火眼哨兵
西藏大学火眼哨兵团队（FireGuard AI）开发的边缘 AI 消防预警系统，通过多模态传感器 + TinyML 时序模型在电池热失控的”温升拐点”实现预警，将黄金救援时间提前 42 秒。
关键信息
| 属性 | 值 |
|---|---|
| 英文名 | FireGuard AI |
| 团队 | 西藏大学火眼哨兵团队 |
| 领域 | 边缘 AI 消防预警 |
| 核心指标 | 预警提前量 42 秒、Acc 99.94%、FPR 2.6% |
| 目标场景 | 电动自行车充电棚 |
| 商业模式 | 软硬一体 + SaaS 订阅 |
核心特性
三层技术架构
感知层（单价 ≤ 200 元的边缘节点）：
- MLX90640 红外热阵列（32×24 像素）
- MQ-2 烟雾 + MQ-135 VOC 气体
- DHT22 温湿度
- ESP32-CAM 视觉
- 433MHz LoRa 自组网（地下车库穿墙）
边缘计算层（ESP32-S3，45 元 MCU）：
- 1D-CNN 时序模型：226K 参数，INT8 量化后 268KB
- 30 秒滑动窗口四通道特征
- 不依赖 WiFi/云端，断网独立工作
云端（PyTorch 训练 + Web 管理平台）：
- Mamba-YOLOv8s 火焰检测（mAP@50 = 0.758）
- LightGBM 多模态融合（22 维特征）
- 远程运维 + 合规报告
核心技术指标
| 指标 | 值 | 说明 |
|---|---|---|
| 预警提前量 | 42 秒 | 从温度异常拐点到明火 |
| 模型大小 | 268KB | INT8 量化后 |
| 推理延迟 | < 50ms | 单帧边缘推理 |
| 测试集 Acc | 99.94% | 18,000 条仿真曲线 |
| Recall | 99.81% | 不放过真异常 |
| FPR | 2.6% | 3,000 条硬负样本零误报 |
| 节点成本 | ≤ 200 元 | 感知层单节点 |
| 单棚整套 | ¥8,000-15,000 | 含安装调试 |
商业模式设计
| 收入来源 | 定价 | 毛利定位 |
|---|---|---|
| 硬件销售 | 节点 ¥480-680，单棚整套 ¥8,000-15,000 | 保本或微利 |
| SaaS 订阅 | ¥500-2,000/棚/月 | 主要利润来源 |
| 增值服务 | 与充电桩运营商分成（数据+保险联动） | 长期增长 |
硬件保本、订阅和数据增值是利润——从一开始产品定位就决定了，不是后来加上去的。
不同素材中的观点
来自 2026-06-18-woshipm-fireguard-edge-ai-fire-warning：
- 这是一个从”技术突破”到”产品落地”的完整案例，覆盖了算法研发、硬件选型、商业模式设计、团队组建全链路。三个”非显然”的工程选择（边缘推理/软硬一体/三层融合）都源于产品定位而非技术偏好。
- 团队踩过的坑最有价值：校准预期比写代码更难（3 个月预期→实际 1 年）、“能跑通”和”能交付”是两个产品（180ms→50ms 花了 5 个月）、单干的天才在产品里行不通（必须引入硬件同学）。
实用信息
当前状态
- 2026 年目标：与广东爱普拉新能源完成 30-50 节点现场试点
- 从仿真数据到真实运行数据的验证阶段
- 所有 AUC=1.0 需要在真实环境中被验证
可复制的经验
- 产品定义先于技术选型：“断网也得工作”决定了必须边缘推理
- 特征工程 > 模型复杂度：温升二阶导数一个特征的贡献 > 堆叠十个模型
- 仿真数据需要硬负样本：15% 硬负样本（阳光暴晒/冬季暖风/发动机余热）让模型学到真正区分能力
- 商业模式从第一天就要想清楚：硬件保本+订阅利润不是后来加上去的
注意事项
- 仿真数据到真实环境的迁移是最大风险
- 锂电池类型差异（三元锂 vs 磷酸铁锂）可能需要不同模型
- 消防行业接受”预测”思维需要教育市场的时间