纵横股份AI能力再次提升，通过构建“行业知识库”，让AI更懂行业、更懂场景、更懂处置。
规模对比：AI从大量巡检画面中筛出疑似事件
行业知识库指把不同行业的客户需求，拆解成可执行的工程判据和量化指标，统一指导低空高质量数据集的构建与AI功能模块的开发。
只有“看得见”，还不够
早期业内的解法简单直接，训练一批模型，把画面里的目标尽可能识别出来。
稻田里的正常灌溉水，可能被当成内涝；
桥上路过的行人，可能被当成涉水人员。
误报一多，再好的模型也很难真正进入业务流程。更现实的问题是，每个项目都从零开始，经验留在人的脑子里，相似的问题还会反复出现。
真正需要的，不只是模型，而是模型背后的行业知识。
先懂行业，再谈技术
要把行业知识做扎实，第一步不是埋头苦干，而是走进客户的业务现场。
同样是“检测垃圾”，落在水面要派打捞船，落在马路要派清扫车，落到绿化带要叫卡车；
同样是“人”，在水边是安全隐患，在桥上是交通违规，在田里可能只是正常劳作；
同样是“河道四乱”，既要看得到现场，也要对得上管理范围、审批许可、禁采期。
行业不同，判断标准就不同。这些差异，只有真正沉到现场、和一线人员反复对话，才能理解到位。纵横股份深入一线，逐渐读懂每个行业的“业务语言”。
“行业知识库”应运而生，回答三个问题：
目标层：画面里有什么？人、车辆、垃圾、裂缝、船只……
区域层：它在哪里？水面、道路、耕地、河岸、林地……
事件层：满足什么条件才值得报？疑似涉水、横穿马路、河道垃圾、耕地垃圾……
谁＋在哪＋干了啥＝一个事件
把模糊的需求，变成可执行的规则
以水利巡检里的“河道四乱”为例。
乱占、乱采、乱堆、乱建，是治理概念。但它们既包含视觉现象，也包含管理范围、审批许可、禁采期等行政信息——航测相机能看到现场，看不到许可证；AI能发现线索，不能替主管部门作出违法违规判定。
所以我们的做法是：不把行政概念直接丢给模型，而是先把其中“可观察的部分”翻译出来。
乱堆-河湖管理相关区域出现垃圾堆、杂物堆积、固体废物堆放
乱建-岸线附近新出现的构筑物、施工痕迹
乱采-采砂船、输送设备、砂料堆场等作业特征
乱占-滩地新出现的构筑物、成片高秆作物
从需求到可复核线索
这些答案不是凭空想出来的，而是在真实项目里与客户反复核对、与标注人员逐张过图、在误报和漏报中不断修正出来的。
落在作业现场，它能帮忙做什么
以垃圾检测为例。
同一堆垃圾，落的位置不同，性质完全不同：
落在水面-漂浮垃圾，按面积估算，派打捞船
落在马路-道路遗撒，派清扫车
落在绿化带、院区-违规倾倒，派卡车
位置怎么来？视频图像帧自带地理空间元数据，正射影像自带比例尺和原点。垃圾框的像素坐标会被换算成地理坐标，即为派车的导航点。
体量怎么估？先按影像中的占地范围估算面积，再结合不同场景的堆高先验，锥体作下界、立方体作上界，形成一个体积区间；进入处置流程时按上界预留余量。这样得到的不是一个看似精确的数字，而是“有多少、需要多大处置能力”的业务参考。
系统从长视频中筛出疑似垃圾堆、道路遗撒物、水面漂浮物，生成包含事件类型、置信度、证据图、帧号和原始影像信息的线索卡片。
整套流程变成:
无人机影像输入→AI依据知识库筛选疑似事件→输出标准化线索卡片（事件类型、证据截图、坐标、原始影像）→业务人员集中复核处置
一线团队来说，变化很直接
巡检人员：不用再逐帧回看几个小时的视频，只需复核AI筛出的线索卡
处置部门：拿到的不是一句“发现垃圾”，而是带位置导航和体量参考的处置依据
管理部门：AI负责发现线索，最终结论由人员结合许可、管理范围和现场情况判断——发现、复核、处置各有边界，结果可追
从内部标准，走向行业共识
在真实一线作业里，技术最大的门槛，不只是算法，而是把行业业务规则变成机器可理解、可复用、可复核的工程能力。
纵横股份坚持走进行业现场，把客户说不清的需求问明白，再翻译成AI能执行、人能复核的规则——让每一个新需求，不再是重新研发一遍，而是在已有知识上，继续增加一页。
目前，我们已持续梳理208项识别需求，覆盖水利、交通、城管、应急等11个行业域，其中85项已进入实际项目。每项能力都围绕具体业务场景持续验证、迭代。
不是让无人机飞得更高、不止于训练更多模型，而是把经验沉淀成“行业知识库”——当低空的数据真正被读懂，低空经济的价值，才会从天空落到大地上。
作为智慧低空场景引领者，纵横股份专注低空经济领域的AI应用，以自研行业知识库为核心，“让飞出去的每一分钟，都变成可以响应的线索。”