混凝土物流這個傳統(tǒng)得不能再傳統(tǒng)的行業(yè),正在被AI悄悄改變著。
一車混凝土從攪拌站到工地,這中間的門道可不少?;炷廖锪鞯臅r效性要求極高,再加上各種單據(jù)、車輛管理、質(zhì)量監(jiān)控,傳統(tǒng)的人工處理方式早就跟不上了。于是,砼聯(lián)開始了AI化的嘗試。
01
車牌號識別:讓機(jī)器認(rèn)字
2023年7月,我們上線了第一個AI功能:車牌識別。
這個功能的應(yīng)用場景很特殊,混凝土攪拌車到達(dá)工地后,需要拍攝泵車的照片上傳系統(tǒng)。系統(tǒng)通過識別泵車車牌,自動判斷是否為指定的正確泵車進(jìn)行泵送作業(yè)。這個看似簡單的驗(yàn)證環(huán)節(jié),對于防止錯泵、串泵等問題至關(guān)重要。在實(shí)際作業(yè)中,工地現(xiàn)場環(huán)境復(fù)雜,拍攝角度受限,照片質(zhì)量參差不齊,這對識別算法提出了更高的要求。
混凝土物流與AI的結(jié)合就此開始。
02
發(fā)貨單識別:從1.0到2.0的進(jìn)化史
2024年2月,砼聯(lián)開始啃一個硬骨頭——發(fā)貨單識別。
混凝土的發(fā)貨單,那可真是五花八門。字體有大有小,格式千奇百怪。最開始砼聯(lián)用的是傳統(tǒng)的
機(jī)器視覺方案,OpenCV框架走起,先判斷圖像方向,旋轉(zhuǎn)校正,然后文本檢測和識別。
圖像 → 方向判定 → 旋轉(zhuǎn)矯正 → 文本標(biāo)記 → 文本識別 → JSON提取
這個方案能用,但問題也不少。碰到拍攝效果不好的單子,識別率就直線下降。碰到格式特殊的,提取規(guī)則就得重新寫。維護(hù)成本高得嚇人。
到了2025年7月,砼聯(lián)換了個思路:
直接用多模態(tài)大模型。
把圖片扔給大模型,配上精心調(diào)教的提示詞,讓它自己去理解單據(jù)內(nèi)容。效果立竿見影,不管什么格式的單子,模型都能看懂。運(yùn)單號、項(xiàng)目名稱、發(fā)貨廠站、運(yùn)輸車輛、強(qiáng)度、方量,該有的信息一個不少。
03
保險單提?。赫Z義理解與標(biāo)準(zhǔn)化
2024年4月,砼聯(lián)推出了保險單智能提取功能。
保險單管理的最大難點(diǎn)在于術(shù)語不統(tǒng)一。不同保險公司對同類保險產(chǎn)品的稱呼各不相同——“駕乘險”在A公司叫“司機(jī)險”,在B公司叫“駕駛?cè)素?zé)任險”,在C公司可能又叫“座位險”。這種術(shù)語差異給統(tǒng)一管理帶來了極大挑戰(zhàn)。
砼聯(lián)選擇了DeepSeek模型,利用其強(qiáng)大的語義理解能力,實(shí)現(xiàn)了保險術(shù)語的智能映射和標(biāo)準(zhǔn)化。系統(tǒng)不僅能提取保單的基礎(chǔ)信息,更重要的是能夠理解不同表述背后的實(shí)際含義,并轉(zhuǎn)換為企業(yè)內(nèi)部的標(biāo)準(zhǔn)術(shù)語體系:
通過建立語義映射表和持續(xù)的模型訓(xùn)練,系統(tǒng)的標(biāo)準(zhǔn)化準(zhǔn)確率已達(dá)到96%以上,極大提升了保險管理的效率和準(zhǔn)確性。
04
安全風(fēng)險視頻識別:結(jié)構(gòu)化分析降低誤報率
2025年8月,砼聯(lián)部署了基于AI的裝載機(jī)作業(yè)視頻二次識別系統(tǒng)。
車載攝像頭的一級識別系統(tǒng)雖然響應(yīng)迅速,但誤報率較高,經(jīng)常將飄動的塑料袋、反光物體誤判為人員,也無法判斷裝載機(jī)的運(yùn)動狀態(tài)。這些誤報如果直接觸發(fā)告警,會造成“狼來了”效應(yīng),降低現(xiàn)場人員的警惕性。因此,砼聯(lián)引入了AI二次識別機(jī)制——對一級系統(tǒng)的告警視頻進(jìn)行深度分析,確認(rèn)是否存在真實(shí)的安全風(fēng)險。
系統(tǒng)的核心在于結(jié)構(gòu)化的分析框架。砼聯(lián)設(shè)計了分步驟的識別策略:
第一步:人員識別與定位
· 判斷視頻中是否出現(xiàn)人員,并給出0-1的置信度評分
· 精確定位人員在畫面中的九宮格位置(左上、中上、右上等)
· 詳細(xì)識別人員著裝特征,特別是安全裝備的佩戴情況
第二步:車輛運(yùn)動狀態(tài)分析
· 通過分析畫面中參照物的位移變化,判斷裝載機(jī)的運(yùn)動狀態(tài)
· 區(qū)分三種狀態(tài):持續(xù)運(yùn)動、減速后停止、持續(xù)停止
· 為每個判斷提供置信度評分,確保結(jié)果的可信度
第三步:結(jié)構(gòu)化輸出
系統(tǒng)采用標(biāo)準(zhǔn)化的JSON格式輸出,包含人員檢測結(jié)果、位置信息、著裝描述、車輛狀態(tài)等關(guān)鍵字段。這種結(jié)構(gòu)化數(shù)據(jù)便于后續(xù)的自動化處理和統(tǒng)計分析。
通過這種分步驟、帶置信度的識別策略,系統(tǒng)實(shí)現(xiàn)了以下性能指標(biāo):
· 車輛運(yùn)動狀態(tài)判斷準(zhǔn)確率:95%
· 人員識別準(zhǔn)確率:80%
· 誤報過濾率:82%
更重要的是,置信度機(jī)制讓砼聯(lián)能夠靈活調(diào)整告警閾值。對于高風(fēng)險場景,可以降低閾值提高靈敏度;對于常規(guī)作業(yè),可以提高閾值減少干擾。這種動態(tài)調(diào)整能力使系統(tǒng)能夠適應(yīng)不同的作業(yè)環(huán)境和安全要求。
在實(shí)際部署中,砼聯(lián)發(fā)現(xiàn)結(jié)構(gòu)化的提示詞設(shè)計是成功的關(guān)鍵。通過明確的任務(wù)分解和輸出規(guī)范,即使是相對簡單的模型也能達(dá)到較好的識別效果。這個經(jīng)驗(yàn)對砼聯(lián)后續(xù)開發(fā)其他AI應(yīng)用具有重要的指導(dǎo)意義。
05
未來的路——讓AI真正懂混凝土
除了上述已經(jīng)上線的AI應(yīng)用,砼聯(lián)也正在積極探索更深層次的AI應(yīng)用。
1. 區(qū)域調(diào)度算法
不是簡單的派單,而是讓AI Agent理解整個區(qū)域的供需關(guān)系,自動協(xié)調(diào)多個攪拌站之間的運(yùn)能。想象一下,A站運(yùn)能過剩,B站訂單爆滿,AI自動發(fā)起區(qū)域調(diào)度,把A站的空閑攪拌車調(diào)配給B站。這不是科幻,砼聯(lián)已經(jīng)在做原型。
2. 混凝土質(zhì)量預(yù)測
通過分析攪拌車的滾動力矩數(shù)據(jù),判斷混凝土的質(zhì)量變化趨勢。簡單說,就是通過車輛運(yùn)行數(shù)據(jù),提前發(fā)現(xiàn)混凝土可能出現(xiàn)的質(zhì)量問題。比如,混凝土離析了,粘稠度不對了,AI都能提前預(yù)警。
寫在最后
兩年多的AI化歷程,從簡單的圖像識別到復(fù)雜的視頻分析,從單點(diǎn)應(yīng)用到系統(tǒng)集成,砼聯(lián)一步步把這個傳統(tǒng)行業(yè)推向智能化。
最大的感受是什么?AI不是要取代人,而是讓人做更有價值的事。
實(shí)施過程中,砼聯(lián)在模型選擇、提示詞工程、系統(tǒng)集成等方面積累了大量經(jīng)驗(yàn)。這些技術(shù)沉淀成為了砼聯(lián)構(gòu)建行業(yè)AI應(yīng)用的核心競爭力。
混凝土物流的智能化才剛剛開始。下一步,砼聯(lián)想做的是打通整個產(chǎn)業(yè)鏈——從原材料采購到混凝土生產(chǎn),從物流調(diào)度到工地交付,讓AI成為整個鏈條的“大腦”。
這條路還很長,但砼聯(lián)已經(jīng)在路上了。
內(nèi)容來源:物流事業(yè)部
責(zé)任編輯:李孟珂
微信審核:趙亮 孫強(qiáng) 李丹雪
昵稱 驗(yàn)證碼 請輸入正確驗(yàn)證碼
所有評論僅代表網(wǎng)友意見,與本站立場無關(guān)