摄像头 AI 改造能不能成，往往不是输在"识别不出来"，而是输在"报得太假"。如果一个点位一天弹几十条误报，值班人员很快就不再看告警，系统上线和没上一样。所以试点阶段最该测的，不是"最高能识别多准"，而是"日常运行下，误报到什么程度还能被人接受"。
一、先把两个词说清楚
很多人把"准确率"当成一个数，但它在不同人嘴里意思不一样。测之前先对齐口径：
查全（漏报）
怎么理解：真正发生的异常，被抓到了几成
试点怎么用：漏报=该报没报，直接关系安全
查准（误报）
怎么理解：弹出来的告警里，有几条是真的
试点怎么用：误报太多，人就不看了
误报条数
怎么理解：每路摄像头每天平均弹多少条假告警
试点怎么用：比百分比更贴近值班感受
建议试点时两个都记：漏报率看安全底线，误报条数看能不能长期用。只报"准确率 95%"这种数字，意义不大——得看是在哪种天气、哪个时段、哪类场景下测的。
二、怎么测：三步走，别等全网才发现问题
1. 选有代表性的点位，而不是最好看的
挑 10～30 路摄像头做试点，覆盖几种典型情况：白天和夜间、逆光和背光、人流密集和偏僻角落、雨雾和晴天。只挑光线好、角度正的点位测，得到的数字全网一上线就失真。
2. 跑够时间，用"人工回看"做对照
连续跑 1～2 周。每天抽固定时长（比如每路回放 2 小时），由人对照录像，把"真发生了几次异常、系统报了几次、其中几条是误报"记下来。这段人工成本不高，却是唯一能反映真实表现的办法。
3. 按场景分开统计，别揉成一个数
周界越界、安全帽穿戴、消防通道占用、人员聚集，难度完全不同。按场景分别看误报，才知道哪类场景能上、哪类还得调。
三、误报到什么程度算"不能接受"
没有放之四海皆准的百分比，因为它取决于值班人手和告警方式。一个更实用的判断方式：
每路每天误报条数
能接受：个位数、且大多能秒忽略
需要调优：十几条以上、要逐条点开看
值班人员反馈
能接受：主动用、会跟进
需要调优：嫌烦、开始静音或忽略
真异常能否被及时看到
能接受：混在误报里也能被注意到
需要调优：真告警被假告警淹没
核心判断标准只有一条：误报有没有到"值班人员不愿意再看"的程度。到了，就停下来调，别硬着头皮全网铺。
四、误报高，通常先查这几件事
- 角度和区域：摄像头是否照到了马路、晃动的树叶、水面反光——把 ROI（只分析的区域）圈小、圈准，误报能降一大截。
- 阈值松紧：越灵敏越容易误报，适当放宽判定阈值、要求动作持续几秒再报。
- 夜间画质：红外补光不足、夜间噪点多，是夜间误报的主因，必要时补光或换低照度摄像头。
- 场景边界：把"人站着没戴帽"和"人弯腰被遮挡"分开处理，别用一个规则硬套。
五、试点通过后再铺开
把误报压到值班能接受、漏报在安全底线之内，再按点位条件分批推广。推广时优先复制"试点里表现最好的那类点位"，把表现差的场景留到下一轮调优，而不是一次铺满。
关于预算先花在哪、试点怎么选场景，可接着看：园区/工厂智能化改造，预算先花在哪几个场景最见效？；更完整的改造方法，见存量摄像头 AI 改造指南；需要先做一轮现场评估和小范围试点方案，可参考空间安全智能体平台。