视频AI应用是行业智能化落地的重要手段之一。在高速公路智能化领域，视频AI应用被广泛地植入建、管、养、运、服各个环节，为行业带来了肉眼可见的效率与效益的提升。尽管如此，目前行业对视频AI应用效果的预期与现状仍然有一定的差距。影响高速公路视频AI应用效果的因素很多，以下几点是必须首先要提出来的。         

一、算法本身的不足

算法是视频AI应用的基础。有些业务场景小众，缺乏训练样本，没有算法支撑（比如要求识别工地上的违规操作，识别隧道口高陡边坡的落石，识别道路上出现的畜群等）。

图1： 边坡AR实景监测系统

图2： 视频检测道路病害与设施异常

要先 解决有无 问题。 基于AI开放平台，用少量数据快速生成满足场景需 求的算法，在实际应用中去积累更多的训练样本。 某些行业用户、平台或 者机构有可观的场景素材，如果能与其达成业务合作，那就事半功倍了。         

二、图像质量的不足

图像质量的好坏直接影响视频AI应用的效果，这一点相信大家都认同。 以高速公路收费系统车牌识别应用为例，视频感知设备工作环境不佳（如面板起雾、镜头虚焦、昆虫结网等）、物理遮挡（如拥堵、大小车并排行驶等）、车牌成像效果差（如车牌污损、强顺逆光、远光灯干扰等）都会导致识别准确率的下降，且影响幅度远远大于算法识别能力这一因素。

优化图像质量的办法很多。首先，从业务需求出发，合理选型，规范选点，保障施工安装质量（科学布建）；其次，根据场景特点对产品做专门的调整，比如增加面板雨刷、加热模块、自清洁水箱等结构设计（专属产品）；最后，广泛使用各种AI诊断工具，实时检测和提示出现的图像质量异常的情况（视频运维）。  

图3：隧道专用自清洁相机

三、方案设计的不足

很多时候大家只关注设备和算法，却忽视了AI应用整体方案的设计。相比直来直去的“蛮算”，问题等价转化后的“巧算”，有可能大大降低应用实现的难度。比如，夜间直接识别路面的坑洼、积水、抛洒物很难，能不能通过检测车辆群体变道来间接发现？要识别收费站蹭卡、跳磅这样的抽象行为，能不能转化成检测车辆异常行驶的具体动作？视频直接判定道路能见度很难，能不能借助固定参照物（比如标线标牌）来测算？

图4： 收费站非机动车/行人闯入预警

此外，基于对业务场景的理解，制定算法策略并综合运用多算法调度、多算法串联、多类型数据结合等智能增效手段，可以有效解决单一算法与业务场景偏离（误报、重复、多算法叠加等）的问题，加速视频AI应用的落地。          

四、闭环管理的不足

有用户部署了大量的交通事件检测服务器，但是回访问及应用效果，却说不出个所以然来。最后才弄明白，原来监控中心在接受到报警信息后，除了核实与记录，多数情况下没有（不能）关联任何的闭环举措。于是，事件检测应用的存在感很低，讨论其在业务上的价值没有意义。

视频AI应用能做到自动发现和预警，但是最终解决问题还得依靠配套的闭环管理机制，比如怎么跟进信息发布、事故救援、分流疏导、交通管制、应急处置等动作。不能彻底解决问题，就是彻底不解决问题，有头无尾的AI应用没有生命力。         

五、写在最后

视频AI应用是个系统性的工作，落地成效受限于他“最短的那块木板”，这给开发者带来了全面的挑战。挑战越多，价值也越大。只要高速公路行业追求降本增效的初心不变，视频AI应用的广阔天地，大有作为。