企业官网建设流程全解析

刚做完一场针对“AI一体机高速自由流收费稽核解决方案”的场景演示汇报，现场既有运营管理口的同事，也有稽核队和机电维护的人。趁着思路还热乎，我把整套方案的逻辑、演示过程和踩过的坑从头到尾整理一遍。这套方案解决的核心问题可以概括成一句话：高速公路在没有栏杆、车辆无感通行的自由流收费模式下，怎么利用路侧的AI一体机设备，把每一辆车的通行数据抓实、抓准，让事后稽核不靠人海战术。

这个场景适合谁参考，我先说一下：如果你是高速公路运营方的收费稽核人员，关注的是系统能不能把漏费车找出来；如果你是机电集成或AI算法工程师，关心的是边缘设备到底部署在哪、怎么调参；如果你只是对交通AI落地感兴趣，想了解自由流收费怎么防逃费，这篇也值得看。全文不贴代码，不讲空话，只讲我们实际操作下来验证过的东西。

1. 为什么自由流收费绕不开“稽核”这道坎

1.1 收费逻辑变了，漏费入口也变了

在传统收费模式下，收费车道是有栏杆的，无论是ETC还是人工，车辆必须停下来或者降到很低的速度才能完成交易，然后抬杆放行。这套机制的底层逻辑是“先交钱、后通行”——交费完成前，物理栏杆挡住你，就算司机强行闯杆，现场收费员也能立刻发现。“防漏费”这件事，实际上是靠收费广场的物理设施完成第一道兜底的。

自由流收费把这条逻辑彻底翻了过来。车辆以正常速度甚至高速通过门架，没有栏杆，没有收费岛，司机几乎感受不到收费行为的存在。后台靠门架上的识别设备判断“这是哪辆车、该扣多少钱”，然后从账户扣款。问题在于：如果这个判断链路里任何一个环节出问题，车辆已经开走了，钱却没扣到。比如车牌识别错了、电子标签没读到、车型判错了，或者司机故意用遮挡物、倒换卡、屏蔽设备等方式制造“识别盲区”，系统当时可没机会喊“停车”。

所以我一直跟同行说，自由流收费并不是“把栏杆去掉”那么简单，它真正的难点在于把“事后找补”做成一套自动化、高覆盖率的体系。稽核从过去收费流程的附属环节，变成了整个收费体系能不能成立的核心环节。谁能在无感通行之后依然把钱算对、把漏费的找回来，谁才真正做成了自由流。

1.2 稽核要面对的三个棘手问题

把稽核说成“事后找补”，听起来简单，实际上手才发现有三个硬骨头。

第一个是数据量。一条日均车流量5万左右的路段，双向每小时就有几千辆车，每个门架每天会产生几十万张抓拍图片和对应的结构化记录，一条路几十个门架就是百万级甚至千万级数据。人工抽查只能看极小比例，漏过去的风险太高；就算事后看录像，也没有精力逐帧比对。

第二个是数据碎片化。同一辆车从入口到出口，经过多个门架，每个门架看到的都是它的一个“切片”——光线角度不同、相机参数不同、抓拍时间不同。单独看任何一个点位，结论都不一定可靠。一个门架把某个汉字识别错了，下一个门架可能就对了；一个门架的侧面图看不到挂车，另一个点位的顶部视角却看得很清楚。但传统的稽核系统往往各点独立出流水，缺少跨点位的自动融合，导致很多本可以互相印证的证据被浪费。

第三个是丢点漏点。门架设备故障、网络抖动、抓拍瞬间正好被前车遮挡，都可能导致某辆车在某个断面“消失”。系统面对“消失”，最难判断的是：这辆车是真的没走这条路，还是走了但设备没抓到？这两种情况的处理思路完全不同。没有足够的多维特征和时空关联手段，稽核人员就只能靠经验去猜，效率极低。

这三个问题叠加起来，结论很明确：稽核必须从“拍完照回去人工慢慢查”升级成“实时识别、特征提取、跨点融合、自动生成证据链”，这就需要一个能就近处理、不依赖中心集中计算的新设备形态。AI一体机就是冲着这个需求来的。

2. AI一体机的选型逻辑与部署架构

2.1 一体机到底是一台什么设备

第一次接触“AI一体机”这个名字时，很容易把它理解成“一台装了显卡的工控机”。这么理解没错，但不全面。在高速自由流收费稽核场景里，AI一体机本质上是一个边缘智算单元，它把原来需要一柜子服务器和一整套算法服务才能完成的识别工作，浓缩到一台能满足户外工业环境要求的设备里。

具体来说，一台用于收费稽核的AI一体机并不是简单地把电脑塞进铁盒子，它的内部结构可以按功能拆成几个关键模块，每一块都有明确的分工：

• 算力模块：负责跑目标检测、车牌识别、车型分类、车辆特征提取这些深度学习模型。以现在常见的高性能边缘推理卡为例，INT8精度下的算力通常能达到200TOPS左右，对实时视频流做轻量化推理绰绰有余；
• 视频接入模块：支持多路高清网络摄像机直接接入，既支持实时视频流分析，也支持抓拍图片的二次分析；
• 本地存储：保留一定周期的原始图片、视频切片和结构化记录，一方面用于事后取证，另一方面在网络中断时充当缓存；
• 算法仓库：预置了面向收费站、门架场景的若干模型，至少包括车牌识别、车型识别、车身颜色识别、车辆ReID特征提取、车道目标跟踪等；
• 外部接口：除了网络上送，还能接入地感线圈、雷达、补光灯、路侧单元RSU，实现触发联动和电子标签信息比对。

选型时还要注意一个点：一体机的“一体”不仅是硬件集成，还包括算法和硬件的适配。很多设备标称算力很高，但实际跑目标检测、跟踪、车牌识别三路并发时，帧率会掉得很厉害。所以判断设备能力，不能只看板卡参数，要看它在跑完整业务链路时的真实吞吐，这个我后文会展开讲。

2.2 为什么是“边缘一体机”而不是集中式服务器

我在项目初期跟团队争论过很长时间：既然中心机房算力更足、扩容更方便，为什么不把所有抓拍图片传到中心统一识别，非要每门架放一台一体机？后来几次实测数据说服了我：某断面高峰时刻的原始图片裸传，千兆专网就能被塞满，而集中式服务器哪怕算力再强，处理不完就是处理不完。

边缘一体机相比集中式服务器，优势主要体现在四个维度，对比起来更直观：

还有一个容易被忽视的维度：证据留存。自由流收费一旦发生争议，往往要回溯几天甚至几周前的车辆轨迹。如果把所有原始数据都堆在中心，存储成本和检索压力都很大；一体机本地存一份，中心存结构化特征和少量关键帧，需要原始证据时按需调取，整体成本低得多。

当然，边缘一体机也有它的代价。比如模型更新不像中心那么方便，需要做远程升级分发；设备分散在户外，环境更恶劣，维护成本更高。所以实际方案里并不是“只要边缘不要中心”，而是“边缘负责单点识别和缓存，中心负责跨点融合、业务规则和人工复核”，两者配合而不是替代。这点非常重要。

2.3 点位布设与组网方式

AI一体机在自由流稽核场景里的部署位置，我按重要度排序，大致是门架、收费广场和匝道汇入点。

先说门架。门架是自由流计费的主力断面，承担最主要的计费依据。正常情况下，每个方向至少需要两套相机，分别覆盖大车和小车车道，或按车道分组；一体机可集中部署在门架机柜里，接入这一组相机。如果门架间距离特别远，也可以每门架一台，避免视频传输距离过长导致画面质量衰减。

收费广场是目前准自由流阶段最多见的地方。虽然叫自由流，但很多站点还是保留收费广场和岛头，只是不再强制停车。在广场入口、出口设置一体机加抓拍相机，能有效补充门架缺失的部分，尤其是没装电子标签但直接通过的车辆、在广场内换道掉头等异常行为。

匝道汇入点是另一个容易“漏账”的位置。主线和匝道之间车流交换频繁，倒换卡、回转等操作常在这里发生。在这个位置布一台一体机，配合主线门架数据，能对车辆的“来路”和“去路”形成交叉验证，减少单条门架误判带来的影响。

组网方面，常规做法是每台一体机接入路段级专网，向上对接收费稽核平台。一体机之间不强制互联，但相邻点位之间最好有统一的时钟同步机制，至少也要让所有设备都通过北斗或GPS授时，这是后面做轨迹还原的基础。我见过一些项目因为忽略了这点，导致两个点位的时间戳差了好几秒，速度计算和轨迹匹配全乱套。

3. 场景演示全流程拆解

3.1 演示场景怎么搭

既然是场景演示解读，我就按我们实际做演示的流程来拆。演示不是把设备摆出来亮个相就完了，而是要让观众清楚看到“车从哪进来、数据怎么生成、告警怎么弹出来、工单怎么闭合”。我们当时搭的演示环境是这样的：在一块封闭场地内搭一个临时门架，双向各装一台抓拍相机，一台AI一体机放在旁边的移动机柜里，通过网络接到一台模拟路段中心平台的笔记本上。为了真实，我们还布置了频闪补光灯和两个视频虚拟线圈。

测试车辆准备了三类：一辆标准电子标签小客车，一辆无电子标签的货车，还有一辆故意用泥浆遮挡了部分车牌的小车。演示脚本则安排了正常通行、遮挡车牌、逆行变道等几个典型场景。这样做的好处是，观众能直接看到同一套设备在正常和异常情况下的不同表现，而不是只看到演示片里那些准备好的画面。

另外，演示环境里要有一个证据展示屏，把抓拍瞬间的关键帧、识别结果、置信度、时间戳都投在屏上。很多非技术背景的观众对“AI准确率99%”这种抽象数字无感，但他们能一眼看懂“这辆车确实是那辆泥车，比对得分0.92，系统判断为疑似遮挡”。所以演示的本质不是讲算法，而是把一个稽核结论的推导过程变得可见。

3.2 第一步：车辆触发与多维数据采集

车辆进入检测区后，第一步是触发。触发方式可以用埋设的地感线圈，也可以用雷达，我们演示时用的是视频虚拟线圈——在一体机接入的视频流里画两个检测区域，目标一进入就触发抓拍。这种方式的好处是施工量小，不用在路面切割埋线圈；坏处是对夜间和逆光环境更敏感，需要配合补光策略。

触发之后，一体机不是只拍一张照片就完事，而是对视频流里的目标做连续跟踪。为什么这么做？因为单张抓拍很容易被前车遮挡、被光线变化影响。我们要求一体机在目标从进入到离开的几十帧画面里，持续跟踪并选出清晰度最高的关键帧，同时记录目标完整的运动轨迹和车速。这个连续跟踪再选帧的机制，是保证后续识别稳定的关键一步。

选到关键帧后，识别模块会同时输出多类信息：车牌号码与车牌颜色、车型大类、轴数、车身颜色、车头局部特征，以及一个用于跨点比对的车辆ReID向量。这些信息和通行时间、点位编号、车道号一起，打包成一条数字车辆通行凭证，写入一体机本地库并上送中心。整个过程要求端到端延迟控制在几百毫秒内，才能满足后续实时稽核的需要。

3.3 第二步：边缘侧初次稽核判定

中心平台虽然有强大的融合计算能力，但如果所有异常都上报，中心很快会被淹没。所以一体机在边缘侧会先做一轮轻量预判，把明显异常的先打好标签。

我们预置的初判规则有几类：车牌可读性异常，即识别置信度低于阈值，可能被遮挡或污损；电子标签与车牌不符，这需要一体机接入路侧单元数据，如果电子标签里写的车牌和视觉识别出的车牌不一致，直接标记为高风险；车型与车牌类型矛盾，比如大型货车挂蓝牌或车长明显异常的小型客车特征；通行行为异常，比如在检测区急停、掉头、逆行等。

每一类异常都会生成一个证据强度分数，而不是简单地给个“是或否”。证据强度达到阈值的，直接生成强告警并上送；证据强度不足的，则作为提示记录在本地，供中心后续结合其他点位数据再做判断。这个设计很像人工稽核的思路：单看一个点可能不确定，但多个信号叠加时，结论就清楚多了。把这种判断逻辑前置到边缘，能大幅减少无效工单。

3.4 第三步：跨点位轨迹还原与融合

单点识别做得再好，也只是盲人摸象。真正体现稽核能力的，是中心如何把多个点位的车辆通行凭证拼成一条完整轨迹。这一步是AI一体机方案区别于传统抓拍系统的核心能力。

中心在收到多个点位的通行凭证后，先用时间信息做粗过滤：如果同一辆车在相邻两个点位的时间差明显小于最短可能通行时间，说明这辆车要么超速离谱，要么在途中发生过异常事件，或者时间戳本身有问题。然后用车牌和ReID向量做精匹配：即使前一个点位车牌识别错了，只要后一个点位识别正确，或者两个点位的ReID向量得分很高，系统也能把两次记录关联到同一辆车。

这里要特别解释一下ReID向量。通俗地说，它相当于给每辆车建立一张视觉身份证，综合了车身颜色、车灯轮廓、贴膜位置、挂饰、甚至年检标贴的位置等信息。哪怕车牌被泥挡住了70%，只要这些局部特征还在，相邻点位依然大概率能把车认回来。演示中我们特意安排了“前一个点位车牌识别错误，后一个点位识别正确”的场景，靠ReID向量依然成功关联，这一页演示的冲击力非常强。

完成轨迹拼接后，中心会对照两个表：一个是正常路径模型，即多数车辆在路网上的路径和时间规律；另一个是异常行为规则库，覆盖倒换电子标签、跟车闯关、回转、屏蔽标签等常见逃费手法。命中规则的记录，自动进入疑似漏费队列。

3.5 第四步：稽核工单闭环与追缴

疑似漏费队列不能只是给稽核员一个干巴巴的列表。我们的演示里，点击任意一条工单，右侧会弹出一个证据面板：入口抓拍图、过程门架图、出口抓拍图、识别字段、比对得分、异常规则命中说明，以及一条标注了时间线的事件流水。稽核员不需要再去检索系统、翻找图片，所有证据都按逻辑顺序排列好。

稽核员处理工单时有三个选项：确认漏费、标记误报、转人工深入核查。确认漏费的进入补费流程，系统自动生成补费通知；标记误报的样本，会作为难例回流到算法团队，用于下一轮模型优化。这一步很关键：稽核系统不仅是找问题，也是养算法，每一次人工标注都是在帮模型迭代。

我觉得场景演示中最容易翻车的恰恰是这里——很多团队演示识别很溜，但工单处理、证据闭环、误报反馈这些业务闭环没打通，观众看完会客气地说“识别很准确”，但心里很清楚这东西没法直接用。真正的稽核方案，必须把“识别、判定、工单、反馈”串起来。

4. 核心算法与参数调试经验

4.1 车牌识别：别只看综合准确率

车牌识别是自由流稽核的第一道关口，也是大家最爱讲的指标。但我对宣传中的“综合识别率99%”一直持保留态度，因为真实场景里的车牌，远比测试集复杂。夜间强逆光下，蓝牌和绿牌的反射特性完全不同；跑高速的货车车牌经常被泥浆糊住一半；有的老旧车牌字符磨损严重，连人都要看半天。

调优方面我提几个实际经验。第一，要给模型补充本地车牌样本，尤其注意号牌汉字和新能源牌照结构，不同省份的字体风格有差异。第二，采用多帧字符级投票，而不是只看单帧结果：一体机在一次跟踪过程中会得到多帧识别结果，对每个字符位置做投票，能明显减少单帧误识别。第三，设置分级阈值：字符置信度大于0.85直接进高置信队列，0.65到0.85进人工复核队列，低于0.65则标记为疑似污损遮挡，引导稽核员优先处理高风险样本。不要试图让模型硬猜，猜错的代价比识别不出更大。

4.2 车型与轴型识别：计费依据要稳

如果说车牌识别错了只是找不到人，那车型识别错了就是算错钱。自由流稽核和一般的安防场景不同，它最终要落到费用上，车型直接决定应收金额，所以车型识别是计费正确性的基础，不能只分大小型。

我们在方案里做了几层设计。第一，利用多视角融合：正面相机看车头、车标和风挡结构，侧面相机看车长、轴距、轴数和货厢类型；有条件的点位还可以增加顶部视角，对货厢轮廓做检测。第二，对货车做细分：至少区分二轴、三轴、四轴和六轴车，因为轴数是货车计费的重要维度，识别错一个轴数金额差别很大。第三，处理主挂分离问题——很多牵引车头后面挂的挂车长度不一，数据里要能区分“牵引车头加挂车”的完整组合，不能被当作一辆单独小型车处理。

参数上，车型识别置信度阈值建议比车牌识别更高，一般要到0.9以上才作为判定结果直接计费；0.75到0.9进入复核队列，由稽核员结合抓拍图人工确定。我们有一次演示中发现，大型SUV从正面看和轻型客车很像，单纯依赖正面相机误判率高，加上侧面相机后，靠长宽比和车高差异就把问题解决了。所以现场相机位型，直接决定车型识别能做成什么样。

4.3 时空匹配参数怎么设

自由流稽核方案的门架时钟必须统一，这是所有轨迹分析的前提。推荐的做法是让所有一体机都接入北斗或GPS授时，误差控制在20毫秒以内。即使做不到这么严，至少要保证同一门架内的相机和边缘设备之间时间一致，否则最短通行时间这种判定指标根本没有意义。

具体参数设置上，有几个经验值供参考。最短通行时间：两个相邻点位之间的距离除以道路最高限速，再乘以一个0.7左右的余量系数。比如相邻门架相距10公里，最高限速120公里每小时，理论最短通行时间是5分钟，实际阈值可以设到4分钟。低于这个时间说明车辆可能超速严重，或者存在回转、换卡等异常，需要进一步核查。最长通行时间不能简单设死，因为车辆可能在服务区停留较久，经验上以常规通行时间的5倍左右作为提示阈值，超过后仅提醒，不直接判定逃费。ReID匹配阈值则要根据两个点位间的实际拍摄条件标定，通常余弦相似度在0.7到0.9之间需要人工复核，低于0.7一般认为是不同车辆。

这些参数初始值只能靠经验拍，上线后要结合历史数据滚动调整。比如某个点位因为角度原因，所有车辆的ReID匹配得分都比其他点位低0.1，那就该单独为该点位设阈值，而不能用一个全局值硬套。

4.4 数据回传与本地存储冗余

自由流收费的稽核数据是证据链，不能随随便便清理。我建议一体机本地至少保留30天原始图片和特征数据，满足争议复核和取证需要。中心端保留结构化数据和关键帧，原始原图不长期留存，只在需要时按证据链调取。

断网补传是必须提前设计的。一体机内部要有一个持久化队列，断网时数据先写本地，恢复后按时间顺序补传。为防止中心和边缘两边数据对不上，每条记录要带全局唯一消息ID，比如“点位编号加时间戳加抓拍序号”，中心按ID做幂等去重，重复收包不影响正确性。队列容量要设计上限，满了以后优先丢弃原图，保留结构化数据和特征向量，避免整机存储被大文件塞满导致系统崩溃。我见过一个项目，因为断网两周后恢复，补传了几十万条历史图片，把中心入库程序压死，后来不得不加限流和批处理才恢复正常。

5. 现场问题排查与避坑记录

5.1 跟车遮挡：连续视频为什么关键

自由流场景最常见的问题，是大货车挡着小客车、两辆接近的轿车同时进入抓拍区域。传统抓拍系统在“一个触发点拍一张”模式下，很容易出现后车被前车完全遮住、拍不到车牌的情况。这类问题用单张静态图片无法彻底解决，必须靠视频跟踪。

我们调试时的方法是：一体机对检测区域内的所有目标做轻量化多目标跟踪，每个目标维护一个独立的状态机，从进入检测区到离开检测区全程记录；只有当目标完全可见时，才触发抓拍选帧。同时增大虚拟线圈的长度，让车辆有足够多的帧被看见。实测下来，对跟车场景的漏抓率下降了九成以上。为了验证效果，演示时我们特意安排了一辆面包车紧贴一辆轿车通过，系统能分别生成两条完整通行记录，现场效果很好。

有一个细节要提醒：跟踪算法在高帧率下算力占用很高，一体机需要合理配置检测和跟踪的频率。通常做法是检测帧率保持25FPS，跟踪帧率复用检测结果，不要对每个检测框再单独跑一次特征提取，那样边缘设备的负载会撑不住。

5.2 时钟漂移导致轨迹断裂

轨迹还原最怕时间不同步。我们踩过一次坑：某路段的一体机用了普通交换机的NTP同步，结果有台设备时钟滞后约3秒，导致一辆车在前一个点位的出点时间晚于后一个点位的入点时间，中心按正常行驶逻辑怎么看都匹配不上，轨迹直接断裂。

排查过程还算顺利，最终是在中心加了一个点位时间偏差监测页面：每个点位每5分钟上报一次本地时间和标准时间的偏差，超过100毫秒就告警。之后我们把所有一体机的授时方式统一成北斗授时，并且要求系统在启动时强制校时，运行时每10分钟校时一次。对于实在无法接入北斗的站点，也要保证NTP服务器的冗余和层级，不能单点失效。

这个问题的教训是：在方案设计阶段就要把时间同步当成一个正式的子系统来对待，而不是哪个设备自带的选项。多数轨迹缝合、速度计算、异常行为判定的准确性，都建立在这个看似不起眼的底座上。

5.3 网络断链不能靠“等网络恢复”

很多项目设计时默认“网络断了也没事，恢复了再传就行”，实际远没有这么简单。断网期间道路还在跑车，一体机还在持续生成数据；如果本地缓存策略、补传排序、中心去重机制没设计好，网络一恢复就可能出现数据积压、重复入库、时序错乱。

我们最终使用的策略是：一体机本地分三个优先级队列——结构化数据最高优先，特征向量次之，原始图片最低。断网时所有数据先落盘，恢复后按优先级和时间顺序补传。中心收到数据后先按消息ID去重，再进行解析入库。图片补传走批处理接口，加限流控制，避免一次性涌入导致中心宕机。另外，缓存容量要设置安全水位，比如达到容量的80%时，开始主动丢弃最旧的原始图片，但保留结构化记录，防止整机存储写满。

这样设计后，即使断网3小时，恢复后也能在较短时间内把数据补完，且不影响中心对历史数据的正确查询。不要等到项目上线后再补这些逻辑，补起来非常麻烦。

5.4 别让稽核平台变成“告警轰炸机”

稽核系统最容易被吐槽的点，不是找不到漏费车，而是提示太多、没法看。如果系统把每一辆牌号不清晰的车都当一个告警推到稽核员面前，人工处理量反而会爆炸。我们在设计上强调证据强度和分级告警。

比如，车牌识别置信度低这个单一异常，只作为C级提示记录；当它和“车型与电子标签不符”组合出现时，升级为B级待复核；如果再叠加“夜间通行”“无电子标签记录”“门架间时间异常”等信号，才升为A级高置信工单。稽核员每天的处理队列里，应该优先看到A级，再抽查B级，C级则作为数据沉淀。上线后的前几周，每周要做一次误报评审，把高频误报样本挑出来重新训练小模型或调整规则阈值。这个人和算法结合的反馈闭环，是让系统越用越准的根本。

6. 演示中容易被忽略的“临场验证”与后续思考

6.1 演示前要验证哪些临界场景

场景演示最容易做成走流程，但真正有价值的演示要覆盖临界场景。我建议至少准备十类测试输入：正常电子标签车、无电子标签车、泥浆遮挡半块车牌、相似车型连续排队、夜间低照度、雨天玻璃反光、正逆强光、跨队列变道、倒车、行人或非机动车闯入。每类测试都记录识别结果、置信度、处理耗时，而不是只盯“演示成功的那一次”。

还有一个容易翻车的点：对每个干扰因素最好做一次负向测试，比如拿强光手电直射相机，或者用反光板制造大面积逆光，看系统会不会被“晃瞎”。有些一体机标称支持宽动态，实际遇到强光还是会把车牌打白；提前发现并在补光、曝光策略上做调整，比演示当天暴露要体面得多。

演示时如果发现某类场景识别不稳定，也不要硬着头皮往下走，诚实地说“这个场景需要优化”反而比强行解释更能建立信任。稽核这个领域，系统多犯一次错，就意味着多一笔漏费或多一次争议，客户对表演式演示是很敏感的。

6.2 从演示到规模化试点还要补什么

演示通过只是第一步，规模化试点还有几件容易被忽略的事。

第一是户外机柜的散热。一体机虽然叫一体机，但算力模块长时间满载时发热很大，装在户外铁皮机柜里，夏天机柜温度很容易冲上50度。建议机柜配工业空调或热交换装置，保持内部温度在设备允许范围内；没有散热的话，轻则推理帧率下降，重则设备反复重启，这都是实际踩过的坑。

第二是防雷接地。门架和路侧机柜必须按规范做防雷接地，电源、网线、信号线都要有防雷模块。不少设备在雷雨季节开机异常，排查到最后是浪涌打坏了设备端口。

第三是网络冗余。门架到中心至少双链路，一条断了另一条自动切换。自由流收费对连续性要求很高，网络单点是绝对不可接受的。

第四是数据治理。一体机产生的结构化数据，要和既有的收费流水表、门架流水表、图像稽核系统的数据字典对齐，否则接入中心后各种联合查询和统计口径会互相打架。

第五是模型迭代机制。方案要预留样本回流通道，定期把误报和漏报样本导出、标注、增量训练，再通过远程升级推送到各台一体机。没有这一步，系统半年后的准确率一定会随路况变化而下滑。

最后再分享一点个人体会。我见过不少项目把精力花在“让算法显得很智能”上，比如上很复杂的预测模型、很花哨的可视化大屏，但忽略了最基础的单点识别稳定性和数据闭环。自由流收费稽核是一个“差之毫厘、谬以千里”的业务场景，一次误判就可能导致真金白银的争议。AI一体机给这个场景带来的价值不在“AI”这个词本身，而在于它能稳定、实时、就地地把每一辆车的特征抓下来，让后续的稽核和追溯有据可依。如果要做扩展，我比较看好把这些能力再叠加到特殊车型核验、货车称重联动等场景里，一台设备能同时干好几件事，对路侧空间和运维成本都是实打实的节省。