1. 项目缘起为什么LEGEND-1000需要“眼睛”在粒子物理与核物理实验的前沿我们常常需要建造极其精密的探测器去捕捉那些转瞬即逝的稀有事件。LEGEND-1000就是这样一个雄心勃勃的项目它旨在以前所未有的精度寻找一种被称为“无中微子双贝塔衰变”的物理过程。这个实验的核心是一个装满高纯度锗晶体、浸泡在超纯液氩中的巨大低温恒温器。而“LoFi Reentrant Tube”低通量再入管则是这个复杂系统中的关键部件之一你可以把它想象成一个深入到探测器核心区域的“观察哨”或“取样通道”。这个管子的状态至关重要。在长达数年的数据采集周期里任何微小的物理变化——比如因极低温导致的材料形变、液氩液面的微小波动、或是内部可能出现的异物——都可能对探测器的性能和环境稳定性产生难以察觉但影响深远的变化。传统的周期性人工检查或固定传感器监测要么存在盲区要么无法提供连续、直观的视觉证据。这就好比你有一个需要常年保持恒温恒湿的珍贵文物储藏室你不可能24小时派人盯着但又必须确保任何微小的环境异常都能被立即发现并记录。这就是我们引入“Vision AI Agent”视觉AI智能体的初衷。它不是一个简单的摄像头监控系统而是一个集成了高分辨率工业相机、特定光谱照明、边缘计算单元和定制化AI模型的持续、自主的视觉哨兵。它的任务就是7x24小时不间断地“凝视”着LoFi Reentrant Tube的关键区域从海量的图像流中自动识别、分类并报告任何有意义的物理状态变化将“被动记录”升级为“主动理解与预警”。这个想法源于我们在其他高精度实验装置维护中积累的经验很多时候问题的苗头早已出现只是缺少一双永不疲倦且足够智能的眼睛去发现它。2. 系统架构设计从像素到洞察的流水线构建这样一个用于特殊科学装置的视觉AI智能体绝非将现成的安防摄像头和开源算法简单堆砌就能完成。它需要一套深思熟虑的、从硬件到软件的全栈架构。我们的设计核心是可靠性、低侵入性和边缘智能。2.1 硬件选型与部署在极端环境下的“安家”LoFi Reentrant Tube通常位于辐射屏蔽体内部或低温恒温器附近环境具有低温、可能存在的低本底辐射、以及严格的洁净度要求。硬件选型的第一原则是非侵入性与兼容性。成像单元我们选择了经过定制化封装的高分辨率、全局快门CMOS工业相机。全局快门避免了在拍摄可能移动的对象如液面反光时产生的运动畸变。相机本身被置于一个密封的、接地良好的金属外壳内以屏蔽电磁干扰并通过法兰与实验装置的现有接口或专门设计的观察窗连接确保不破坏原有的真空或低温密封。镜头则选用低畸变、抗冷凝设计的定焦镜头工作距离根据Tube的观测距离精确计算。照明系统这是成败的关键之一。实验舱内部通常一片漆黑且我们可能不希望引入额外的可见光污染。因此我们采用了特定波长的LED阵列照明例如近红外NIR波段。近红外光对人眼不可见对大多数探测器材料影响极小但CMOS传感器对其有良好的响应。通过精心设计照明角度如低角度掠射光用于突出表面纹理同轴光用于检查透光性我们可以凸显出Tube表面状态、液面边缘等关键特征。照明驱动电路具备恒流和调光功能以应对长期运行中的光衰补偿。边缘计算节点将原始视频流全部传输到中央服务器处理是不现实且低效的。我们在靠近相机的位置部署了一个工业级边缘计算盒内置高性能嵌入式GPU如NVIDIA Jetson AGX Orin系列。它的作用是承载AI模型对视频流进行实时分析只将有事件发生的图像片段、元数据和报警信息上传极大减少了网络带宽占用和数据存储压力。该节点需具备宽温工作能力并采用无风扇设计防止震动和灰尘。注意所有引入实验区域的电子设备都必须经过严格的“出气”测试和本底辐射筛查确保其不会释放污染物或成为额外的背景辐射源这是高灵敏度实验的生命线。2.2 软件与AI模型栈智能体的“大脑”软件层面我们构建了一个微服务化的流水线运行在边缘计算节点和中央服务器上。图像采集与预处理服务以固定频率如每分钟1帧或根据需求调整触发相机抓取图像。原始图像会经过一系列预处理非均匀性校正消除传感器各像素响应差异、坏点修复、以及根据参考图像进行的自动白平衡/曝光微调。最关键的一步是背景减除我们会在系统初始化且Tube处于“理想基准状态”时采集一组背景图像。后续所有图像都会与这个背景模型进行差分从而直接凸显出变化区域大幅降低后续AI处理的计算量。核心AI模型变化检测与语义分割这是智能体的核心认知能力。我们采用了混合模型策略轻量级变化检测网络对每一帧预处理后的图像运行一个轻量化的卷积神经网络如MobileNet改编快速判断“是否有显著变化”。如果没有图像被低优先级缓存或丢弃如果有则触发下一步。高精度语义分割模型当检测到变化时该帧图像会被送入一个更精确的语义分割模型如DeepLabV3架构。这个模型是我们用大量仿真图像和少量真实实验装置历史图像如有训练出来的。它的任务是像素级地识别出变化属于哪一类例如“类别1金属表面新增水汽凝结/霜层”、“类别2液氩液面位置异常波动”、“类别3管壁出现疑似异物附着”、“类别4结构连接处出现视觉可见的位移”等。决策与告警引擎分割结果被输入一个基于规则的决策引擎。这个引擎定义了每种异常类别的严重等级和报警阈值。例如“微小面积的凝结”可能只是记录为日志“液面持续缓慢下降”触发低级警告“发现不明附着物”或“结构位移超过阈值”则立即触发高级别报警并通过实验控制系统集成的消息平台如Slack、邮件、内部监控系统通知值班物理学家和工程师。数据管理与可视化后端所有事件图像、元数据时间、位置、类别、置信度和报警记录都被存储到时序数据库中。同时我们开发了一个简单的Web可视化界面可以回溯任意时间点的Tube状态查看变化趋势图如液面高度随时间的变化曲线方便离线分析和长期状态评估。3. 模型训练与迭代在“数据荒漠”中培育智能对于LEGEND-1000这样的全新装置最大的挑战之一是缺乏真实的、带标注的异常图像数据用于训练AI模型。我们不可能为了获取“管壁结霜”的数据而去破坏实验环境。因此我们的训练策略极具针对性。3.1 仿真数据生成创造“虚拟的异常”我们利用三维建模软件如Blender, CAD和高保真的物理渲染引擎创建了LoFi Reentrant Tube及其周围环境的精确数字孪生模型。然后通过程序化方式在这个模型上模拟各种我们关心的异常情况表面状态变化通过调整材质的光滑度、粗糙度和法线贴图模拟不同厚度、不同分布模式的凝结或污染。液面模拟利用流体模拟生成不同高度、不同波动频率的液氩表面并渲染其与管壁接触的弯月面效应。异物与位移在模型表面随机添加不同形状、大小的几何体模拟异物对模型部件进行微小的平移或旋转来模拟位移。通过调整光照参数模拟实际LED阵列、相机角度和渲染设置我们批量生成了数万张带有精确像素级标注的“仿真异常图像”。这些数据构成了我们模型预训练的基石。3.2 小样本学习与领域自适应仿真数据与真实数据之间存在“域差异”。为了弥合这一差距我们采用了以下策略基础模型预训练使用大规模的仿真数据集训练语义分割模型让其学会识别我们定义的各类异常的基本视觉特征。真实数据收集与标注在系统安装后启动一个监督学习期。在此期间系统持续拍摄图像但所有报警都需要人工确认。物理学家和工程师会定期查看系统标记的“疑似变化”并给出正确或错误的反馈同时对图像进行精细标注。这个过程可能持续数周或数月积累下第一批宝贵的、小规模的真实标注数据。领域自适应微调利用这批小规模真实数据对预训练的模型进行微调。我们采用了一些迁移学习和领域自适应技术如基于对抗训练的方法帮助模型将仿真中学到的知识更好地适配到真实相机拍摄的、带有特定噪声和纹理的图像上。模型在这个过程中学会了“忽略”仿真与真实之间无关的差异如渲染器特有的噪点专注于与物理状态相关的特征。3.3 持续在线学习系统正式运行后学习并未停止。我们建立了一个人工反馈闭环。当系统发出报警并经人工现场核查确认后核查结果真阳性、假阳性、以及具体的异常类别修正会被反馈回系统。这些经过验证的新样本会被加入一个高质量训练池。模型会定期如每月在边缘计算节点的空闲时段利用这个不断扩大的真实数据池进行增量学习从而实现性能的持续优化和误报率的逐步降低。这使Vision AI Agent从一个“死记硬背”的学生成长为一个“经验日益丰富”的专家。4. 工程实现中的挑战与解决方案将这套设计落地到LEGEND-1000的实际环境中我们遇到了几个意料之中但必须解决的工程挑战。4.1 照明稳定性与抗干扰实验环境并非静态。其他实验设备的启停、人员进出带来的温度扰动都可能影响照明效果和图像背景。我们的解决方案是多模式照明与图像融合除了主用的近红外LED我们还配备了少量特定波段的可见光LED仅在需要时短暂开启。系统会定期如每天一次在无人时段采集一组不同光照模式下的基准图像。在日常监测中如果AI模型对某次检测的置信度较低系统可以自动切换照明模式获取另一组图像进行交叉验证。自适应背景模型更新背景减除的参考模型不是一成不变的。我们实现了一个缓慢更新的背景模型算法。它将长期如过去24小时无异常报告的区域图像以极低的权重融合进背景模型中从而让背景模型能够“温和地”适应环境光照的长期缓慢漂移如LED光衰同时又不会将真正的异常吸收进去。4.2 边缘计算资源的优化边缘计算节点的算力和功耗都是受限的。为了确保系统能长期稳定运行我们做了大量优化模型量化与剪枝将训练好的高精度语义分割模型通过量化将权重从FP32转换为INT8和剪枝移除对输出贡献小的神经元连接技术压缩成一个体积更小、推理速度更快、功耗更低的版本专门部署在边缘端。级联推理策略如前所述90%以上的时间图像无变化。因此我们让极其轻量的变化检测模型可能只有几十KB作为第一道关卡只有它“认为”有情况时才唤醒那个更大、更耗资源的语义分割模型。这种级联设计将平均功耗降低了70%以上。动态频率调整系统可以根据实验运行阶段调整采样频率。在探测器稳定取数的“安静期”可以采用较低的采样率如每5分钟一帧在有人进行维护操作后或系统曾报告过异常的区域可以自动提升采样率如每分钟一帧进行密集监视一段时间。4.3 系统集成与报警协同Vision AI Agent不能是一个信息孤岛。它的报警需要无缝融入LEGEND-1000已有的庞大监控与控制系统Detector Control System, DCS。标准化接口我们为AI Agent设计了一个遵循EPICS实验物理及工业控制系统协议的软件接口。所有报警和状态信息都被封装成标准的EPICS Process Variables过程变量。这样DCS中央控制台可以直接读取AI Agent的“健康状态”、“当前报警级别”、“最新异常快照的URL”等信息并可以像控制其他探测器组件一样向AI Agent发送指令如“立即抓拍一张高分辨率图像”、“进入校准模式”。报警抑制与升级与DCS集成后可以实现智能报警协同。例如当DCS显示正在向低温恒温器注入液氩时Vision AI Agent关于“液面波动”的低级别报警可以被自动临时抑制防止信息过载。反之如果AI Agent报告了“严重结构位移”而同时DCS的压力传感器也读数异常那么两个系统的报警可以合并升级为一个最高优先级的综合故障警报直接触发应急响应流程。5. 实际部署与初期运行反馈在LEGEND-1000的预研阶段我们将这套Vision AI Agent系统的一个简化原型部署到了一个用于测试的、规模较小的类似装置上进行了为期半年的试运行。这段经历为我们提供了极其宝贵的“实战”反馈。初期最大的问题是误报。模型会将灯光在金属管壁上形成的、随着环境温度细微变化而移动的高光区域误判为“水汽凝结”也会将偶尔飘过视野的、极其微小的尘埃在特定光照下像个小亮点误判为“附着物”。这些误报在头两个月里占到了总报警数的95%以上几乎让值班人员对它的报警麻木。我们的调整策略是双管齐下数据层面我们加速了人工反馈闭环。每一条误报值班人员不仅标记为“假阳性”还会在系统提供的标注工具上粗略地圈出导致误报的图像区域如“这片反光”。这些“反例”数据被迅速加入训练集。我们特别增加了针对“高光”和“尘埃”特征的仿真数据并在渲染时更加注重材质BRDF双向反射分布函数的真实性以更好地模拟金属表面的复杂反光行为。算法层面我们在决策引擎中引入了时间一致性检查。一个真正的物理变化如结霜通常是持续存在并可能缓慢发展的。而反光或尘埃造成的误报往往是瞬时的、闪烁的。因此我们修改了规则对于低置信度的检测结果如模型认为80%可能是凝结但面积很小系统不会立即报警而是会在接下来的一分钟内连续抓拍3-5张图像。如果这个“疑似异常”在后续图像中持续稳定存在才确认为真实事件并上报如果时有时无或位置飘忽则将其归类为“光学干扰”并记录日志不触发对外报警。经过两轮这样的模型迭代和规则优化在大约四个月后系统的误报率下降了近90%有效报警经人工核实为真实物理变化的占比提升到了可接受的范围内。我们记录到几次真实的液面缓慢下降后来查明是极微小的泄漏以及一次因温度循环导致的连接处密封圈视觉上的轻微形变在形变量达到报警阈值前就被发现并处理。这些成功案例证明了该系统的潜在价值——它确实能发现人眼难以持续关注的细微变化。6. 未来展望与扩展可能性目前这个Vision AI Agent还主要专注于“看”和“识别”。但它的架构为未来的功能扩展留下了充足的空间。从检测到预测积累足够长时间如一年以上的运行数据后我们可以尝试构建时间序列预测模型。例如通过分析液面下降的速率、温度波动与表面凝结面积的关系系统或许能预测“照此趋势多久后液面会低于安全阈值”或“在即将到来的降温操作中某个部位凝结风险较高”从而实现从状态监控到预测性维护的跨越。多模态感知融合视觉信息可以与其他传感器数据深度融合。想象一下当AI Agent“看到”管壁某处颜色有细微变化时它可以通过EPICS接口即时调取该区域的温度传感器历史数据、附近的振动传感器读数进行联合分析。这种多模态交叉验证能极大提高对复杂异常根因的判断准确性例如区分“到底是污染、凝结还是材料本身的变色”。扩展到其他关键部件LoFi Reentrant Tube只是一个起点。这套架构可以复制到LEGEND-1000其他需要视觉监控的关键部位如电缆接入端口、低温泵的连接法兰、甚至是探测器阵列本身的表面状态检查。最终可以形成一个由多个“视觉哨兵”组成的分布式智能监控网络为整个实验装置提供一层前所未有的、连续、智能的“视觉感知”保护层。构建和部署这样一个系统其意义远超解决一个具体的监控问题。它代表了一种思路的转变将前沿的AI和机器视觉技术深度融入大型基础科学实验设施的运维中使其变得更加“智能”、更具“韧性”。这个过程充满了挑战从数据匮乏到工程集成每一步都需要物理学家、工程师和AI研发人员的紧密协作。但当我们第一次收到那个由AI自主发现、并经确认的真实异常报警时我们确信这双为LEGEND-1000配上的“眼睛”正在让它“看”得更远、更清晰也让我们对捕捉宇宙中最稀有秘密的征程多了一份笃定。