摘要：“厂中厂”作为工业租赁经济的典型形态，因单厂房内多租户火灾危险性差异显著、人员流动频繁、监管时空覆盖不足等问题，已成为消防安全治理的核心难点，尤其夜间违规住人、隐蔽性火灾隐患等问题，更是诱发群死群伤事故的关键因素。本文针对“厂中厂”多租户风险耦合、监管盲区突出等痛点，提出“感知-分析-预警-处置”一体化的AI智能化监测方案。通过融合轻量化目标检测、红外热成像识别与简易行为跟踪技术，构建适配边缘终端的监测模型，重点解决火灾早期识别、夜间违规住人判定等核心需求，并嵌入可直接运行的核心模型代码，降低技术落地门槛。实践表明，该方案可将隐患识别响应时间缩短至2分钟内，夜间违规住人识别准确率达95%以上，为“厂中厂”消防安全监管提供了兼具技术可行性与实践操作性的解决方案。

关键词：厂中厂；消防安全；AI监测；违规住人识别；轻量化目标检测

一、引言

（一）研究背景

随着小微企业集聚与工业厂房租赁扩张，“厂中厂”模式在长三角、珠三角等制造业密集区快速普及。据应急管理部2024年数据，全国工业火灾中“厂中厂”事故占比32%，47%伴随人员伤亡，核心诱因有三：一是多租户风险叠加，纺织加工、机械焊接、危化存储等作业共存，易引发连锁灾害；二是人员管理失控，员工月流动率超25%，安全培训覆盖率不足28%，70%以上存在夜间违规住人，形成“三合一”隐患；三是监管手段滞后，传统“人工巡检+定期抽查”难覆盖全天，隐蔽隐患识别率不足50%。

在此背景下，随着越来越多的信息技术和智能技术融入消防工作中，消防安全实时监测系统应运而生[3]，AI技术凭借实时分析、智能识别、低延迟响应优势，成为破解监管困局的关键，可推动消防监测从“被动报警”转向“主动预防”，在多租户差异化监测、夜间违规识别等场景中价值突出。

（二）国内外研究现状

国外对工业智能消防的研究聚焦于单一企业场景，美国通用电气开发的工业消防系统，通过传感器与视频分析联动实现火灾预警，但未考虑多租户风险差异[4]；德国博世推出的边缘消防解决方案，虽能实现低延迟监测，却未针对夜间违规住人等“厂中厂”特有问题设计功能模块。

国内研究近年来逐步向“厂中厂”场景倾斜，浙江舟山通过搭建“小微园区安全平台”，实现租户信息数字化管理，但缺乏AI智能识别功能；广东东莞部分园区试点“传感器+视频”监测模式，虽能识别明火隐患，却因算法精度不足，夜间违规住人误报率超30%。现有研究尚未形成“算法-代码-落地”的完整闭环，且多数方案依赖复杂算力，难以在边缘终端部署，导致技术落地成本高、推广难度大。

（三）研究目的与意义

本文研究目的在于，构建一套轻量化、低门槛、高适配的AI“厂中厂”消防安全监测体系，同时提供可直接运行的核心模型代码，解决现有方案“落地难、成本高”的问题。其意义体现在两方面：一是实践层面，填补“厂中厂”夜间监管盲区，降低火灾事故发生率；二是技术层面，简化AI模型架构，降低边缘终端部署门槛，避免现有研究中“重理论、轻实践”的弊端。

二、“厂中厂”消防安全监管核心痛点

（一）多租户风险异质化，隐患耦合性强

“厂中厂”核心风险是风险类型混杂，不同租户的生产工艺、物料特性差异大，形成高、中、低风险交叉分布。例如，纺织租户的纤维粉尘与机械租户的焊接明火仅隔木质隔断，易引发爆炸；危化存储租户擅自扩围堆放物品，泄漏后会蔓延至相邻电子租户，诱发二次火灾。此外，租户擅自改结构、拆防火卷帘，破坏防火分区，而出租方缺乏实时干预技术，隐患管控陷入被动整改。

下图a是“厂中厂”多住户风险叠加场景：

图a  “厂中厂”多住户风险叠加场景示意图

（二）人员流动频繁，违规行为隐蔽

人员流动性大是“厂中厂”典型特征，多数租户雇临时工却不做安全培训，违规操作普遍，更突出的是夜间违规住人：部分企业为省成本，在生产区、仓库用隔板搭临时住宿点。此类行为难被人工巡检发现，且夜间人员警觉性低，火灾后烟气蔓延快，逃生时间不足3分钟，易致群死群伤。

（三）监管手段滞后，时空覆盖不足

当前“厂中厂”监管主要靠两种方式：一是出租方人工巡检，每日1-2次且仅覆盖30%区域，夜间、节假日空白；二是监管部门季度抽查，周期长、整改难跟踪。传统消防设施虽能基础预警，但误报率超25%（粉尘、蒸汽易误判），且无法定位隐患，处置需人工排查，耗时超30分钟。此外，三方信息割裂、无法共享，整改闭环率不足60%。

（四）应急响应缓慢，处置效率低

“厂中厂”内部通道复杂，租户间隔断多，且不同租户的物料燃烧特性不同，火势蔓延速度差异大，应急救援人员难以快速判断着火点、受困人员位置及火灾蔓延路径。例如，某“厂中厂”火灾中，救援人员到达现场后，因无法确定着火租户（纺织租户 vs 机械租户），延误了15分钟才找到着火点。

三、AI智能化监测体系构建

针对“厂中厂”监管痛点，本文构建“前端感知-边缘分析-终端预警-闭环处置”四级轻量化监测体系，核心特点是“低算力、易部署、高精准”，可适配普通边缘终端（如NVIDIA Jetson Nano），降低技术落地成本。

（一）前端感知层：分区部署，精准采集

感知层采用“分区分类”部署策略，根据租户风险等级，差异化配置感知设备，确保全覆盖并避免资源浪费。

高风险租户（纺织、危化品存储）：部署3类设备，一是红外高清摄像头（支持夜间拍摄，分辨率1080P，帧率25fps），安装于生产区、存储区及相邻通道，监测烟火与人员；二是电气火灾监测终端，接入配电柜，采集剩余电流、线缆温度，捕捉线路老化、过载等隐患；三是可燃气体传感器（针对危化品租户），实时监测可燃气体浓度，超标时触发预警。

中风险租户（机械加工、电子组装）：部署2类设备，一是可见光高清摄像头（覆盖作业区、公共通道），监测违规动火、设备异常；二是智能烟感报警器，降低误报率。

低风险租户（仓储）：部署1类设备，即可见光摄像头（覆盖仓储区通道），监测杂物堆放、通道堵塞。

例如下图b就是AI火焰识别监控摄像机对火灾现场的检测图片，检测系统能够自动标注出火焰位置：

图b AI火焰识别监控摄像机对火灾现场的检测图片

又如图c是智慧AI消防通道占用检测系统的数据监控界面，界面上能够显示消防通道的实时画面以及对占用行为的识别结果和相关数据统计。

图c 智慧AI消防通道占用检测系统的数据监控界面

以上所有的设备均支持无线联网（WiFi/4G），适配“厂中厂”租户变动频繁的特点，租户搬迁后可快速拆卸重装，无需重新布线。

（二）边缘分析层：轻量化模型，实时处理

边缘分析层是体系的核心，承担“数据处理-智能识别-隐患判定”功能，采用轻量化AI模型，避免复杂算力需求，实现秒级响应[5]。核心部署3个算法模块：一是轻量化烟火识别模块，基于YOLOv5s改进，识别明火、烟雾，适配多租户风险等级；二是夜间违规住人识别模块，融合红外热成像与行为跟踪；三是异常行为识别模块，识别违规行为。所有模块均部署于边缘终端，数据本地处理，无需上传云端，降低网络需求，同时保障数据安全。

（三）终端预警层：多端联动，精准触达

预警层面向不同用户，提供差异化预警服务，确保预警信息“不遗漏、不延迟”。

租户终端：通过手机APP推送预警，明确隐患类型、位置、整改要求，租户负责人需在1小时内反馈整改进度；

出租方终端：PC端+APP同步预警，显示所有租户的隐患分布、整改率，支持一键联系租户负责人，跟踪整改情况；

监管终端：接入属地应急管理平台，仅推送高等级预警，附带隐患照片，便于精准执法。

此外，智慧联动，构建实时掌控“数字链”。依托构建的安全管理平台，形成“一企一档”企业画像[2]，边缘终端联动现场声光报警器，预警时自动触发，动态监测风险，提醒现场人员及时处置。

（四）闭环处置层：流程管控，跟踪到位

构建“预警-派单-处置-销号”闭环流程，保障隐患整改落地：预警触发后系统自动派单给租户，租户整改后上传照片，系统调用摄像头通过AI复查，确认隐患消除即销号，全过程自动记录，方便出租方与监管部门考核。图d展示了智能摄像头、传感器等设备在厂中厂的部署位置和方式的示意图，展示了此系统的硬件布局。

图d 设备在厂中厂的部署位置和方式的示意图

四、核心AI模型与代码实现

（一）核心模型设计思路

针对“厂中厂”核心需求，设计“轻量化模型”，同时实现“烟火识别”与“夜间违规住人识别”，模型基于YOLOv5s改进，通过简化网络结构、优化损失函数，降低算力需求，边缘终端推理速度≥25fps，满足实时监测；融合红外热成像特征，提升夜间识别精度；引入风险等级参数，实现差异化判定。

（二）核心模型代码实现

代码基于PyTorch框架开发，可直接在边缘终端（如NVIDIA Jetson Nano）运行，无需额外配置复杂环境，核心功能涵盖“目标检测-烟火判定-违规住人判定-结果可视化”。

五、应用效果与案例分析

（一）案例概况

选取浙江省嘉兴市某“厂中厂”厂房作为试点，聚焦“园中园” “厂中厂”源头管控难、有效监管难、隐患根治难等突出问题，围绕“园中园” “厂中厂”火灾事故防控这一中心任务，压实“属地部门、出租方、承租方”三级监管责任，精准排摸底数、深化园区数字赋能、加强风险管控、落实火灾防范措施、强化专职人员管理、深化教育培训演练等[1]，该厂房建筑面积1.2万㎡，分割租赁给6家企业，包括2家纺织企业（高风险）、2家机械加工企业（中风险）、1家电子组装企业（中风险）与1家仓储企业（低风险），2024年10月完成AI智能化监测体系改造，部署边缘计算服务器2台、高清摄像头45个、电气监测终端32套、智能烟感温感68个，接入市级小微园区安全管理平台。

（二）应用效果

1. 隐患识别效率提升：系统累计识别隐患127起（含电气异常43起、违规堆放38起等），平均响应时间从30分钟缩至2分15秒，漏报率2.3%，消除夜间盲区；

2. 违规行为有效遏制：依托“预警+取证+追溯”机制，违规住人清零，通道堵塞整改率100%，违规操作降82%；

3. 应急处置能力增强：模拟测试中，1.2秒识烟雾、3秒推预警、15秒启消防设施，响应效率升60%+，救援准备时间缩40%；

4. 管理协同完善：平台实现三方信息共享，隐患整改闭环率从58%升至98%。

六、系统优化与可改进方向

1. 算法轻量化升级：针对部分老旧厂房网络带宽不足的问题，研发轻量化AI算法，降低边缘计算服务器的硬件需求与能耗。

2. 多模态数据融合：融合视频、传感器、气象、人员轨迹等多源数据，构建更精准的风险预测模型。

七、结论

“厂中厂”消防安全监管的核心难题在于多租户风险的耦合性、隐患的隐蔽性与监管的滞后性，传统管理模式已难以适应现代工业安全需求。本文提出的AI智能化监测体系，通过前端多维感知、边缘智能分析、平台统筹管控与终端联动处置的四级架构，精准破解了“厂中厂”火灾识别晚、违规监测难、应急响应慢等突出问题。

该体系的创新价值在于：一是实现了风险的差异化精准监测，适配多租户场景特点；二是攻克了夜间违规住人等隐蔽隐患的识别难题，填补了监管盲区；三是构建了“预警-处置-销号”的闭环管理机制，压实了各方安全责任。该试点案例表明，AI技术能够显著提升“厂中厂”消防安全防控水平，为工业租赁场所的安全管理提供了可复制、可推广的技术方案。

未来随着AI算法的持续优化与物联网技术的深度融合，智能化监测体系将向更精准、更高效、更智能的方向发展，为防范化解“厂中厂”重大安全风险、保障人民群众生命财产安全提供更有力的技术支撑。

信息来源：本文转载自“消防科技信息网”。据悉，其原始来源为“无锡市消防救援支队 作者：蒋骅”等官方媒体。版权归属原作者，本平台转载仅为行业信息传播，不保证其准确性。如有异议，请联系我们。