以演算法破解安全生產困局，共達地AutoML為智慧加油站插上AI翅膀

對於以加油站為代表的能源行業而言，“降本增效”和“安全管理”就是兩大基本紅線——前者拉高企業的上線，後者守護企業的下線。面對行業數字化、智慧化轉型趨勢，主要奉行“人海戰術”的能源企業在儘可能降低人力成本的前提下，用AI為加油站築起一道安全“防火牆”，就是轉型的生命線。

安全管理：懸在加油站頭上的“達摩克利斯之劍”

一直以來，加油站主要都是依賴人工防範、排查、辨識存在的安全隱患及風險，運維管理難度大，人員抽菸、打電話、員工離崗、煙火異常、卸油管理、靜電釋放時長等行為的監控方式尚存在不及時、非智慧、易疏忽等諸多問題。

資料來源：前瞻產業研究院

資料顯示，目前我國執行的加油站已接近12萬座，其中民營加油站就佔了超過50%，不斷攀升的業務體量，人員素質的參差不齊，帶來的是安全事故機率的增加，也讓安全管理成為懸在所有加油站頭上的一把“達摩克利斯之劍”。據統計，2020年全國加油站安全事故數量超過60起，其中86。7%都是人為原因導致。卸油、加油兩大環節的安全事故佔比高達50%。

曾在加油站從事管理工作十餘年的李先生表示，油品具有易燃、易爆、易產生靜電等危險特徵，因此安全方面必須嚴格管控。但很多加油站在安全管理的資訊感知、資訊整合、風險評估等多方面都存在不足，特別是對於潛在人為風險的監測和預警還存在管理盲區。以卸油區為例，油氣揮發的濃度不能直接有效觀測，且卸油流速較快時容易聚集靜電，存在嚴重的安全隱患。

2022年3月，國家應急管理部召開影片推進會，全面部署重大危險源企業雙重預防機制數字化建設，持續深化危化品安全生產風險監測預警系統建設應用。而作為能源大省的山東更是明確發文要求，推動加油站採用影片智慧監控技術，對加油區和卸油區內人員抽菸、打電話等違規行為，明火和煙霧等異常狀態，卸油作業時人員離崗，滅火器未正確擺放，靜電釋放時間不足等不規範情形進行智慧識別、報警和記錄，推行加油站渠化規範工作。

由此看來，無論是市場發展需求，還是國家監管要求，依靠數字化、智慧化手段提升加油站的安全管理水平已是行業必然趨勢，也催生了一大批智慧加油站解決方案提供商。一時間，智慧加油站“百家爭鳴”，大廠小廠紛紛入場，解決方案層出不窮，意欲分食百億級智慧能源“新蛋糕”。

智慧賦能：解決方案千千萬，亂花漸欲迷人眼

“我們也先後接觸了不少智慧加油站的解決方案服務商，但總的來說，大廠比較靠譜，但價格太高，承受不了，小廠價效比高，但精度不敢保證，而且交付週期都挺長，我們員工的專業能力也有限，很難具體對接這種偏AI技術流的工作。”李先生說出了所有加油站管理者的心聲。

確如李先生所言，目前市場上關於智慧加油站的解決方案提供商“一抓一把”，既有華為等大廠巨頭，也不乏諸多科技新秀，但絕大部分提供的都是“非定製化”產品方案，即用一套標準化產品方案去適配N個場景需求，當然這其實也沒錯，只不過針對像加油站這樣的極特殊場景，“一魚多吃”的方案似乎很難讓“李先生們”滿意。

首先，加油站對安全管理的要求是“絕對級”的。與居民社群等一般民用安防系統不同，加油站對煙火等風險隱患的識別預警必須要前置化，如果等到已經開始冒煙了再報警，萬事休矣。而要做到提前風險預警，就需要對加油站不同場景下的資料狀態和資料採集反覆進行高精度的演算法適配，比如大到一輛卸油車的停放位置，小到一根細煙的影象識別，背後都需要一套成熟的演算法體系。

通常這種情況下，如果按照傳統的人工作業方式，至少需要一個15人的專業演算法工程師團隊，從資料採集、資料標註、模型結構設計、超參調節、晶片適配、迭代最佳化、部署應用等13大環節，耗費數月甚至更長的週期才能交付完成。所以，“極不划算”的投入產出比也讓加油站管理者們對AI的部署望而卻步。

傳統演算法生產流程及成本

另外，對精度要求極高的加油站還是典型的“小樣本”場景。“不同的場景需要不同的資料樣本，訓練出來的模型也不一樣，通用演算法模型並不適用，精度會大打折扣。”作為全球領先的AutoML自動化AI訓練平臺提供商，共達地的一位產品經理表示，極度碎片化的加油站應用場景缺乏大資料樣本，而訓練演算法一般需要足夠有效的樣本資料支撐。如何透過小樣本學習訓練出高精度的演算法模式？是一個不小的挑戰。

定製化、高精度、小樣本、低成本的智慧加油站轉型道路何去何從？共達地AutoML或許可以給出一個不一樣的示範答案。

共達地AutoML：以AI演算法為加油站插上智慧的翅膀

AutoML，即自動化機器學習，被譽為深度學習新一代王者。雖然谷歌早在2017年便率先在產業界提出了這個概念，但長期以來缺乏真正的商業化落地。而共達地在AutoML領域已積累了2年多的商業化落地經驗，並推出了GDDi自動化AI訓練平臺3。0，在智慧城市、智慧園區等多個領域打下了紮實的基本功，屬於業內真正的領軍者。

面對加油站要求低成本、高精度、小樣本、定製化的碎片化場景需求，共達地AutoML自動化AI訓練平臺透過“用AI訓練AI”，將整個AI研發流程自動化，交付的不僅僅是一款“標品化”演算法，而是一整套“軟體平臺+硬體裝置+生態服務”的全平臺全鏈路閉環能力，為加油站插上了智慧的翅膀。

共達地演算法生產流程及效率

在具體場景應用方面，共達地重點針對加油區和卸油區兩大高風險區域部署AI智慧演算法。在加油區部署吸菸檢測、打電話檢測、煙火檢測、車輛佔道檢測、人員離崗檢測等AI算法系統，覆蓋加油區常見的危險行為。在卸油區部署車輛檢測、輪檔放置、除靜電、油品接解除安裝等AI算法系統，保障區域內的全流程安全卸油作業，實現安全隱患事前預警、事中管控、事後取證，由“人防”到“智防”的數字化轉變。

作為共達地的核心服務標籤，以AutoML為底層技術能力的自動化AI訓練平臺，具有更快交付、更高精度、更好適配、更強迭代等多重優勢，對加油站而言，是目前綜合成本最優的AI解決方案。

1。更快交付：透過共達地AutoML自動化AI訓練平臺的自動化模型設計與超參調節等功能，以小時級的速度定製演算法，開發效率可以提升10倍以上，並且全程由於沒有演算法工程師參與，客戶也無需搭建專業演算法團隊，AI建設成本可直降9成。

2。更高精度：依託首屈一指的自動化資料增強技術，共達地AutoML自動化AI訓練平臺可在更少資料標註的情況下，透過小步快跑敏捷迭代，使得演算法平均精度超過95%，能力媲美8年的專業演算法工程師。

3。更好適配：基於對近大量主流晶片的預適配，共達地AutoML自動化AI訓練平臺能在演算法生成過程中，就針對即將部署的設配晶片的運算元結構進行訓練，包含英偉達、高通、寒武紀、海思等10+主流大廠的100+款晶片，支援雲/邊/終端靈活部署。

4。更強迭代：通常在演算法的應用初期，AI識別的精度會出現不同程度下降，這就需要不斷進行資料的更新迭代，但要耗費很高的人力和時間成本。而透過共達地的訓練平臺，最快可實現一天迭代一個版本，免去額外成本與時間，讓精度直達最優。

舉個例子，共達地針對某加油站存在的重大危險源監測問題，提供了基於工服識別，車+人同步判斷的離崗識別等演算法定製方案，以及安全帽、打電話、火焰識別等常規方案，助力客戶打造影片演算法的安全預警平臺，建立了視覺化、數字化的智慧管理系統。

共達地智慧能源應用案例

相較於其他友商提供的解決方案，共達地的單個演算法交付時間由2個月縮短至1天，模型識別效果由85%提升至96%，定製演算法交付數量提升了6倍，客戶滿意度大大提升。

從“偶像派”到“實力派”，以AutoML為核心的自動化演算法服務正在成為驅動AI大規模商用的“關鍵力量”。而作為AutoML產業化的先行者，面對AI大航海時代的黎明前夜，共達地率先吹響了這樣的時代號角：技術平權，AI即服務，人人皆可AI——從某種角度說，共達地AutoML加速推動了一場AI演算法商業化落地的產業革命。