01 / 视觉层
摄像头与识别分区
画面覆盖整条采食线，各自独立的识别区把视觉判断对应到单个喷淋位置。
农牧业
先认出来，再动作
把传感器触发的牧场喷淋降温升级为视觉决策系统——控制层在开阀之前先分清眼前是牛还是人。
人牛分类分区级控制AI + PLC 闭环
行业农牧业
99.9%
白天识别准确率
99.2%
夜间 35–40 lux 识别准确率
5 秒
摄像头故障响应
8 秒
图像采样间隔
01 · 客户的要求
精准降温要保留，但不能再分不清对象。
“系统要知道喷淋位置上的到底是不是牛——不能把人和牛当成同一个触发信号。”
有没有 ≠ 是什么感应触发只能报告「这里有动静/有东西」，无法可靠区分是牛还是人。
牛舍环境复杂光照、粉尘、夜间作业和目标朝向，都会影响判断质量。
判断结果无从追溯没有画面佐证，管理者复核一次触发、调整一个分区或解释一起事件时都没有依据。
02 · 控制方式的转变
从「这里有东西」变成「这个分区里有一头牛」。
这次升级换掉的是输入信号的质量，不是末端执行机构。分类发生在 PLC 下达开阀指令之前。
| 决策环节 | 传感器触发逻辑 | AI 视觉决策 |
|---|---|---|
| 输入信号 | 只有「在位」状态位 | 分区内被分类过的目标 |
| 人牛区分 | 两者触发完全一样 | 先分类，再下开阀指令 |
| 分区颗粒度 | 每个位置一个感应点 | 每个喷淋位置一个独立识别区（ROI） |
| 可追溯性 | 控制器里的一个状态位 | 画面证据、告警与事件历史 |
03 · 现场实拍 · 夜间识别画面
控制层看到的识别分区与被识别出的牛只。
画面上不同颜色的区域就是各自独立的识别区。模型先识别出牛只，对应分区的状态才会进入 PLC 的判断环节。
01 · 看见 → 02 · 分类 → 03 · 校验分区 → 04 · 执行
04 · 系统怎么运转
从摄像头到现场设备的六段闭环。
一条很轻的数据链路把视觉识别、控制判断与设备真实状态串起来，没有哪一环重到拖累整体。
01采集摄像头实时采集每个采食区的画面。
02
识别AI 模型对牛只分类，并判断预设的识别区。
03
上送识别结果送往 PLC 与云端服务。
04
判断PLC 逻辑校验分区、时序、运行模式与工况。
05
执行只启动对应的阀门与喷淋位置。
06
反馈设备状态回传 AI 层，用于复核与调优。
05 · 系统构成
四个层次，按一个系统来设计。
这个项目把视觉采集、边缘智能、确定性的 PLC 控制与运行可见性组合在一起。
02 / AI 计算
昼夜双模型逻辑
按报告记载，系统采用 NVIDIA AI 计算单元，并按光照条件切换数据集。
03 / 控制层
PLC 与独立分控
PLC 做二次处理并驱动现场设备；分控独立，把故障影响限制在局部。
04 / 运维层
云端、告警与历史记录
管理者在可视化控制层就能查看设备连通性、分区状态、告警与历史记录。
06 · 现场验证
记录到的各档光照下，识别率均保持在 99% 以上。
据源报告记载：4 月 5 日至 4 月 27 日期间以 8 秒间隔间歇采样，使用两台安装在相同位置与角度的在线照度计。
照度 > 500 lux
白天 / 阴天 · 99.9%
报告记录的漏检率 0.01%。
照度 45–49 lux
夜间 · 一档 · 99.5%
报告记录的漏检率 0.03%。
照度 35–40 lux
夜间 · 二档 · 99.2%
报告记录的漏检率 0.05%。
07 · 运行可靠性
视觉一旦掉线，降温不会跟着停摆。
报告记载的配置把摄像头状态本身当作控制策略的一部分，并保留了本地降级通道。
01监视持续检查摄像头连接状态。
02发现识别出故障或断连。
03降级分控切到本地常规模式继续运行。
04上报告警与事件历史通知管理者。
5 秒
报告记载升级后配置的摄像头故障响应时间，上一版为 5 分钟。
08 · 实施方式
围绕这座牛舍来做，不是套一个通用模型。
每一步都是针对这座牛舍做的——它的机位角度、它的光照条件、它现有的控制网络。
01现场勘查梳理摄像头点位、采食位置、光照条件与既有控制网络。
02划识别区为每个喷淋位置划出各自独立的视觉识别区。
03训练模型按本场的环境、牛只与机位角度建专属数据集。
04系统集成打通 AI 推理、PLC 分控、阀门与云端运维。
05验证验证昼夜识别、时序、执行动作与故障降级。
06交付培训把画面复核、参数、告警与历史记录交给牧场团队。
09 · 项目成果
给每个喷淋位置配一个更聪明的决策层。
这次升级保留了原有的位置级控制，另外加上了目标分类、画面复核、昼夜适配与故障降级。识别表现取决于机位、光照、牛舍环境以及本场专属训练数据集的质量。系统配置与现场表现因牛舍、环境与运行要求而异。
这个项目要解决的不是「怎么开阀」，而是「开阀之前怎么判断得更准」。
本项目使用的产品
