老鼠视频识别算法，在工业、农业、餐饮等行业，都有明确的发文要求。但是在实际应用上，可谓是一地鸡毛。笔者为什么会这么说呢，请看正文分解：

批判的背景

背景和使用场景有关，本文所有的字句均有一个大前提：摄像头安装在高处3~4米高度向下拍摄，而不是专业特殊的抵近拍摄。

老鼠检测视觉算法为什么不成立？

老鼠视觉检测不好识别，具体的难点在于：

• 老鼠体积小，在摄像机画面中，所占比例非常小，通常不足画面的1/900；
• 老鼠一般夜间出现，光线条件差；
• 老鼠颜色灰暗，和地面对比度低，难以分辨。

正如我们在如何评估视觉算法的定制成本一文中提到，影响算法开发成本的几个不利条件，老鼠检测算法基本全部覆盖。

告诫各位亲爱的读者，不要去迷信所谓的小目标检测论文、CSDN的博客、同态滤波光线增强技术，都是扯淡的，都是在有限的条件下使用的，这些方法组合起来，也没有办法帮助你完成老鼠检测的产业化落地。如果你不听，尽管去尝试，你所有的尝试，最终只会换到两个结果的其中一个：

• 根本识别不到老鼠；
• 能够识别到老鼠，但是一天八百个误报（保守的修辞手法）。

所以，市面上推广的轰轰烈烈的明厨亮灶智慧监管，其中的老鼠识别，你们是咋做到的呢？如何能把这个故事讲圆乎的呢：一个干食堂的朋友告诉我说，领导来了，打开设备，领导走了，就关掉。

那老鼠识别真的没有办法了？

有办法，但是没有办法进行批量商业化落地。 解决方案组合拳如下：

有的朋友就会问了，要耗费那么大的算力资源，就只为了一路摄像头的老鼠分析，这么做，究竟值得么？---值得不值得不知道，但是这么做，显然没有批量推广的商业化路径，所以，任何非常便宜的纯视频识别老鼠设备，都是吹牛B。 有的朋友又问了，采用红外相机结合的方案，会不会更好？---大概可能吧，但是工程实践起来也极为麻烦，多一个热特征，固然是好的，先不说这个特征能够发挥的作用，仅仅是这个特征引入的不稳定干扰，解决起来都相当麻烦。

小测验

最后，发一张图，3、2、1，走，请你在三秒钟之内找到老鼠？ 你肉眼都找不到，凭什么要求视觉算法能给你找到呢？永远记住，视觉算法的能力上限，是肉眼。只能对齐，无法超越。