01
AI Module
AI 模块
山思AI模块是山思数字孪生保护地管理系统的智能识别与分析能力。
What The Data Means
数据代表什么，哪些问题需要关注？
山思AI模块是山思数字孪生保护地管理系统的智能识别与分析能力。它既部署在前端感知设备上，对现场采集的影像、声音和环境数据进行提前识别、筛选和报警；也部署在平台端，对经通信模块回传的数据进行集中识别、人工复核、生态分析、风险研判和管理建议输出。通过前端边缘识别与平台集中分析结合，山思AI可支持野生动物识别、水生生物识别、人为干扰识别、声学识别、环境水文风险分析、生态指标分析和高风险区域研判，让保护地管理从“会记录”走向“会判断”。
Two-Tier Structure
前端边缘识别与平台集中分析
02
平台集中分析
Edge
01 / 02前端边缘识别
它既部署在前端感知设备上，对现场采集的影像、声音和环境数据进行提前识别、筛选和报警
在保护地弱网或无公网环境中，所有原始数据都回传平台再分析，会占用大量通信资源，也会延迟风险发现。前端 AI 可在红外相机、视频监控、边缘视觉终端、水下摄像设备、声学采集设备等设备上进行初步识别、筛选和报警，把更关键的数据优先传回平台。
Platform
02 / 02平台集中分析
也部署在平台端，对经通信模块回传的数据进行集中识别、人工复核、生态分析、风险研判和管理建议输出
AI 模块支持野生动物识别、水生生物识别、人为干扰识别、声学识别、环境水文风险分析、生态指标分析和高风险区域研判。AI 模块负责识别、筛选、报警、分析和辅助判断。
Core Capabilities
12 项 AI 能力
识别类
Recognition05 项野生动物视觉识别
可在前端感知设备上初步识别，也可在平台侧集中识别
输入数据类型
红外相机照片、视频画面、无人机可见光影像、无人机热红外影像
识别 / 分析对象
陆生野生动物，如大熊猫、羚牛、黑熊、金猫等
输出结果
物种名称、识别置信度、出现时间、出现地点、影像证据
在山思系统中的作用
用于野生动物监测、物种活动记录、红外相机数据处理和生态分析
水生生物视觉识别
可在水下感知设备端初步识别，也可在平台侧集中识别
输入数据类型
水下摄像头影像、水下视频数据
识别 / 分析对象
鱼类、水生生物、水下活动状态
输出结果
物种或目标类别、出现频次、活动画面、时间记录
在山思系统中的作用
用于鱼类监测、水生生态监测、河流和湿地保护场景的数据分析
人为干扰视觉识别
适合前端提前识别，也适合平台侧复核分析
输入数据类型
视频监控画面、固定摄像头画面、红外相机照片、无人机影像
识别 / 分析对象
人员、车辆、非法入区行为、可疑活动、重点区域异常变化
输出结果
人为干扰标签、风险线索、报警信息、证据截图或视频片段
在山思系统中的作用
用于非法入区识别、重点区域监管、风险预警和后续处置
热红外目标识别
多用于前端或边缘端快速识别，平台侧可进一步复核
输入数据类型
热红外成像数据、无人机热红外影像、夜间或弱光环境影像
识别 / 分析对象
弱光环境下的人、动物、异常热源等
输出结果
热源位置、目标轮廓、时间点、风险线索
在山思系统中的作用
用于夜间巡查、复杂林下环境观察、异常线索复核和应急判断
声学识别
可在声学采集设备端进行初步识别，也可在平台侧集中分析
输入数据类型
声纹设备采集的声音数据、生态声学数据
识别 / 分析对象
动物声音、生态声景变化，以及伐木声、枪声等异常人为声音
输出结果
声音类型、发生时间、监测点位、异常声音报警
在山思系统中的作用
用于动物声音监测、生态声学分析、人为干扰声音识别和风险预警
分析类
Analysis05 项环境与水文风险分析
主要在平台侧分析，部分阈值报警可在前端或边缘端完成
输入数据类型
雨量、水位、气象、土壤等环境数据
识别 / 分析对象
降雨变化、水位变化、极端天气条件、山洪或洪水风险条件
输出结果
趋势判断、阈值提醒、风险等级、异常提示
在山思系统中的作用
用于洪水风险、山洪风险、灾害隐患和应急调度的辅助判断
多源数据清洗与分类
主要在平台侧完成
输入数据类型
影像、声音、水文、气象、巡护记录、设备状态、历史事件等数据
识别 / 分析对象
不同来源、格式和类型的原始数据
输出结果
结构化数据、分类标签、可检索记录
在山思系统中的作用
把感知模块采集的复杂数据整理成系统可使用的数据
高频问题与风险区域分析
主要在平台侧完成
输入数据类型
历史事件、巡护轨迹、报警记录、物种活动记录、社区信息
识别 / 分析对象
高频干扰区域、高风险点位、异常趋势
输出结果
热点区域、趋势图、风险分布、管理建议
在山思系统中的作用
支持巡护路线优化、重点区域布防、保护地管理决策
生态指标分析
主要在平台侧完成
输入数据类型
物种识别结果、红外相机数据、水生监测数据、声学监测数据、空间分布数据
识别 / 分析对象
物种多样性、活动节律、相对多度、空间分布、占域情况
输出结果
多样性指数、活动节律图、RAI、占域分析、统计图表
在山思系统中的作用
用于生态监测、科研分析、保护成效评估和项目报告
辅助研判与管理建议
主要在平台侧完成
输入数据类型
前端识别结果、平台识别结果、历史事件、空间数据、巡护数据、环境水文数据、社区信息等
识别 / 分析对象
风险变化、管理压力、重点对象、处置优先级
输出结果
研判结果、趋势判断、管理建议
在山思系统中的作用
让山思从“识别数据”进一步走向“辅助判断”，支持保护地管理者做决策
协同类
Collaboration02 项事件线索提炼
前端可产生初步报警，平台侧完成综合提炼
输入数据类型
感知报警、AI识别结果、巡护记录、历史事件、空间位置数据
识别 / 分析对象
可能需要关注或处置的事件线索
输出结果
重点目标、事件摘要、风险提示、处置建议
在山思系统中的作用
帮助管理者从海量数据中发现真正需要处理的问题
人机协同校正
平台侧审核工具和人工复核流程完成
输入数据类型
AI 初步识别结果、低置信度数据、人工复核结果、专家修正数据
识别 / 分析对象
错误识别、模糊影像、争议物种、复杂行为、特殊场景
输出结果
修正标签、审核结果、模型优化数据、质量评估结果
在山思系统中的作用
提升 AI 识别准确性，让模型基于真实保护地场景持续优化
Key Numbers
关键数字
Performance
95% 以上
Precision
识别准确度
红外相机动物识别场景
92%
Recall
召回率
红外相机动物识别场景
99%
Panda Rate
大熊猫识别率
红外相机动物识别场景
毫秒级
Response
响应速度
识别结果输出
Data Foundation
500 多万
Annotated Images
张精准标注红外相机照片
AI 数据基础
150 万
Video Clips
条精准标注视频数据
AI 数据基础
5 万多个
Multi-source Samples
监控、无人机和人为活动等多源标注样本
AI 数据基础
山思针对红外相机动物识别场景的 AI 识别准确度可达到 95% 以上，召回率 92%，大熊猫识别率达到 99%，毫秒级响应速度。
山思 AI 数据基础来自桃花源十多年保护地一线积累，包括 500 多万张精准标注红外相机照片、150 万条精准标注视频数据和 5 万多个监控、无人机和人为活动等多源标注样本。这些数据不来自互联网，而来自保护地现场。
Training Pipeline
山思 AI 模型训练流程
Step 01
原始数据采集
红外相机、无人机、巡护手机持续采集数据，统一汇入山思系统。
Step 02
自动化标注与训练
基于半自动标注工具与分阶段训练流程，4 个月完成大规模标注与模型迭代。
Step 03
推理 · 预警 · 归档
AI 自动识别物种与异常行为，实时报警，结果统一归档便于检索与复盘。
pipeline diagram3 stages
yolo · training resultsv0.01
System Overview
全流程自动分析
系统基于 YOLO 深度学习算法框架进行训练，依托超过 500 万张精准标注的图片和 150 万条视频数据， 覆盖 36 种常见物种，识别准确率超 95%，召回率超 92%。
算法框架
YOLO
处理效率
提升 10 倍
处理流程
全自动
Core Advantages
核心优势
Dataset
数据集
500万+张准确标注红外相机照片、150万+视频，5万+无人机和监控视角人类入区行为数据。
Efficiency
效率提升
海量红外相机数据难以处理的痛点得以解决。
High Precision
精准识别
36 种物种识别准确率超 95%、召回率超 92%，覆盖关键受保护与旗舰物种。
