以算法破解安全生产困局，共达地AutoML为智慧加油站插上AI翅膀

对于以加油站为代表的能源行业而言，“降本增效”和“安全管理”就是两大基本红线——前者拉高企业的上线，后者守护企业的下线。面对行业数字化、智能化转型趋势，主要奉行“人海战术”的能源企业在尽可能降低人力成本的前提下，用AI为加油站筑起一道安全“防火墙”，就是转型的生命线。

安全管理：悬在加油站头上的“达摩克利斯之剑”

一直以来，加油站主要都是依赖人工防范、排查、辨识存在的安全隐患及风险，运维管理难度大，人员抽烟、打电话、员工离岗、烟火异常、卸油管理、静电释放时长等行为的监控方式尚存在不及时、非智能、易疏忽等诸多问题。

数据来源：前瞻产业研究院

数据显示，目前我国运行的加油站已接近12万座，其中民营加油站就占了超过50%，不断攀升的业务体量，人员素质的参差不齐，带来的是安全事故概率的增加，也让安全管理成为悬在所有加油站头上的一把“达摩克利斯之剑”。据统计，2020年全国加油站安全事故数量超过60起，其中86.7%都是人为原因导致。卸油、加油两大环节的安全事故占比高达50%。

曾在加油站从事管理工作十余年的李先生表示，油品具有易燃、易爆、易产生静电等危险特征，因此安全方面必须严格管控。但很多加油站在安全管理的信息感知、信息集成、风险评估等多方面都存在不足，特别是对于潜在人为风险的监测和预警还存在管理盲区。以卸油区为例，油气挥发的浓度不能直接有效观测，且卸油流速较快时容易聚集静电，存在严重的安全隐患。

2022年3月，国家应急管理部召开视频推进会，全面部署重大危险源企业双重预防机制数字化建设，持续深化危化品安全生产风险监测预警系统建设应用。而作为能源大省的山东更是明确发文要求，推动加油站采用视频智能监控技术，对加油区和卸油区内人员抽烟、打电话等违规行为，明火和烟雾等异常状态，卸油作业时人员离岗，灭火器未正确摆放，静电释放时间不足等不规范情形进行智能识别、报警和记录，推行加油站渠化规范工作。

由此看来，无论是市场发展需求，还是国家监管要求，依靠数字化、智能化手段提升加油站的安全管理水平已是行业必然趋势，也催生了一大批智慧加油站解决方案提供商。一时间，智慧加油站“百家争鸣”，大厂小厂纷纷入场，解决方案层出不穷，意欲分食百亿级智慧能源“新蛋糕”。

智慧赋能：解决方案千千万，乱花渐欲迷人眼

“我们也先后接触了不少智慧加油站的解决方案服务商，但总的来说，大厂比较靠谱，但价格太高，承受不了，小厂性价比高，但精度不敢保证，而且交付周期都挺长，我们员工的专业能力也有限，很难具体对接这种偏AI技术流的工作。”李先生说出了所有加油站管理者的心声。

确如李先生所言，目前市场上关于智慧加油站的解决方案提供商“一抓一把”，既有华为等大厂巨头，也不乏诸多科技新秀，但绝大部分提供的都是“非定制化”产品方案，即用一套标准化产品方案去适配N个场景需求，当然这其实也没错，只不过针对像加油站这样的极特殊场景，“一鱼多吃”的方案似乎很难让“李先生们”满意。

首先，加油站对安全管理的要求是“绝对级”的。与居民社区等一般民用安防系统不同，加油站对烟火等风险隐患的识别预警必须要前置化，如果等到已经开始冒烟了再报警，万事休矣。而要做到提前风险预警，就需要对加油站不同场景下的数据状态和数据采集反复进行高精度的算法适配，比如大到一辆卸油车的停放位置，小到一根细烟的图像识别，背后都需要一套成熟的算法体系。

通常这种情况下，如果按照传统的人工作业方式，至少需要一个15人的专业算法工程师团队，从数据采集、数据标注、模型结构设计、超参调节、芯片适配、迭代优化、部署应用等13大环节，耗费数月甚至更长的周期才能交付完成。所以，“极不划算”的投入产出比也让加油站管理者们对AI的部署望而却步。

传统算法生产流程及成本

另外，对精度要求极高的加油站还是典型的“小样本”场景。“不同的场景需要不同的数据样本，训练出来的模型也不一样，通用算法模型并不适用，精度会大打折扣。”作为全球领先的AutoML自动化AI训练平台提供商，共达地的一位产品经理表示，极度碎片化的加油站应用场景缺乏大数据样本，而训练算法一般需要足够有效的样本数据支撑。如何通过小样本学习训练出高精度的算法模式？是一个不小的挑战。

定制化、高精度、小样本、低成本的智慧加油站转型道路何去何从？共达地AutoML或许可以给出一个不一样的示范答案。

共达地AutoML：以AI算法为加油站插上智慧的翅膀

AutoML，即自动化机器学习，被誉为深度学习新一代王者。虽然谷歌早在2017年便率先在产业界提出了这个概念，但长期以来缺乏真正的商业化落地。而共达地在AutoML领域已积累了2年多的商业化落地经验，并推出了GDDi自动化AI训练平台3.0，在智慧城市、智慧园区等多个领域打下了扎实的基本功，属于业内真正的领军者。

面对加油站要求低成本、高精度、小样本、定制化的碎片化场景需求，共达地AutoML自动化AI训练平台通过“用AI训练AI”，将整个AI研发流程自动化，交付的不仅仅是一款“标品化”算法，而是一整套“软件平台+硬件设备+生态服务”的全平台全链路闭环能力，为加油站插上了智慧的翅膀。

共达地算法生产流程及效率

在具体场景应用方面，共达地重点针对加油区和卸油区两大高风险区域部署AI智能算法。在加油区部署吸烟检测、打电话检测、烟火检测、车辆占道检测、人员离岗检测等AI算法系统，覆盖加油区常见的危险行为。在卸油区部署车辆检测、轮档放置、除静电、油品接卸载等AI算法系统，保障区域内的全流程安全卸油作业，实现安全隐患事前预警、事中管控、事后取证，由“人防”到“智防”的数字化转变。

作为共达地的核心服务标签，以AutoML为底层技术能力的自动化AI训练平台，具有更快交付、更高精度、更好适配、更强迭代等多重优势，对加油站而言，是目前综合成本最优的AI解决方案。

1.更快交付：通过共达地AutoML自动化AI训练平台的自动化模型设计与超参调节等功能，以小时级的速度定制算法，开发效率可以提升10倍以上，并且全程由于没有算法工程师参与，客户也无需搭建专业算法团队，AI建设成本可直降9成。

2.更高精度：依托首屈一指的自动化数据增强技术，共达地AutoML自动化AI训练平台可在更少数据标注的情况下，通过小步快跑敏捷迭代，使得算法平均精度超过95%，能力媲美8年的专业算法工程师。

3.更好适配：基于对近大量主流芯片的预适配，共达地AutoML自动化AI训练平台能在算法生成过程中，就针对即将部署的设配芯片的算子结构进行训练，包含英伟达、高通、寒武纪、海思等10+主流大厂的100+款芯片，支持云/边/终端灵活部署。

4.更强迭代：通常在算法的应用初期，AI识别的精度会出现不同程度下降，这就需要不断进行数据的更新迭代，但要耗费很高的人力和时间成本。而通过共达地的训练平台，最快可实现一天迭代一个版本，免去额外成本与时间，让精度直达最优。

举个例子，共达地针对某加油站存在的重大危险源监测问题，提供了基于工服识别，车+人同步判断的离岗识别等算法定制方案，以及安全帽、打电话、火焰识别等常规方案，助力客户打造视频算法的安全预警平台，建立了可视化、数字化的智能管理系统。

共达地智慧能源应用案例

相较于其他友商提供的解决方案，共达地的单个算法交付时间由2个月缩短至1天，模型识别效果由85%提升至96%，定制算法交付数量提升了6倍，客户满意度大大提升。

从“偶像派”到“实力派”，以AutoML为核心的自动化算法服务正在成为驱动AI大规模商用的“关键力量”。而作为AutoML产业化的先行者，面对AI大航海时代的黎明前夜，共达地率先吹响了这样的时代号角：技术平权，AI即服务，人人皆可AI——从某种角度说，共达地AutoML加速推动了一场AI算法商业化落地的产业革命。