有个做港口的朋友跟我吐槽：夜里江面上一片反光，他们的AI烟火检测一晚上报了十七次火警，值班员最后直接把报警音关了。真出事那天，谁也没听见。更麻烦的是，误报一旦上了通报，甲方的第一反应往往不是调算法，而是问责供应商。

误报这件事，杀伤力比漏报还大。它不损失一次事故，它损失的是值班员对系统的信任。

一、烟和火，对算法来说是两种东西

采购时大家习惯说「要烟火检测」，但落到算法上，烟和火是两类完全不同的目标。火焰有明确的颜色、边缘抖动频率和亮度特征，相对好抓；烟是半透明的，形态一直在变，早期那团淡烟跟雾、跟粉尘、跟蒸汽在图像上非常接近。另外火焰有明确的红外辐射特征，如果用的是双光或带红外的设备，火这一路的把握会大很多；烟则更依赖可见光的形态分析，两者不能混为一谈。

所以成熟的方案会把两件事分开：火焰用一个模型，烟雾用另一个，各自给置信度阈值。如果厂商只报一个「烟火准确率」，那你最好追问一句——这是火的数据，还是烟的数据，还是混在一起算的。

二、误报三大来源：水面反光、焊接弧光、夕阳

第一类是水面和金属反光。港口、码头、冷却塔附近尤其严重，夜里的灯光打在水面上，颜色、亮度、跳动频率跟火几乎一模一样，单帧图像基本分不出来。

第二类更常见：检修动火作业时的焊接弧光。这是真实存在的高亮点，算法报得没错，但它不是事故。解决办法不是让算法「别报」，而是把作业票信息接进来，动火期间走另一套策略。接法不复杂：作业票系统把动火时段和点位推给平台，平台在该时段把这一路切到作业模式，只留证不弹窗，作业结束自动切回。

第三类是低角度夕阳和车灯。秋冬傍晚，摄像机对着西边，整个画面泛橙，颜色型算法会集体失灵。这时候靠颜色已经不够，必须引入纹理和运动特征。

三、压误报靠的不是某一个模型

现场能落地的做法通常是三层叠加：第一层是多帧确认，不拿单帧下结论，要求连续若干帧都命中才报警，反光的高频抖动和火的持续形态在这一层就能分开；第二层是区域屏蔽，把水面、反光金属面、已知热源划成抑制区，降权处理；第三层是时段和工况策略，动火作业期、夜间、雨天各用不同阈值。

再往上就是现场数据。同一套算法在干净的园区和在粉尘大的皮带廊，表现能差一大截。能不能拿现场素材做二次训练，是通用模型和可用模型之间的那道坎。这也是我们一直把自训练平台当标配推的原因——它不是锦上添花，是让算法在你这个场景里活下去的前提。做法一般是：导出两周现场录像，人工标出真火烟和误报样本，增量训练一版模型，再用现场数据回归测试，误报降下来才上线。

四、落地前，这三件事必须做

第一，拿真实场景素材测，别只看演示视频。要一段包含反光、雾气、夜间的现场录像，跑一遍看误报多少条。第二，把验收指标写成条件句——「在某某分辨率、某某距离、夜间补光条件下，误报每天不超过多少次」，没有条件的准确率没有意义。统计时把凌晨、雨雾天、逆光这几个最难的时段单独拎出来看，别只报全天平均值。第三，确认报警能不能回传到甲方监管平台，ONVIF、GB28181、RTSP 接不上的话，前面做得再好也是白搭。

还有一点容易被忽略：报警之后有没有截图和短视频留存。值班员需要几秒钟判断「这是不是真的」，没有证据链，他只能跑一趟现场。所以选型时把「报警是否自带截图与短视频、留存多久、能不能批量导出」三条写进验收单，比反复争论准确率省事得多。

现在矿山、港口、化工的监管都在往「早发现、早处置」走，烟火检测几乎是标配。但真正决定这套系统能不能长期跑下去的，不是第一周的准确率，是第三个月值班员还愿不愿意看它。

你们现场最容易误报的是哪种？水面反光、焊接弧光，还是扬尘？ 评论区说一说，我按场景给你对应的抑制思路。