鲲云科技AI智能分析解决方案全新升级

在人工智能应用场景中，使用 CNN 类算法对视频数据进行检测和分析已经是常见的做法，但传统智能监控设备长期面临误报率高、复杂场景泛化能力不足等痛点。尤其在烟火、漏油/水、人员跌倒检测等高危场景中，传统 AI 算法受限于模型泛化能力与实时性要求，难以满足高密度、高动态环境下的精准识别需求。

对此，鲲云科技依托自研数据流 AI 芯片与大模型技术，升级 AI 智能分析解决方案，通过大小模型协同、CNN-Transformer 融合架构等前沿技术，推出一系列深度学习与计算机视觉算法混合的识别方案，实现“高精度识别+高并发响应”的双重突破，进一步提升了 AI 视频分析的实际应用效果，降低 AI 应用的落地和使用成本。

大小模型协同：性能与精度的黄金平衡

小模型如同“一线战士”，专注端侧实时响应和检出。在边缘设备（如边缘小站、一体机）中，鲲云科技采用轻量化小模型，针对固定场景（如睡岗检测、人员跌倒）进行优化，确保低功耗、低延迟的实时推理能力，用较小的算力可以对大量的事件做实时检出，对检测目标和风险问题做到尽量不漏报。

大模型则化身“高级长官”，聚焦最终结果的高精度分析。基于 ViT 架构的大模型技术，通过海量数据预训练与持续迭代，显著提升对复杂场景的通用泛化能力，大大降低小模型对于通用概念理解不足造成的误报，提升算法整体的准确度。

鲲云 AI 智能分析解决方案的大小模型协同优势明显。

在实际应用过程中，小模型实现对人、车、环境、物体的实时感知和初步判断，经大模型进一步判断复核，剔除误报和错误检测结果后上传系统平台，经管理人员核实后跟进处理，大幅降低事件处理成本。小模型的应用可以保障高并发、低延迟、高检出率，适用于高密度场景；大模型则可以通过全局特征提取与多模态融合，提升复杂场景的识别精度。两者动态协同，在同一个设备里就能够实现前端小模型快速响应，保检出不漏报，后端大模型复核修正，保效果减误报。在不明显增加算力成本的前提下，达到“前端不漏、后端不错”的实际检测效果。

大小模型融合：性能与精度的双重提升

除了模型协同外，鲲云科技还在方案中逐步迭代使用 Hybrid 算法方案，创新性地将卷积神经网络（CNN）与 Transformer 架构、深度学习与传统视觉算法深度融合，充分融合不同模型和算法的优势，并结合自研芯片架构的优势，从底层硬件到上层应用进行端到端的深度优化，实现精度和性能的双重提升，大大增强了方案的覆盖面和泛化性。

升级完成后，在业务端的实际效果提升显著。在烟火检测时，大大降低了监控场景下对于亮斑、车灯等外观类似物的干扰，准确率提升超 20%，同时提升了对于异性火、异色烟的检出。在漏油检测场景中，通过大小模型深度融合大幅提升了漏油算法的鲁棒性，不再受制于阴影、积水、脏污等干扰，误报率下降超 10%。

AI 技术的真正价值不在于技术的先进性，而在于能否切实解决实际问题。

目前，鲲云已将大小模型协同+融合的 AI 分析解决方案应用在加油站、油田、化工等场景，以成熟的 CV 小模型推理实现全天候安全监护，并由大模型推理对检测结果进行交叉互检，确认事件真实性后通知管理人员，降低 90%以上的事件处理成本，提升了烟雾火焰、人员行为、漏油等 400+算法的精准度。

在业务应用中，“大模型+小模型”的黄金搭档正在为更多的行业领域赋能，鲲云将以场景实际需求为导向，持续优化 AI 解决方案，持续深耕行业，携手更多合作伙伴，助力千行百业的智能化转型升级。