很多项目上线验收时效果不错，运行半年后却出现同一个抱怨："告警越来越少，误报越来越多。"这时候第一反应往往是"算法不行"，但实际情况里，问题不在算法本身，而在算法运行的外部条件变了。
这类现象有个共同点：算法没变，现场变了。下面是三个最常见的原因。
图注：效果衰减的三个常见原因——左：立杆倾斜，镜头光锥已偏离地面的虚线检测框；中：摄像头前方新增料箱堆，光锥被截断、检测区被遮蔽；右：强光直射镜头，检测区被眩光切成明暗两半
原因一：点位偏移
症状。原本能稳定识别的区域，逐渐出现漏报；或者本来正常的区域开始频繁误报。
病因。摄像头被碰歪了一点点——这在实际现场非常常见。设备维护、高空作业、车辆刮碰、支架螺丝长期松动，都可能让镜头角度发生变化。哪怕只偏了几度，原本标定的检测区域就已经错位了。
对策。把点位纳入定期巡检内容，重点检查支架紧固状态与镜头角度；系统侧支持检测区域的可视化标定，发现偏移后重新标定即可，不需要更换设备。
原因二：新增遮挡
症状。某些点位的识别率明显下降，且集中在特定时段。
病因。现场新增了监控视野内的物体：堆放的物料、新建的临时设施、生长的树木、停放的车辆。视场被遮挡后，算法"看不到"，自然识别不出来。
对策。点位选择时就应避开易被侵占的视野；日常管理中把"监控视野内不得堆物"写进现场管理制度；发现遮挡及时清理或调整点位。
原因三：光照与环境变化
症状。白天识别正常，夜间或特定时段指标明显下滑；季节更替后效果波动。
病因。光照条件是识别效果的重要变量。灯具更换、周边新增强光源、季节变化带来的日照角度改变、镜头积灰或起雾，都会影响画面质量。逆光、强眩光是典型的影响因素。
对策。重点点位补充或调整照明；镜头定期清洁；对原本"白天效果好、夜间效果差"的场景，在方案阶段就明确夜间指标预期，而不是上线后才发现差距。
还有一个容易被忽略的原因：场景本身变了
人的外观变了——工装换款、新增反光条、安全帽颜色更换，都可能让人形或佩戴检测类算法识别率波动。
工艺流程变了——新增设备、调整产线布局、更换物料容器，会改变画面中的物体形态分布，导致原有算法与新场景不匹配。
这类变化不会报错，只会让指标悄悄下滑。所以它比设备故障更隐蔽，也更依赖定期复测来发现。
怎么发现效果衰减：复测三步
图注：效果复测三步——左：按周期排期复测，格子逐格打勾留档；中：与上线基线数据对比，绿柱在升、粉柱在降，指标明显下滑；右：重新标定后光锥与检测区严丝合缝对齐，并调整灵敏度参数
第一步·定期复测。按周期抽取现场真实画面与告警记录，人工复核准确率、误报、漏报情况，形成记录。周期建议结合点位重要程度设定，高风险区域更密。
第二步·数据对比。把本次复测结果与上线时的基线数据对比，判断是正常波动还是明显衰减。没有基线数据的项目，建议在上线时就建立一份，否则后期无从比较。
第三步·优化调整。根据原因分类处理：点位问题就重新标定或调整角度，遮挡问题就清理或移位，光照问题就补光或调整阈值，场景变化明显时可能需要算法适配更新。
复测机制怎么落地
固定周期复测，覆盖全部点位的重要指标；事件触发复测，在周边施工、装修改造、人员工装更换、算法升级后主动复测一次；记录留档，每次复测的样本、结论、处理措施都留存，形成项目运行档案。
这三件事建立起来之后，"效果变差了"就不再是模糊的感受，而是可以定位、可追溯、可解决的问题。
常见问题
Q：效果衰减是不是说明算法不行？ 不一定。要区分"算法能力不足"和"运行条件变化"。前者需要算法迭代，后者通过标定、清理、补光往往就能恢复。
Q：多久复测一次比较合适？ 建议按点位风险等级分档：高风险点位周期短，一般点位可适当放长；同时保留事件触发机制，现场有变化就复测。
Q：没有上线时的基线数据怎么办？ 可以从现在开始建立——先做一次全面复测作为基线，之后所有对比都以这次为参照。
Q：复测需要供应商配合吗？ 建议由甲方与供应商共同完成，尤其是涉及算法阈值调整与版本升级时，双方对指标口径的理解需要保持一致。
结语
AI 视频分析的稳定性，一半靠算法，一半靠持续运维。把它当成"装完就不用管"的设备，效果自然会慢慢走低；把它当成需要定期体检的系统，很多问题在变小之前就能被发现。
倍特威视在项目交付后提供点位巡检与效果复测支持，帮助客户持续维持识别效果。如果你的项目正在遇到类似问题，欢迎联系我们获取技术支持建议。
