## 一、AI实时扫描检测在防水行业的技术定位与现存问题 近年来，随着人工智能与物联网技术的快速发展，AI实时扫描检测逐渐进入防水修缮行业。其基本原理是通过摄像头、红外热成像仪、含水率传感器等设备实时采集建筑表面或内部结构数据，再借助AI算法识别渗漏迹象、裂缝分布及潮湿区域。然而，在实际上海防水工程现场，这套技术远未达到"即扫即判"的理想状态。根据《地下工程防水技术规范》GB 50108-2008 第3.0.1条，防水工程应遵循"防、排、截、堵相结合，刚柔相济，因地制宜，综合治理"的原则，而AI检测目前仅能覆盖"查"的环节，且存在诸多技术瓶颈。 **1. 数据层面：渗漏样本严重不足且不均衡** 在机器学习中，渗漏检测属于典型的异常检测问题。正常墙面（负样本）数量远多于真实渗漏点（正样本），比例可达50:1甚至更高。以上海某老旧小区屋面渗漏检测项目为例，采集的20000张图像中，确认存在渗漏迹象的仅约400张，正负样本比约1:49。这导致模型极易将正常水渍、污渍误判为渗漏，或将隐蔽渗漏漏判。此外，标注工作高度依赖老师傅经验，同一张红外热像图，不同工程师对渗漏区域的标注差异率可达30%以上，严重影响模型训练质量。 **2. 成像层面：现场环境干扰大，单模态不可靠** 上海地处长江三角洲，四季分明，梅雨季节空气湿度长期高于80%，夏季屋面表面温度可达60℃以上。红外热成像受日照、风速、环境温度影响显著，同一渗漏点早晨与午后检测结果可能截然不同。可见光成像则受逆光、潮湿反光、饰面颜色干扰，普通手机拍摄的色偏严重。根据《屋面工程质量验收规范》GB 50207-2012 第3.0.6条，防水层不得有渗漏或积水现象，但AI仅凭单一可见光图像难以准确判断防水层内部状态。 **3. 实时性层面：边缘端算力与精度难以兼顾** 真正的"实时"要求推理在边缘端完成，但高精度渗漏识别模型参数量大，普