安检口前，传送带不停，屏幕上图像一张张刷过。过去，这靠人眼盯着看；现在，越来越多的系统开始用AI先看一遍。围绕这个变化，行业内常提到一个词——集中判图排队。它既是一种技术方案，也是一种流程组织方式。
一、集中判图排队是什么
简单说，就是把分散在各安检点位的X光图像，通过网络汇聚到统一的判图端，由系统按规则排序、分派，再交给人工或AI复核。所谓“排队”，指的是图像在判图环节形成的待处理序列。
传统模式下，每个安检点配一名判图员，图像本地看、本地判。集中判图排队则把判图能力“抽”出来，形成集中判图中心：图像集中上传，任务统一调度，判图员可以跨点位作业。
AI在其中扮演的角色，通常是“预筛”。模型先对图像做目标识别，标记疑似违禁品区域，给出风险评分，再决定这张图是直接放行、优先人工复核，还是进入集中判图排队等待处理。这样一来，人的注意力更多集中在高风险图像上。
需要说明的是，集中判图排队并不是简单地把图堆到一起。排队规则、优先级、超时提醒、复核闭环，都是方案的一部分。否则图像一多，排队反而会变成新的瓶颈。
二、集中判图排队怎么用：典型工作流程
一个相对完整的流程，大致分四步。
第一步是采集与上传。安检机产生图像后，连同点位、时间、通道等信息一并上传。图像质量、传输稳定性，直接决定后续判图是否可靠。
第二步是AI预判。模型对图像做检测，输出疑似目标的位置和类别，并给出置信度。置信度高的可疑图像优先进入人工复核队列，低风险的可以快速流转。
第三步是集中判图排队调度。系统根据风险等级、等待时长、判图员在线情况，把任务分派出去。这里的关键是“可解释”：判图员要知道这张图为什么被排在前面。
第四步是复核与反馈。人工判定结果回传系统，一方面完成处置闭环，另一方面作为样本回流，用于模型迭代。长期看，反馈质量决定了AI预判的稳定性。
从实践角度看，集中判图排队更适合多点位、统一管理的场景，比如园区出入口、大型场馆、交通枢纽等。点位越多、班次越复杂，集中调度的价值越明显。
三、集中判图排队适用场景与常见误区
适用场景上，可以关注三类。
一是点位分散但管理集中的场所。各入口独立配人成本高，集中判图排队能把人力用在刀刃上。
二是流量波动明显的场景。高峰时段图像激增，排队机制可以按风险分级，避免所有图像平均用力。
三是需要留痕与复盘的场景。集中判图天然形成图像与判定记录，便于事后追溯。
常见误区也有几个。有人以为上了AI就不需要人，实际上多数方案仍是“AI预筛+人工复核”。有人把集中判图排队等同于简单堆队列，忽略了优先级设计，结果高风险图像被低风险图像拖慢。还有人只关注模型准确率，忽视网络时延和判图端体验，导致排队时间被拉长。
四、落地时要注意什么
第一，先定规则再上系统。排队优先级、超时阈值、复核权限，要在方案阶段说清楚。
第二，重视图像质量与传输。再好的模型，也依赖清晰的输入。
第三，保留人工兜底。AI预判是辅助，最终判定责任仍需明确。
第四，用数据说话。上线后持续跟踪排队时长、复核率、误报情况，逐步调参，而不是一次配置就长期不变。
总体来看，集中判图排队是AI在安防判图环节落地的一种务实形态。它不追求完全替代人，而是通过集中调度和风险分级，让有限的判图力量更高效地运转。对使用方而言，理解它的边界，比追逐概念更重要。