电力巡检图片辅助筛查：边缘上传、缺陷候选与人工确认方案

数据性质

本方案为S1工程模拟，不对应真实客户项目；容量数字是带假设的计算，性能值是验收目标，未提供本站实机日志。

业务场景与安全边界

模拟一支巡检团队每天产生2万张图片，来自无人机和手持设备，包含绝缘子、接头、杆塔与周边环境。70%在白天8小时上传，剩余集中于任务结束后。平台只做缺陷候选筛查、整理与人工复核，不自动控制电力设备，也不把模型结果当作检修指令。

假设5%的图片被第一阶段筛为候选，候选再由VLM辅助解释并交人工确认。5%是容量试算变量，真实比例由业务样本测得。涉及人身与设备安全的最终结论由有资质人员作出，本篇没有现场实测或客户授权证据。

资源配置与任务分离

候选节点为两张24GB级GPU、256GB ECC内存与NVMe临时盘。GPU A运行专用检测模型，GPU B运行7B级视觉语言模型解释候选。整机主板平台按GPU尺寸、CPU通道和风道认证确定；不要把两卡48GB总容量当作一份模型连续显存。

边缘端只做质量检查和压缩上传，原图保留可追溯副本。中心任务队列按检查批次、设备与优先级调度，检测和解释各自限流。云端或内网部署均需要校验网络、对象存储与下载权限，不让临时图片URL长期公开。

从上传到人工工单

图片先记录任务ID、时间、设备、位置和哈希，过滤损坏、过曝与模糊。检测输出候选区域，VLM读取裁剪区域与必要上下文，提示其说明可见证据与不确定项。模型不能自行补充线路名称、缺陷级别或看不见的温度数据。

人工界面并列展示原图、候选框、说明与历史记录。确认、驳回和需要复拍分别存档。多个近邻图片可能对应同一缺陷，系统按资产与时间形成候选组，不直接把每张图片生成一条检修工单。

到达率与队列容量

白天1.4万张分布于8小时，平均约0.486张/秒；若高峰按平均4倍估算，约1.94张/秒。假设检测阶段试验测得0.15秒/张，单工作流理想服务率约6.67张/秒，仍要扣除预处理与存储等待。0.15秒是待替换变量，不是GPU性能声明。

按5%候选比例，每天约1000张进入VLM。若每张解释6秒，纯处理约1.67小时，但集中上传时仍可能排队。更重要的是人工工作量：每张45秒复核则约12.5人时/天，需要明确人员安排或先做去重。GPU处理快并不能解决人工队列。

样本与指标不能只看准确率

建立2000张有真值的业务图片，按资产、季节、光照与设备分层，训练和验收按任务批次隔离，避免相似连拍同时出现。至少一半为无缺陷样本，用于观察误报。关键缺陷召回、普通缺陷召回、每千张误报与无法判断比例分别报告。

设计目标是人工必须复核的高风险候选召回达到项目约定门槛，普通任务在30分钟内进入复核队列。具体召回门槛由业务负责人按漏检代价确定，不在没有样本时编写99%准确率。VLM解释另测事实错误与幻觉，不与检测框指标混合。

异常与恢复

断网时边缘端保留待上传清单，重传使用哈希与任务ID去重。GPU进程失败重试当前图片，不重新生成已确认工单。模型更新先在影子队列处理同一批图片，人工比对差异后再切换，旧版本与提示词保留。

质量差的图像应请求复拍，而不是让VLM增强出不存在的细节。恶劣天气、遮挡与新设备类型进入已知限制，平台明确显示“需要人工确认”。输出文件、对象链接和缓存到期策略一起审核。

季节变化的持续监测

白雪、雨雾、逆光和植被变化可能使上线时有效的模型失效。每周统计各环境条件的候选比例与人工驳回率，出现突变先抽样复核，不直接调整阈值掩盖漏检。新增设备类型先列为未验证场景，收集足够样本后再开放自动筛查。

复核结果如何反哺模型

人工确认结果与原始候选分开保存，保留标注人、时间、资产类别和争议原因。不同人员意见不一致的样本进入专家复核，不自动当作训练真值。后续训练按资产与巡检批次划分数据，防止同一设备连拍造成泄漏。每次更新统计哪些缺陷改善、哪些条件退步，并在影子队列观察至少一个周期。不能仅因为总体分数上升就覆盖旧模型；关键类别召回下降时应维持旧版本或限制适用范围。

交付材料

交付包含资源拓扑、样本分层、标注规范、原始指标、队列时间线、人工工作量和故障演练。用户看到的价值是快速定位疑似问题并查看证据，不是一个看似智能的最终判决。参考：Qwen2.5-VL模型卡、Kimi视觉评测研究。