全国应急火情治理

项目背景

客户与业务背景

项目面向应急管理局、消防救援机构、街道、物业公司和商业综合体。传统消防体系往往在感烟、感温或人工报案后才进入处置流程；对于老旧小区、架空层、楼道、充电棚和商业后场等开放或半开放空间，火灾一旦形成明火，留给物业和消防的处置窗口已经很短。

与此同时，存量摄像机数量庞大、品牌协议不一，全面替换为热成像或专用火情设备投资过高。项目因此不以“重建一套消防硬件”为出发点，而是优先收编已有视频资源，以云侧视觉算法发现早期烟火，再把电动车违规充电、楼道堵塞、易燃物堆放等隐患纳入定期巡检，将治理窗口从事中报警前移至事前预防。

行业治理也在从单点设备报警转向“技防 + 人防 + 智防”协同：平台不仅需要识别风险，还要完成分级、复核、派单、整改和跨部门联动，形成可追溯的闭环。

核心问题

火情 AI 误告严重：水汽、云雾、灯光反射、灰色墙体、焊接火花和镜头污染都可能呈现与烟火相似的视觉特征，单帧模型难以兼顾高召回与高精度。
标准硬件方案成本高：专用火焰、感烟和热成像设备效果稳定，但在数十万存量点位规模下，设备采购、施工和运维成本限制了大规模铺设。
重发现、轻预防：多数方案聚焦明火或烟雾报警，未持续检查电动车违规充电、通道堵塞、易燃物堆放和消防门异常等前置风险。
有告警、无闭环：误告过多会造成值守疲劳；若缺少人工复核、责任人触达和整改跟踪，算法结果难以转化为实际治理效果。

思考与决策

1. 规模化商用必须先建立低成本底座

以云侧算法和存量设备利旧作为标准交付路径，避免全面更换摄像机。
常态抽帧 30 秒，发现疑似风险后动态提升至 5 秒，控制长期推理成本。
尽可能压缩研判大模型参数量，把昂贵推理集中在少量疑似事件上。

2. 用“小模型召回 + 大模型研判”降低误判

前向小模型优先保证召回率，接受一定数量的疑似告警进入第二级。
7B 多模态模型结合连续关键帧，排除水汽、云雾和反光干扰。
对于高风险或不确定事件，用户可以开通 114 增值服务，进入人工告警中心，作为最后一道业务防线。

3. 端云组合替代“一刀切”硬件建设

云侧负责存量视频规模接入、通用烟火识别、风险分级和预防巡检。
电瓶车棚、充电桩、仓库等关键点位可选择端侧 AI 摄像机或热成像设备，提高实时性。
形成普通点位低成本覆盖、关键点位重点加强的分层方案。

4. 把预防能力设计成可持续增值服务

定时识别电动车飞线充电、电动车聚集、楼道杂物阻塞、易燃物堆放和消防门锁闭等预防场景。
按点位风险分级设置每日或每周巡检频率，避免所有算法持续运行。
以任务派发、整改回传、复核销项衡量治理结果，而非只统计告警数量。

商业模型设计

服务套餐设置

端侧摄像头300–1,000元

基础、高阶与热成像设备均可选择，按点位风险和现场条件配置。

基础火情套餐10元/月/路

包含基础监控、视频纳管、云存储、AI 检测和大模型研判。

114客服中心5元/月/路

接入省内人工研判中心，提供消防端联动预警与告警服务。

预防检测包10元/月/路

覆盖飞线充电、电动车聚集、楼道阻塞、易燃物和消防门异常。

建设与运营成本

成本项目	测算口径	成本	说明
初期产品建设	算法、平台、接入与项目团队	约 450 万元	覆盖产品研发、模型链路、运营平台和标准化交付能力。
固定运营投入	平台运维与客户服务	约 15 万元/月	负责版本维护、模型评测、资源监控和线上问题处置。
114 人工中心	省内自建	不计入建设支出	平台按开通路数收取接入费，由省内中心承担人工和值守建设。

客户侧单位成本

服务包	成本项目	单路月成本	毛利判断
基础火情包	视频收编与网络带宽	约 2 元	合计约 9 元；标准定价 10 元，承担规模覆盖，基本不赚钱。
	前向火情云侧推理与抽帧	约 3 元
	大模型研判	平均约 2 元
	云存储及其他资源	约 2 元
114客服中心	省内人工中心接入	约 2–3 元	定价 5 元，单路月贡献毛利约 2–3 元。
预防检测包	低频小模型/大模型巡检	最高约 3 元	定价 10 元，单路月贡献毛利约 7 元，是主要盈利产品。

年度效益测算

以当前 30 万路规模为基准，预防检测包开通率 23%，年退订率 6%，每年新增 3 万路；114 套餐因缺少开通率，不计入基础收益。

指标	计算方式	测算结果	经营含义
基础包年度收入	300,000 × 10 元 × 12 月	3,600 万元	形成规模稳定的基础服务收入。
基础包年度贡献毛利	300,000 ×（10 − 9）× 12 月	360 万元	基础包毛利较薄，核心目标是覆盖点位。
预防包年度收入	300,000 × 23% × 10 元 × 12 月	828 万元	约 6.9 万路开通预防服务。
预防包年度贡献毛利	300,000 × 23% ×（10 − 3）× 12 月	579.6 万元	构成项目主要利润来源。
年度经营贡献	360 + 579.6 − 180 万元固定运营	759.6 万元	尚未扣除新增点位 CAC、税费与渠道分成。
下一年度活跃规模	300,000 × 94% + 30,000	约 31.2 万路	退订后仍保持约 1.2 万路净增长。

LTV · CAC · ROI

单路三年 LTV约88元

按三年保守测算，计入 6% 年退订率；不含 114 套餐贡献。

单路 CAC约20元

按一个年度销售产品包的获客提成口径测算。

LTV / CAC约4.4×

88.4 ÷ 20，具备健康的规模扩张空间。

CAC 回收期约7.7个月

按基础包与 23% 预防包的期望月贡献毛利 2.61 元计算。

三年净经营收益约1,759万元

扣除固定运营、每年新增 CAC 与 450 万元初期建设投入。

三年 ROI约391%

以 450 万元初期建设投入为分母的保守测算。

技术方案

算法与工程优化

层级	设计	解决的问题
数据层	构建火焰、早期烟雾与高相似负样本库；重点采集水汽、云朵、反光、焊花、灰墙、灯光和镜头污染	让模型学习“像火但不是火”的困难样本
小模型	检测 + 分类级联，结合目标尺度、形态、颜色、上升趋势和连续帧一致性；按场景校准阈值	优先保证召回，同时减少单帧静态误告
时序策略	常态 30 秒抽帧；疑似事件提升至 5 秒，连续跟踪至给出结论或超时转人工	在响应速度和长期推理成本之间动态平衡
大模型	压缩至 7B 的 TeleAI 星河多模态研判模型，输入关键帧序列、点位类型和检测结果，输出结构化风险结论	排除水汽、云影、反光等复杂干扰，并完成风险分级
事件层	按摄像机、空间邻近和时间窗进行告警聚合去重	避免同一事件反复推送造成告警疲劳
运营层	高风险与不确定事件进入 114 人工中心，联动物业、街道和消防，记录响应与销项	把算法输出转化为可执行、可追踪的治理闭环

AI 模型指标

基于内部人工筛选测试集统一评估。前向火情模型优先保证召回，预防类模型强调结果可运营，大模型负责对疑似事件进行二次研判。

AI 能力	模型角色	Precision	Recall	大模型研判率	指标说明
火焰检测	前向小模型	约 79%	≥96%	98.3%	优先召回早期、小目标火焰；疑似事件由星河 7B 结合连续关键帧复核。
烟雾检测	前向小模型	约 75%	≥96%	98.3%	重点覆盖早期烟雾，并通过大模型排除水汽、云雾、反光和灰墙等干扰。
电动车飞线充电	预防小模型	≥92%	≥88%	—	识别充电线、电动车与插座区域之间的空间关系。
电动车聚集	大模型一次性智能巡检	≥94%	≥90%	—	按点位配置数量与密度阈值，过滤正常停车区域。
楼道杂物阻塞	大模型一次性智能巡检	≥93%	≥88%	—	结合通道区域和占用比例判断疏散空间是否受阻。
易燃物堆放	大模型一次性智能巡检	≥90%	≥85%	—	识别纸箱、油品等高风险物品，属于预防算法最低验收基线。
消防门锁闭	大模型一次性智能巡检	≥96%	≥91%	—	基于固定机位与消防门状态基线识别锁闭、常开或设施异常。

项目成果

商业成果

发展规模30万路

两年覆盖全国 25 个省份，发展 30 万路，月度平均新增约 5,000 路。

用户退订率<6%

年包用户退订率低于 6%，优于公司平均产品线。

增值服务开通率23%

预防检测等增值服务带动整体营收利润率提升约 5%。

产品成果

平均每日告警2,500+起

覆盖全国 25 个省份，平均每省每日产生约 100 起有效告警。

日均误告率32%

通过大小模型级联研判，将日均误告率从约 83% 降低至 32%，优于竞品方案。

高危场景整改7,000例

发现高危消防隐患并推动责任单位完成整改闭环。