，再通过一个状态机或者条件随机场去判别行为是否合规。这种方案的好处是，即便某一时刻视觉丢失了目标，轨迹预测依然能维持行为的连贯性判断，不会出现“人还在干活，系统却判定离岗”的低级事故。

3.4 第四板斧：工业视频奖背后的工程能力

学术界很多团队在数据榜上刷得很高，但一部署到嵌入式设备就拉跨：推理延迟高、显存爆掉、模型鲁棒性差。深兰能拿到工业应用奖，说明他们至少在三个工程环节做足了功夫。

首先是模型压缩与加速。我看过一些公开报道，他们应用了结构化剪枝和INT8量化，在几乎不掉点的情况下把模型体积压缩到了一半以内。其次是多传感器融合，把摄像头与毫米波雷达、激光雷达的数据做了前融合，在雨雾天气和夜间依然能保持稳定的感知输出。再就是边缘计算架构的冗余设计，关键的识别任务同时在两个设备上运行，主设备故障的时候备用设备在毫秒级完成接管。这一套工程化的能力，老实说，很多做纯算法的团队是补不上的。

4. 从竞赛到落地：环卫AI产品化的五个关键实践

竞赛获奖只是起点，真正想把环卫AI做进项目里，光有算法远远不够。我在实际帮一些环保企业做技术选型和部署的时候，踩过的坑比想象的多得多，下面按实操顺序把最关键的经验列出来，供准备入局的朋友参考。

4.1 数据采集：别急着标注，先把采集规范定死

很多团队接到环卫AI项目，第一反应就是到处找数据、开标注。我劝你先冷静一下。环卫场景极其注重地域一致性，北方城市的落叶、南方城市的小广告、沿海城市的沙土、工业城市的粉尘，完全不是一个分布。你拿通用数据集训练的模型，到了现场大概率会“水土不服”。

正确的做法是先用两周时间做场景数据采集摸底：确定要覆盖的道路等级范围、覆盖天气条件、覆盖作业班次（凌晨和下午的光线差异巨大）。采集设备建议固定在作业车辆顶部或扫路车两侧，确保视角与实际作业姿态一致。明确要求采集员每天记录拍摄时间、路段、天气和清洁度标签，这个元信息在后续模型迭代中是无可替代的调试依据。

4.2 标注标准：一张图有没有垃圾，三个人三个答案

环卫目标的标注主观性极强。一片落叶算不算垃圾？一个烟头在阴影里要不要标？树叶和纸屑叠在一起怎么处理？这些问题如果没有一份可视化的标注手册，标注质量一定崩。我见过最夸张的情况，同一个图片在不同标注员手里，垃圾框的标注数量能相差三倍。

所以必须在标注启动前，建立一套分级标注规则。比如：面积小于8x8像素的目标不标；被遮挡超过60%的目标不标；与背景纹理融为一体的目标标注时需额外加“模糊样本”标记。同时每批次标注结果做一致性抽检，用IoU和标签熵来衡量标注员之间的对齐度。这一步做得越扎实，后面模型训练的返工成本就越低。

4.3 模型选型：精度和速度的平衡，没有银弹

在环卫AI领域，我见过太多团队一上来就堆大模型，搞得GPU服务器贵到飞起，边缘设备跑不动，最后项目黄在部署环节。我的经验是，核心的检测模型在服务器端可以用较大的骨干网络，但在边缘端一定要做单独的小模型蒸馏。也就是说，训练了两个模型：一个高精度版本做离线数据迭代和标定，一个轻量版本做实时车载推理，定期用高精度版本的预测结果去蒸馏轻量模型。这样既保证了识别能力天花板，又控制了部署功耗和成本。

4.4 边缘部署：算力与功耗之间要学会取舍

环卫车辆的供电系统非常紧张，你不能按自动驾驶出租车的标准去装计算平台。车载边缘计算设备的主流选择是低功耗的嵌入式GPU或者NPU芯片，整体功耗控制在15瓦左右，才能不影响车辆原有作业系统。实测下来，在这样的算力约束下，单路视频流做到20到30毫秒的推理延迟是可行的，但如果要同时处理6路以上的视频输入，就需要对视频流做抽帧处理，比如每5帧识别一次。抽帧策略上，建议把“疑似垃圾出现”和“固定周期巡检”两种模式结合，在低算力下实现覆盖率的大幅提升。

4.5 脏乱数据的缠斗：长期运营必然面对的课题

算法上线之后，最大的挑战不是准确率，而是数据分布漂移。夏天和冬天的垃圾类型不同，旅游旺季和日常时段的垃圾密度不同，甚至市政绿化改造都会改变场景语义。我自己的经验是，项目上线后必须要建一条数据回传—分层抽样—人工复核—增量训练的运营闭环系统。每周从存量数据里随机抽取一定比例做人工标注，叠加到训练集里进行增量训练。半年下来，模型对当地场景的适配度会有质的提升。

5. 常见问题与排查技巧实录

5.1 问题一：夜间垃圾识别率骤降

这是环卫视觉项目最常见的问题。很多团队白天测试精度亮眼，一到夜间垃圾召回率直接砍半。原因在于训练数据中夜间样本太少。解决方案有两个方向：一是采集数据时强制安排夜班采集，哪怕数量少，也要保证真实夜间的分布；二是在数据管线中加入低光增强模块，比如利用Retinex相关的图像增强算法，在预处理阶段模拟夜间降质规律。实测下来，把夜间合成数据加到训练集的比例控制在20%左右，既能提升夜间召回率，又不会拖累白天表现。

5.2 问题二：大面积树叶被当成了垃圾

秋季落叶场景很容易让检测模型“精神错乱”。成堆树叶的面积、颜色、纹理差异巨大，模型时灵时不灵。我试过最有效的方式是引入时间上下文信息：在模型输入中叠加连续帧的差异图，把静止不变的“背景型落叶”和不断运动的“垃圾目标”区分开。这需要在数据标注时额外标一层“可清扫垃圾”和“不可清扫背景”的语义标签，虽然标注成本增加，但模型误报率能降低六成左右。

5.3 问题三：多车辆同时作业，视觉目标ID频繁切换

你在一个路段部署多台清扫车，视觉识别系统会看到不同车辆的重复画面，目标ID一直跳。处理办法是不要靠视觉做跨摄像头追踪，而是以车辆自带的GPS轨迹和无线信标作为“身份锚点”，视觉数据只负责补充身份确认和作业状态判断。换句话说，定位交给了北斗/GPS，视觉只干“看”的活，两者通过时间戳对齐。这是一个非常低成本但极其有效的工程解。

5.4 问题四：模型在边缘端出现过拟合式的退化

模型在测试集上精度很高，但同样的图片在边缘设备上运行，结果差异很大。排查思路有两个：先看预处理是否一致。很多模型训练时用了随机裁剪、颜色抖动，但部署端为了追求速度，把预处理简化了，图像输入分布已经变了。再看计算精度，边缘设备如果用FP16甚至INT8推理，部分对数值敏感的层会出现精度损失，有必要在结构化剪枝后做一次精细的QAT（量化感知训练）微调。

6. 我的一些个人体会

这次深兰在IJCAI20拿下的成绩，放到更长的时间轴上看，真正有价值的不是那几个奖杯，而是它向整个行业传递了一个信号：环卫智能化已经从“试点尝鲜”进入到了“可量化、可竞赛、可复制”的阶段。一个方向能不能沉淀成产业，看的就是它能不能在顶级的国际赛事里被反复验证、被同行公开比拼。环卫AI能同时拿下感知、评估、行为分析多个维度的奖项，说明这条路的技术底座已经足够厚实了。

另外说句实话，我始终觉得环卫AI是一个特别容易出成绩但又被低估的方向。它不像自动驾驶那样万众瞩目，但它贴近民生、数据丰富、商业模式直接，而且非常考验系统工程能力。如果你正在考虑入局这个领域，我的建议是别一上来就迷信某个大模型，先从一条具体的路段、一类明确的垃圾、一个规范的作业流程做起，把数据闭环跑通，再逐步扩张。技术在竞赛里看的是上限，在产业里看的是下限，把这个逻辑想清楚了，很多决策就不会跑偏。