白蚁防治这四个字放在水利行业里分量一点都不轻。我第一次认真琢磨这件事是帮一座南方中型水库做大坝安全监测技术提升的时候。老工程师带我去坝面看坡脚到坝肩的土坡上一条条泥痕像给大坝画了等高线。那不是雨水留下的是土栖白蚁从地下带上来的泥被泥线——白蚁外出取食的作业通道。几公里长的坝面两三个人拎着手电筒和斧子巡视说句不好听的很大程度上是在碰运气。地下蚁道一旦贯穿坝体高水位一压渗流集中管涌一起整段坝都可能出大问题。所以我们后来做了一套AI可视化白蚁防治装置用图像识别盯地表活动用声发射传感器听地下动静用可视化大屏把监测数据、预警事件全部汇聚起来让管理员坐在值班室里就能看清大坝沿线的情况。这篇内容就是这套装置的完整复盘适合水利工程管理、白蚁防治服务商和做AIoT方案的团队参考也适合准备接手大坝安全监测项目的人快速建立一个整体认知。1. 白蚁对大坝的威胁为什么一套AI可视化装置才盯得住1.1 白蚁怎么一步步“掏空”坝体土栖白蚁是水利工程防蚁的重点对象最常见的是黑翅土白蚁和黄翅大白蚁。它们跟家里木地板里那种白蚁不是一回事这类白蚁直接在土里筑巢主巢可以深入地面以下数米巢体外围是成片的菌圃腔再从巢腔向外放射出纵横交错的蚁道。细的蚁道只有几毫米粗的可以让整群工蚁快速通行有些甚至能穿过整个坝体把上下游串起来。水库蓄水以后坝体浸润线以下的土体湿润、温度稳定对白蚁来说简直是黄金地段。它们顺着湿润土层一路掘进蚁道穿透坝体的上下游坡面这时候风险就变得非常直接库水位抬高水压增大库水沿着蚁道集中渗入。如果下游坡面刚好有出口这条蚁道就成了现成的“水管”水流不断把坝体内部颗粒带走轻则散浸、湿坡重则发展成管涌通道。管涌一旦形成靠人工在泥水里抢堵难度和代价都远高于前期防住。所以大坝白蚁防治历来不是“除虫”这么简单它本质上是防渗安全的一部分。1.2 人工巡查的三个绕不开的坎传统做法靠人拉网排查现场会遇到三个很难绕开的坎。第一个坎是看不见。白蚁大部分时间在地下活动地面上能暴露的线索只有泥被泥线、分飞孔、通气孔等痕迹很多痕迹尺寸很小藏在草根下面或者被一场雨冲得干干净净。没有三年以上现场经验的师傅根本认不全这些形态更别说顺着泥线反推蚁巢方向。第二个坎是跑不赢。中型水库坝线普遍三到五公里高水位期一天要往返巡查多次但白蚁的活动窗口偏偏集中在闷热傍晚和夜间人工巡查很难踩准时间点。经常是分飞期过了好几周值班员才在坝坡上发现一大片废弃的分飞孔蚁巢早就成型了。第三个坎是经验断代。过去老技师挖巢找蚁道是有口诀的怎么看泥被线的走向判断主巢方位、怎么从分飞孔密度估算巢龄这套手艺基本跟着老师傅退休在流失。现在的年轻巡坝员能熟练操作无人机、自动化监测终端但让他判断一条泥线到底是白蚁通道还是雨水冲痕往往没有把握。三大痛点叠加起来靠传统手段很难做到“早发现、早处置”。所以我自己的判断是白蚁监测这个场景天然适合交给机器和算法机器可以不睡觉地盯着算法可以持续学习认迹数据可以跨季积累。1.3 从“看不见”到“看得见”的监测闭环引入AI和可视化之后白蚁防治从传统“巡查-发现-挖巢”变成了一个完整的数字化闭环。感知层有摄像头、声发射传感器、环境监测设备全天候采集识别层由AI模型区分白蚁个体、泥被泥线、蚁路和分飞孔预警层按严重程度分级把事件推送到大屏和手机处置层保留完整证据录像值班员远程复核后再决定要不要派人复盘层按周、月生成活动热力图让防治资源跟着风险走。可视化在这套系统里不是锦上添花。光知道“有白蚁”不够还得知道在哪个桩号、哪个坝段、活动密度比上周涨了多少决策才做得出来。可视化把这几件事浓缩成一块大屏和一张活动热力图值班员不用翻报文就能看懂现场态势。整套装置的出发点就是先用技术解决“看不见”再用数据解决“不好决策”。2. 装置的技术骨架感知层、识别层、可视化层怎么搭2.1 感知层选型四类传感器各管哪一段感知层是整套装置的底层我实际配置下来主要四类传感器各管一段。第一类是视觉。选用400万像素以上的球机或枪机带红外或星光级夜视。白蚁分飞季通常出现在雨后闷热的傍晚和前半夜设备没有低照度能力监测效果直接打对折。镜头安装时可以把俯角压低一点让画面多覆盖坝坡表面少带天空和远处的树冠。第二类是黑光灯诱集。分飞期的有翅繁殖蚁有很强的趋光性在摄像头附近架一盏365纳米波长的黑光灯分飞发生时虫群会聚集到灯下。AI对灯下区域做高分辨率增强检测置信度比扫描整幅坝坡高得多。这盏灯是分飞季的“倍增器”强烈建议装不是可有可无。第三类是声发射传感器英文缩写AE。白蚁在地下走动、取食、修建蚁道时会对周围介质产生高频弹性应力波。把AE传感器埋在坝脚土体里或者贴在防浪墙结构表面采集电路记录波形再分析是否存在典型的脉冲序列。这套思路最早是从木材害虫检测行业借鉴过来的用在土坝上的关键是传感器与土体的耦合。埋设时别虚埋要用原状土回填压实有条件加耦合剂减少空气间隙。信号频段重点关注几kHz到几十kHz这一段雨水滴答声、风吹草动大多不落在这一区间特征比较好分离。第四类是环境传感器。白蚁的活跃程度和温度、土壤含水率强相关潮湿但不积水是最舒服的状态。把温湿度、土壤含水率作为条件参数接入判定逻辑后可以消掉一批无效告警。比如土体含水率已经接近饱和时白蚁活动本来就弱图像上出现的“虫体”就更可能是光影误判。再加一路雨量和风速传感器恶劣天气下对视觉检测结果降权系统会更稳。这四类数据最后在边缘盒子做时间对齐形成一个综合事件向量视觉检测结果、AE脉冲计数、环境参数、气象参数。多源融合比单一视觉方案可靠性高一个量级这也是为什么这套装置不能只放几个摄像头了事。2.2 识别层轻量化模型怎么选、怎么训识别层的核心是AI模型选型。大坝现场部署不需要实验室级别的超大网络反而要在功耗、延迟、精度之间找平衡。我自己的选择是YOLOv8s这个档位的目标检测模型在Jetson Orin Nano上通过TensorRT优化之后单帧推理能控制在15毫秒左右。如果不想绑NVIDIA生态RK3588主板的NPU也能提供4.6TOPS算力跑ONNX模型一样够用。我们设定的分析频率是5秒一帧这个节奏覆盖白蚁活动绰绰有余功耗压力也小。训练阶段要识别三类目标每类目标的视觉特征差异很大有翅成虫分飞繁殖蚁特征是两对等长翅、体色浅、触角长多在黑光灯附近出现。泥被泥线白蚁外出取食时临时修建的泥质覆盖通道沿坝坡呈线条状或网片状颜色比周边表层土浅。蚁路和分飞孔通往主巢的固定通道外露部分分飞孔就是繁殖蚁起飞的出口孔洞。数据集构建时要覆盖不同光照、干湿环境、季节背景目标是让模型学到白蚁的“形状纹理”特征而不是记住某一片坝面的颜色。起步阶段如果现场样本不够可以用公开的害虫图像数据集做预训练再到现场收集负样本做微调。还有一个容易被忽视的点是连续帧消抖。单帧检测出现高置信度很可能只是飞虫、落叶或者光影变化所以我自己的处理方式是连续三帧命中同一区域或者五分钟内多次检到同类目标才生成一条可告警事件。时间窗口N取3五分钟滑窗既能压误报又不会漏掉分飞高潮期的密集活动。2.3 可视化层数据链路、大屏和GIS联动可视化不是挂一块大屏就完事关键在数据链路怎么通。边缘设备把结构化事件通过MQTT推送到平台后端写入时序数据库用于历史聚合实时事件再缓存一份到Redis大屏查询时秒级返回。这样设计的好处是大屏上的预警弹窗不会因为数据库查询慢而延迟历史趋势报表又不会被实时流量挤垮。地图层用Leaflet或Mapbox叠加矢量地图把坝线边界、监测点位、水位标高画成图层。活动密度用ECharts或Antv的Heatmap做热力渲染色阶从绿色渐变到红色一张图就能看出哪段坝坡风险最高。点位状态用蓝黄红三色圆点区分预警等级值班员一眼就能锁定问题区。展示层不要堆图核心是事件驱动联动。值班员看到GIS图上的红点点一下就能调出附近视频流和最近抓拍帧不用再打开另一套客户端。白蚁活动事件还要和大坝已有的渗流、水位数据放到同一个时间轴当渗流量抬升同期出现白蚁活动异常系统自动弹综合风险研判提示。这在水利管理上特别有用白蚁活动和渗流数据各看各的价值有限合在一起才能验证“蚁道导致渗流通道形成”的因果链条给除险加固决策提供依据。这套大屏结构也是参考了常见BI可视化大屏的逻辑第一屏放总览态势第二屏放视频复核区第三屏放趋势分析按值班员的操作动线一层层深入而不是把几十个图表全塞在第一屏让人眼花缭乱。3. 现场部署与联调一份能直接复用的实施清单3.1 点位怎么定先看蚁害史再看地形特征点位布设是部署阶段最该花时间的事。我的原则是历史蚁害分布优先地形特征次之最后才考虑设备覆盖均匀度。先调阅过去几年的人工巡查记录、蚁患处置记录把泥被线密集段、挖巢点位、分飞孔发现点全部标记到地图上找风险密度最高的区段。没有历史记录的就沿坝脚、坝肩、山体结合部现场踏勘看哪里有新鲜泥线。地形上优先选向阳坝坡和黏性土质段白蚁偏好温暖且保水好的环境坝肩和坝脚是蚁巢常见位置土体相对松软也方便它们掘进。综合监测桩按200到300米等间距布设中间可以穿插单支枪机补盲。一条三公里坝线我建议做十二到十五个综合点位但首期不必全铺先投六到八个试点跑通流程再扩展。黑光灯的安装位置要注意避开路灯和车辆灯光防止光谱干扰高度贴近白蚁分飞的平均飞行高度效果最好。设备参考选型备注高清球机400万像素红外/星光级覆盖坝坡加遮光罩和视窗疏水涂层黑光灯365nm波长分飞季诱集独立开关控制AE声发射传感器频响50Hz-20kHz埋设坝脚土体或贴防浪墙表面边缘推理盒Jetson Orin Nano / RK3588主板无风扇低功耗户外防水箱太阳能供电MPPT控制器 磷酸铁锂电池按连续阴雨天3天配置预留余量无线网关4G/5G模块支持双卡信号弱时加外置高增益天线3.2 边缘推理设备的参数配置细节设备到场后的流程是上电、接入摄像头、测试网络、推入模型、联动调参。摄像头接入我用FFmpeg持续抽帧命令大致是这样ffmpeg -rtsp_transport tcp -i rtsp://admin:password192.168.1.20/stream1 -vf fps1/5 -strftime 1 /frames/cam_01_%Y%m%d_%H%M%S.jpg这里注意RTSP地址里的密码不要含特殊字符否则转义问题会折腾半天。抽帧频率1/5代表每5秒存一帧24小时全开一天的图片量并不大但已经足够覆盖白蚁爬行的速度。推理循环我习惯用Python写方便改逻辑。伪代码示意如下import cv2 import onnxruntime session onnxruntime.InferenceSession(yolov8s.onnx) input_name session.get_inputs()[0].name def frame_to_events(image_path): img cv2.imread(image_path) tensor preprocess(img) # 归一化、尺寸变换 output session.run(None, {input_name: tensor})[0] dets postprocess(output, conf_thres0.45, iou_thres0.45) return dets for path in frame_queue: dets frame_to_events(path) if dets: # 按目标区域做时间窗口去重 # 连续3帧命中同一目标后上报MQTT pass关键参数取值我固定成这样置信度阈值0.45NMS的IoU阈值0.45分析帧率5秒一帧。黑光灯诱集区单独配置置信度阈值可以降到0.35因为灯下区域目标清晰误检率低低阈值能多捕获分飞期的小虫体。事件录制另开一路RTSP存流保证预警后有完整视频证据这个证据在后续人工复核和处理纠纷时很关键。供电和功耗是现场最容易出问题的地方。设备整体功耗控制在15到18瓦以内太阳能电池板在中午高温下输出会衰减到额定值的六到七成不能按标称功率算。电池容量我按连续阴雨天3天做估算公式设备功耗P瓦持续天数D天系统电压12V放电深度0.7容量约等于P乘24乘D再除以12乘0.7。代入功耗15瓦、3天阴雨算出来约128Ah取150Ah磷酸铁锂电池比较稳妥再留百分之二十余量给附加传感器。这段计算要提前做好别到了现场才发现蓄电池撑不过一个梅雨季。3.3 预警分级规则与联动处置流程预警分级我设计了三级每级对应不同的联动动作和响应要求等级判定条件联动动作值班响应蓝色提示单帧检测到疑似泥被泥线置信度超阈值系统记录并打标更新热力图无需现场处置黄色预警连续3帧命中同一目标或当天累计检测超5次大屏点位闪烁推送企业微信模板消息2小时内远程复核视频确认红色警报识别到有翅成虫分飞群或AE特征持续30秒以上短信加电话提醒带班领导同步推送现场抓拍30分钟内派员现场复核并处置联动流程要把“先复核再处置”刻进规则里。蓝色级别只是沉淀数据黄色级别才需要人去远程看一眼红色级别才会惊动带班领导。这样安排是为了防止系统频繁误报导致值班人员麻痹。现场确认为真蚁患后处置措施按传统方案走小范围投放诱杀包控制区域做毒土隔离分飞群拍照上传回系统用作后续模型迭代的训练样本。这种分级也不是一开始就定死的试运行头一个月可以根据误报率和实际响应能力调整阈值。比如某点位树影干扰严重连续三帧命中这个规则频繁触发就可以把该点位的时间窗口从三帧放宽到五帧或者降低该点位的地理权重。3.4 可视化大屏做成“六件套”之后值班员才会用大屏设计我最后收敛成六块固定内容少了显得单薄多了值班员看不过来。GIS态势图所有监测点位、状态、预警等级、热力层占第一屏主体。实时视频轮播关键点位视频流和最近抓拍帧点击点位可放大单路画面。活动趋势按日、周、月聚类的检测次数和置信度曲线。预警事件列表带桩号位置、目标类别、置信度、图片证据支持一键派单。环境面板雨量、温度、湿度、土壤含水率、风速辅助判断预警可信度。关联分析白蚁活动次数、渗流量、库水位三组数据同轴曲线。在此基础上每天早上7点由系统自动生成前24小时白蚁活动日报直接给出“今日重点关注桩号”和“建议处置优先级”。这一步让大屏从“看数据”变成“看结论”值班员不需要自己去翻曲线找异常系统告诉他先看哪里处置效率提升非常明显。4. 运行阶段的高频问题与排查笔记4.1 误报高的原因不在模型往往在环境干扰我们第一个月运行下来误报来源排名前三的分别是夜间树影晃动被识别成“爬行白蚁”雨滴溅在镜头保护罩上被当成虫体蠕动露水反光形成高亮斑点。这些问题靠改模型参数见效很慢工程手段更快。我的处理方式是在模型预处理阶段加ROI区域屏蔽把画面里的道路、水面、天空、树冠部分直接排除在推理范围外树影再晃也不参与计算。摄像头安装时压低俯角减少大范围天空和动态植被入画。雨滴问题给视窗加疏水涂层同时把雨量计接入判定逻辑降雨期间视觉结果自动降权优先信任声发射信号。误报帧不能扔掉攒起来是资产。每个月从预警图片库里抽几百帧做人工复核把误检帧导回训练集重新标注做一次轻量增量训练。持续两三轮之后系统对现场环境的适应能力会明显改善误报率能压到每套设备每天两条以下。这个“难例挖掘”的流程做得越勤模型越用越准。4.2 供电和通信问题比算法调参更耗时间野外供电第一个坑是夏天太阳能板过热中午表面温度逼近七十度时输出功率掉到额定值的六到七成如果电池容量没有余量傍晚就会低压报警。换双玻光伏板加装MPPT控制器电池容量按前面说的公式多算一档基本能解决。现场作业时还要注意防水接线盒的端子压紧虚接导致接触电阻过大是隐藏杀手夜里设备反复重启排查起来极其痛苦。通信弱是第二个坑。大坝背水面和河谷底部信号差是常事4G信号经常只有一两格。处理办法是外置高增益天线九dBi起步线缆尽量短模组选支持双卡双待的插两家运营商SIM卡互为备份。实在没信号的点位用LoRa自组网把数据汇聚到坝顶网关再统一走5G回传。实测下来信号问题的现场调试时间比算法参数调优多得多选点位时最好带着工地手机测一圈信号强度再定。4.3 模型随季节变化数据闭环要及时“换季”白蚁活动有明显季节性分飞季集中在雨后闷热时段冬季进入低活跃期春夏秋冬四个季节的图像背景差异也很大。如果一套模型从头用到尾春天训练好的权重在秋天落叶背景下漏检率会悄悄升高。我们定了一套按月维护的机制每月从预警图片库抽样本做人工复核标记漏检和误检每周做一次增量训练只更新特征层不做全量重训成本和收益最平衡每年分飞季开始前一个月用黑光灯诱集加拍一批新虫体照片保证模型对当年婚飞个体的外观差异敏感。边缘设备上保留旧模型继续运行中心端验证新模型精度提升后再下发替换。这种“边缘推理加中心定期更新”的双循环比频繁折腾整条链路省事得多对野外环境也友好。还有一个小经验大雨之后坝面泥被线经常被冲刷殆尽图像模型会有一段时间“无靶可打”。这时候声发射传感器反而还是能捕捉到地下活动因为白蚁修复蚁道的动作会产生振动信号。所以每次暴雨过后数据融合逻辑里要临时提高声发射信号的权重图像信号退居辅助位整套系统才不会变成瞎子。5. 项目复盘后的真实体会这套AI可视化白蚁防治装置做下来我最大的体会是真正难的不是某个算法有多先进而是把感知、供电、通信、算法、可视化全链路在一个野外恶劣环境下稳定跑起来。见过不少项目卡在太阳能供电设计不足也见过模型精度挺高但网络断链导致事件传不回来。技术选型反而相对成熟工程实施才是决定成败的环节。如果想把这件事做扎实建议先投一个试点点位从“单点能预警”跑到“单点能处置闭环”再考虑覆盖整条坝线。试点阶段多收集负样本把误报当训练资产后面扩点位的成本会低很多。数据积累起来之后这套系统的价值还会进一步放大——把白蚁活动作为大坝健康状态的前置指标与渗流、沉降监测一起纳入风险评估模型。到那时候它就不只是一个白蚁防治装置而是一条守护大坝安全的完整数据链。