重磅发布 19 个视觉分析模型，涉及厂区消防安全、人员作业合规、工业设备与管线巡检、电子精密质检和农业种植监测等 10 大主流场景

重磅发布 19 个视觉分析模型，涉及厂区消防安全、人员作业合规、工业设备与管线巡检、电子精密质检和农业种植监测等 10 大主流场景

通过网盘分享的文件(安装包和手册)：iNeuOS_Vision

链接: https://pan.baidu.com/s/19GrUoWXnG2fnNhesNDJ5Qg?pwd=unmy 提取码: unmy

一、概述

iNeuOS_Vision·视觉分析是面向工业现场的机器视觉模型训练与应用管理平台，围绕数据标注、数据管理、模型训练、模型管理、模型测试、视觉分析和告警管理形成完整闭环。系统支持私有化部署，可用于快速构建可训练、可部署、可运营的视觉智能应用。并且深度与 iNeuOS 工业互联网操作系统集成，把视觉识别结果转化为平台数据点、告警事件和业务展示内容。

基于iNeuOS_Vision平台训练的19个视觉分析模型，覆盖七大核心业务场景、横跨多实体行业：

（1）厂区消防安全场景（火灾、烟雾、厂区违规吸烟、液体泄漏、综合工业隐患识别）；

（2）人员作业合规监管场景（劳保 / 食品车间防护穿戴、作业玩手机打闹、司机疲劳、人员跌倒、办公坐姿规范检测）；

（3）工业设备与管线巡检场景（油气管道缺陷、电力线路多类故障、皮带煤矸分拣、钢材表面瑕疵、焊接多维度缺陷检测）；

（4）电子精密质检场景（PCB 电路板各类细微缺陷自动识别）；

（5）农业种植监测场景（农作物各类病害、虫害智能识别）。

平台模型适配食品加工、电力运维、油气管道、钢铁冶金、矿山煤炭、机械焊接、电子制造、园区安防、农业种植、车载安全十大主流行业，企业也可基于平台自主标注、训练专属行业检测模型，快速搭建轻量化、可落地的机器视觉智能管控系统。

二、模型列表

表-模型介绍列表

|--------|--------------------------|------------------------------------------------------------------------------------------------------------------------|
| 序号 | 模型名称 | 模型识别场景介绍 |
| 1 | fire.pt | 火灾识别 |
| 2 | smoke.pt | 火灾烟雾识别 |
| 3 | person_smoking.pt | 人员吸烟识别 |
| 4 | derrame.pt | 液体或流体泄漏识别 |
| 5 | industrial.pt | 工业危害识别：化学品隐患、明火、未佩戴安全帽、烟雾、泄漏 |
| 6 | gas_pipelines.pt | 管道缺陷识别：涂层破损、管道腐蚀、管道形变、管线本体 |
| 7 | phonecall.pt | 打电话、闲玩打闹识别 |
| 8 | fatigue.pt | 疲劳识别：眨眼、疲劳犯困、非疲劳正常状态 |
| 9 | pcb.pt | PCB 板缺陷识别：孔洞缺失、鼠咬痕迹、开路、短路、尖刺、铜屑识别 |
| 10 | laying.pt | 跌倒检测识别 |
| 11 | welding_detect.pt | 焊接缺陷识别 |
| 12 | welding_seg.pt（精细） | 焊接缺陷识别：焊接不良、气孔、焊接良好、钢筋、飞溅物、裂纹识别 |
| 13 | agricultural_disaster.pt | 农业病害识别：叶斑病、蚜虫、细菌性斑点、绿毛虫、粉霉病、红蜘蛛识别 |
| 14 | steel_plate.pt | 钢材表面缺陷识别：褶皱、月牙形缺口、夹杂物、油污斑点、斑块、表面麻点、冲压孔洞、氧化皮压入、划痕、丝纹斑、折边褶皱、水渍斑、焊缝纹路、龟裂纹 |
| 15 | coal_gangue.pt | 运输皮带识别：煤、矸石 |
| 16 | essential_ppe.pt | 基础安全防护识别：人员、佩戴安全帽、佩戴防护手套、穿着反光背心、穿着安全劳保鞋、佩戴护目镜、无对应防护装备、未佩戴安全帽、未佩戴护目镜、未佩戴防护手套、未穿着劳保鞋 |
| 17 | food_ppe.pt | 食品工厂安全防护识别：佩戴防护手套、佩戴发网、口罩佩戴不规范、规范佩戴口罩、未佩戴防护手套、未佩戴发网、未佩戴口罩和穿戴安全鞋 |
| 18 | power_lines.pt | 电力基础设施故障巡检识别：罕见缺陷、避雷器绝缘击穿、避雷器老化、避雷器破损、避雷器引线断开、瓷柱绝缘子裂纹、瓷柱绝缘子破损、瓷柱绝缘子闪络、导线断股、导线绝缘皮破损、导线松股、高压导线接点发热、金具接线破损、鸟窝、异物、引线断开 |
| 19 | sitting_pose.pt | 良好坐姿、不良坐姿识别 |

视觉模型管理如下图：

三、模型介绍

3.1 火灾识别模型（fire.pt）

本模型主要用于火灾识别检测，模型训练结束后模型精确率、召回率均逼近 0.95 级别；mAP@0.5 最终结果为 0.970，在目标检测任务中属于极高精度水准，目标框定位与类别识别的综合可靠性较强，可用于工业火灾识别场景。

3.2 烟雾识别模型（smoke.pt）

本模型专注于烟雾识别检测，该烟雾检测模型训练收敛稳定，整体 mAP@0.5 达到 0.740，识别综合效果优良，可应用于厂区防火、火情前置预警、安防视频烟火监测等业务场景。

3.3 人员吸烟识别模型（person_smoking.pt）

本模型用于人员在各种室内外场景中吸烟行为进行检测识别，全局 mAP@0.5 达到 0.714，可识别人员厂区违规吸烟行为，适用于工厂、园区安环智能告警场景。

3.4 液体或流体泄漏识别模型（derrame.pt）

本项目主要用于液体或流体的泄漏识别检测，模型整体 mAP@0.5 为 0.548，精确率约 60%~70%、召回率约 50%，能够实现场景内目标基础检测识别。

3.5 工业危害检测模型（industrial.pt）

本模型针对化学品隐患、明火、未佩戴安全帽、烟雾、泄漏5 类安全生产场景风险识别检测，检测性能可满足现场工业安全巡检识别需求。全类别整体mAP@0.5 达到 0.697，适用于工业厂区、施工工地等场景的视觉安防智能化升级。

3.6 管道缺陷识别模型（gas_pipelines.pt）

本模型面向管道缺陷识别场景，针对涂层破损、管道腐蚀、管道形变、管线本体4 类管道典型钻头觅缝缺陷，完整记录训练收敛曲线与类别检测精度，适配油气长输管道、厂区管线自动化智能巡检业务场景。

3.7 打电话识别模型（phonecall.pt）

本模型用于识别人员打电话、闲玩打闹的场景，综合 mAP@0.5 达到 0.839，适用于工地、厂区、车间等场景人员作业规范智能监管，替代人工巡检实现作业纪律自动化管控。

3.8 疲劳识别模型（fatigue.pt）

本模型用于车内驾驶员的眨眼、疲劳犯困、非疲劳正常状态状态识别，综合 mAP@0.5 达到 0.978，可用于车载驾驶监测、厂区叉车/工程车辆司机疲劳预警等安全管控场景。

3.9 PCB板缺陷识别模型（pcb.pt）

本模型用于印刷电路板图像的缺陷识别检测，包括孔洞缺失、鼠咬痕迹、开路、短路、尖刺、铜屑，全类别整体 mAP@0.5 达到 0.989，六类缺陷单类别 AP 值均突破 0.98，可替代传统人工目检与基础 AOI 设备，实现 PCB 板面缺陷自动化识别定位，大幅降低人工质检人力成本，提升出厂品控效率与一致性。

3.10 跌倒识别模型（laying.pt）

本模型针对跌倒躺卧识别性能突出，单类别 AP 达 0.995，误漏检极少。模型精确率高、误报少，核心适配养老院、居家养老、病房、工业现场、园区等以跌倒预警为主的监护场景。

3.11 焊接缺陷识别模型（welding_detect.pt）

本模型用于工业焊接检测图像物体识别，以识别合格焊缝、不合格焊缝及特定缺陷。不良焊缝（Bad Weld）AP=0.781，满足常规焊接产线焊缝良莠识别需求。

3.12 焊接缺陷识别模型-精细（welding_seg.pt）

工业检测图像用于焊接质量的分割分析，可识别焊接不良、气孔、焊接良好、钢筋、飞溅物、裂纹等缺陷。六类焊接目标识别效果均衡，其中裂纹类别 AP 最高达 0.901，合格焊缝、焊瘤也保持 0.87 以上高识别精度，气孔、飞溅、不良焊缝 AP 稳定在 0.78~0.82 区间，模型同时具备精准缺陷定位与轮廓分割能力，各类焊接缺陷识别精度均衡优异，可直接落地工业焊接产线全品类缺陷检测、轮廓量化分析商用场景。

3.13 农业病害识别模型（agricultural_disaster.pt）

本模型用于检测农业病害，包括：叶斑病、蚜虫、细菌性斑点、绿毛虫、粉霉病、红蜘蛛。均衡各类病虫害检测精度，整体满足田间主流虫害识别基础落地需求。

3.14 钢材表面缺陷识别模型（steel_plate.pt）

本模型用于钢材表面缺陷识别，包括褶皱、月牙形缺口、夹杂物、油污斑点、斑块、表面麻点、冲压孔洞、氧化皮压入、划痕、丝纹斑、折边褶皱、水渍斑、焊缝纹路、龟裂纹，以上为钢材冷轧板材全品类表面典型缺陷类别，涵盖成型磕碰、轧制瑕疵、杂质嵌入、油污水渍残留、焊接痕迹及应力开裂等各类工业生产中常见表面质量问题。14 类钢材缺陷识别性能分化明显，斑块、焊缝纹路、划痕、冲压孔洞等绝大多数缺陷 AP 值高于 0.9，识别效果优异，整体可满足冷轧板材主流表面缺陷自动化质检商用需求。