在营销专业各类现场作业工作中，计量装置安装作业是作业量较大且和用户用电体验紧密相关的一类作业，因此计量装置安装的规范化水平和质量保障也尤为重要。目前公司对于计量装置安装现场作业的质量及规范性检查，主要通过人工进行抽样检查或专项工作的方式来进行，覆盖面小，成本高，效率低。
为了解决上述问题，本项目利用人工智能平台的OCR、计算机视觉等人工智能技术支撑能力，针对营销现场作业平台采集的计量装置安装现场类作业的图像、视频进行处理、比对、分析，强化营销现场作业的标准落实、合规检查、质量管控，提高营销现场作业的质量和规范化水平。
本项目依托人工智能平台提供的图像识别建模能力，基于营销现场作业平台提供的营销现场作业过程中拍摄的各种图像数据，开展营销现场作业计量装置安装规范性检查模型建设。主要进行高压计量装置安装规范性识别、低压计量装置安装规范性识别、采集装置安装规范性识别三大业务场景共十个模型建设，基于人工智能平台的微服务发布能力进行模型发布与计算，并将模型运算结果输出至营销现场作业平台等应用。
移动作业终端采集的营销现场作业照片和视频数据，上传到营销现场作业平台。人工智能平台获取营销现场作业平台上的图片和视频，调用模型，进行图片及视频的智能计算，计算结果输出到人工智能平台的服务器端，服务器端把数据回传给营销现场作业平台。该平台具备物理机和云资源两套环境，部署了8个英伟达T4GPU卡，可提供模型选择、训练、调优、评价、推理部署等全生命周期的工具服务，具有零代码自动建模、快速研发能力，支持图像、文本、视频、语音、OCR、结构化数据等7 大技术方向和17 种任务模型，可提供端到端全流程的建模与优化机制，覆盖数据处理、模型构建、服务部署各个环节。
1、我负责的具体任务：
整体架构设计与项目控盘： 负责统筹“移动端采集 -> 营销现场作业平台 -> AI中台”的端到端系统架构设计，打通跨平台的数据交互闭环。
AI算力调度与引擎搭建： 主导物理机与云资源池的混合架构搭建， T4 GPU 卡设计了高效的算力调度策略，保障模型推理的高并发可用性。
核心模块研发与交付交付： 负责服务端的API网关设计与核心接口开发，主导“零代码建模”可视化流水的全栈逻辑串联，并把控整体项目的交付质量与实施落地。
2、项目技术栈与架构：
系统架构： 采用微服务架构（Spring Cloud / Python FastAPI），实现业务逻辑与AI推理算力的彻底解耦。
AI与算法栈： 深度学习框架（PyTorch/TensorFlow），计算机视觉库（OpenCV），深度定制的工业级 OCR 识别算法与目标检测模型（如 YOLO 系列）。
底层与云原生： Docker + Kubernetes (K8s) 实现容器化编排，结合 NVIDIA Triton Inference Server 进行显卡资源的虚拟化与推理加速。前端采用 Vue/React 构建零代码工作台。
3、实现上的亮点与难点：
亮点（异构算力与零代码底座）： 成功整合混合云环境，最大化压榨了 T4 GPU 的性能；业务亮点在于实现了真正的“零代码/低代码”赋能，让不懂代码的业务人员也能通过可视化拖拽，完成 17 种任务模型的调优与下发。
难点一（复杂场景的识别精度）： 现场电表等计量装置的照片常存在严重反光、光线昏暗、拍摄角度倾斜等问题。解决思路： 我们在推理前置链路引入了自研的图像增强与透视变换算法，并针对能源行业表计数据进行了专门的增强训练。
评论