本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘 要：在化工、能源等高危行业智能化转型中，作业现场安全风险识别与预警成焦点，传统检测方法难适应复杂动态场景。提出了一种基于多模态大模型的智能风险识别与预警系统，通过结构化Prompt工程引导与企业知识库深度融合，提升视觉大语言模型在复杂工业场景下的推理与识别能力。系统既支持视频动态目标抽取与关键帧筛选，也可对静态场景图像进行智能分析与风险判断。该系统以自动化、智能化为核心，显著提升了风险识别的适应性和实用性。
关键词：化工安全；风险识别；智能预警；多模态大模型；知识库融合；Prompt工程；人工智能
doi：10.12045/j.issn.1007-3043.2025.06.004
前言
化工、能源等高危行业安全风险管理面临严峻挑战，其园区化、规模化特征对智能安全监测系统提出了更高要求。传统人工巡检主观性强、效率低下，而单一视觉方法（如目标检测）虽提升了自动化水平，但在深度理解场景语义、进行复杂逻辑推理方面存在固有局限，难以有效应对复杂动态的作业现场风险。高危行业AI安全监管的迫切需求已得到政策层面的关注。行业亟需更智能、更通用的风险识别新范式。近年来，具备强大跨模态理解与推理能力的视觉大语言模型（VLM）为此提供了创新路径。本文聚焦高危行业特殊作业场景，提出一种基于VLM并融合企业知识库的智能风险识别与预警系统，旨在通过深度语义理解和知识增强，突破传统单一模态识别在复杂推理和场景适应性方面的瓶颈。该系统通过结构化Prompt工程与知识增强，力求提升风险识别的广度、深度与实用性，为行业智能安全管理探索具备高自动化水平和强场景适应性的新方案。
