LyKayden/Development-of-an-Intelligent-Safety-Boundary-Monitoring-System-for-Hot-Work-Operations-Using-YOLOv8

# 🔥 动火作业智能监控系统 **本科毕业设计项目 - 动火作业现场智能安全监控** 基于 YOLOv8 目标检测 + 单目视觉测距 + GB 30871-2022 气瓶安全边界规范 ## ⚠️ 许可证声明 / License - ‌**源代码**‌：采用 [MIT许可证](https://opensource.org/licenses/MIT) 开源，允许自由使用、修改和分发。 - ‌**模型权重**‌：`models/`目录下的`best.pt`训练模型权重源自 [Ultralytics YOLOv8](https://github.com/ultralytics/ultralytics)，遵循 [AGPL-3.0许可证](https://www.gnu.org/licenses/agpl-3.0.html)。 - ‌**训练数据集**‌：本项目所用训练数据集为作者自主手工标注、分类划分的自定义数据集，版权归作者所有，未随项目代码一同发布。 ## 系统要求 ### 必需软件（用户需自行安装） | 软件 | 版本 | 下载地址 | 用途 | | :---: | :---: | :---: | :---: | | **Miniconda** | Python 3.11+ | [下载链接](https://docs.conda.io/en/latest/miniconda.html) | Python 环境管理 | | **Windows** | 10/11 | - | 操作系统 | ### 推荐硬件 | 配置 | 要求 | 说明 | | :---: | :---: | :---: | |**CPU**|Intel i5 或同级|4 核及以上| |**内存**|8GB 以上|推荐 16GB| |**显卡**|NVIDIA GTX 1060 以上|支持 CUDA 加速（MX450 及以上）| |**摄像头**|720P（16:9，1280×720，30fps）|USB 或网络摄像头| ### 性能参考 |设备|帧率|处理时间| |:---:|:---:|:---:| |**NVIDIA MX450**|25-30 FPS|33-40ms/帧| |**CPU (i5-11320H)**|10-15 FPS|67-100ms/帧| ## 🚀 快速开始 ### 步骤 1：安装基础环境（首次使用） **安装 Miniconda** - 下载：https://docs.conda.io/en/latest/miniconda.html - 安装时勾选 "Add to PATH" - 安装完成后重启电脑 ### 步骤 1.5：配置 GPU 加速环境（PyTorch） **1. 确认 GPU 与 PyTorch 版本匹配** - 访问 PyTorch 历史版本库：https://pytorch.org/get-started/previous-versions/ - 根据你的显卡驱动支持的 CUDA 版本（如 CUDA 11.8/12.1/12.4），复制对应的 `pip install torch torchvision torchaudio` 命令。 **2. 配置国内 pip 镜像源（加速下载）** - 国内网络直接访问官方源极不稳定，强烈建议配置清华大学镜像。 - 参考指南：https://mirrors.tuna.tsinghua.edu.cn/help/pypi/ - 在终端执行以下命令（推荐永久配置）： python -m pip install --upgrade pip pip config set global.index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple **3. 安装 PyTorch 与高速下载技巧** - 在终端运行第 1 步复制的 PyTorch 安装命令。 - ⚡ **大文件加速技巧**：PyTorch 的 `.whl` 文件通常较大（>500MB）。如果终端 `pip` 下载速度极慢，请： 1. 观察终端输出的完整 `.whl` 下载链接（以 `https://download.pytorch.org/...` 开头）。 2. 复制该链接，粘贴到 **迅雷 (Thunder)** 或 IDM 下载器中进行 P2P 加速下载。 3. 下载完成后，在终端执行：`pip install <你的本地下载路径/文件名.whl>` 完成离线安装。 **4. 验证安装** python -c "import torch; print('CUDA Available:', torch.cuda.is_available()); print('CUDA Version:', torch.version.cuda)" 若输出 `CUDA Available: True` 及对应版本号，则 GPU 环境配置成功。 ### 步骤 2：安装项目依赖 # 双击 install.bat # 或手动执行： cd HotworkMonitor install.bat # 等待安装完成（约 5-10 分钟，取决于网速） ### 步骤 3：启动系统 # 双击 start.bat # 或手动执行： start.bat # 浏览器会自动打开 http://localhost:5000 ### 步骤 4：使用系统 1. 等待视频流加载完成 2. 输入平台高度差（地面作业填 0） 3. 点击视频画面锚定动火点位置 4. 点击 "开始监控" 按钮 5. 系统自动调用 `models/best.pt` 目标检测 7 类数据集类别，如果检测结果为气瓶则计算安全距离 ## 🛡️ 气瓶安全边界规则（GB 30871-2022） ### 距离规则（实时检测，每帧处理） |规则|要求|告警类型|音频| |:---:|:---:|:---:|:---:| |氧气瓶与乙炔瓶间距|≥ 5 米|🔴 严重告警|✅ 播放| |氧气瓶与动火点间距|≥ 10 米|🔴 严重告警|✅ 播放| |乙炔瓶与动火点间距|≥ 10 米|🔴 严重告警|✅ 播放| ### 存在规则（间隔检测，降低告警疲劳） |规则|要求|检测间隔|告警类型|音频| |:---:|:---:|:---:|:---:|:---:| |警戒线设置|必须存在|5 秒（125 帧）|🟡 警告告警|❌ 静音| |监护人到位|必须存在|6 秒（150 帧）|🟡 警告告警|❌ 静音| |灭火器配备|必须存在|6 秒（150 帧）|🟡 警告告警|❌ 静音| |工人违规行为|实时检测|3 秒（75 帧）|🔴 严重告警|✅ 播放| ### 🎨 颜色标识（严格对应后端代码映射） |Class ID|目标|绘制检测框颜色 (BGR)|显示颜色|说明| |:---:|:---:|:---:|:---:|:---:| |`0`|安全工人 (`worker_safe`)|`(0, 255, 0)`|🟢 绿色|正常状态| |`1`|监护人 (`supervisor`)|`(128, 0, 128)`|🟣 紫色|GB 30871-2022：监护人须现场履职| |`2`|氧气瓶 (`oxygen_cylinder`)|`(255, 0, 0)`|🔵 蓝色|符合氧气瓶标识规范| |`3`|灭火器 (`fire_extinguisher`)|`(0, 165, 255)`|🟠 橙色|醒目提示| |`4`|违规工人 (`worker_violation`)|`(0, 0, 255)`|🔴 红色|违规行为| |`5`|乙炔瓶 (`acetylene_cylinder`)|`(42, 42, 165)`|🟤 棕色|符合乙炔瓶标识规范| |`6`|警戒线 (`safety_line`)|`(0, 255, 255)`|🟡 黄色|醒目提示| ## 📁 项目结构 HotworkMonitor/ ├── install.bat # 一键安装脚本 ├── start.bat # 一键启动脚本（生产模式） ├── stop.bat # 一键停止脚本 ├── README.md # 使用说明 │ ├── backend/ # 后端代码（Python + Flask） │ ├── app.py # Flask 主程序 │ ├── engine.py # 测距引擎（核心算法） │ ├── config.py # 配置文件 │ ├── calibrate_f0.py # 相机标定脚本 │ └── requirements.txt # Python 依赖 │ ├── frontend/ # 前端代码（Vue3 + Vite） │ ├── src/ # 源代码（开发时用） │ │ ├── App.vue # 主界面 │ │ └── ... │ ├── public/ │ │ └── audio/ │ │ ── alarm.mp3 # 告警音效 │ ├── package.json # Node.js 依赖 │ └── dist/ # 打包后生成（生产时用） │ ├── index.html │ ├── assets/ │ └── audio/ │ └── models/ # AI 模型 └── best.pt # YOLOv8 训练模型（PyTorch 格式） ## 🏗️ 系统架构 {: width="800px" height="480px" } ### 🔐 前端操作验证（纯客户端实现） - **拦截机制**：在 Vue 组件层拦截所有关键操作（启动/停止监控、设置动火点、清除点位、重置统计），触发 `requireAuth` 弹窗。 - **验证逻辑**：用户输入密码后，前端本地比对（默认 `123456`，可在 `App.vue` 的 `verifyAuth()` 中修改）。验证通过后才执行对应的 `axios` 请求；失败则拦截并提示错误。 - **安全边界**：仅保护**控制指令**下发，不加密视频流与 WebSocket 通信。适用于物理隔离的内网环境，防止非授权人员误触或恶意控制。 - **扩展建议**：若需对接企业统一认证或暴露至公网，可在 Flask 后端补充 `@login_required` 中间件或 JWT 鉴权逻辑。 ### 关键技术 |技术|说明| |:---:|:---:| |**YOLOv8**|目标检测模型（7 类目标）| |**单目测距**|基于相机标定的三维坐标重建| |**GPU 加速**|CUDA 加速推理（MX450 可达 30 FPS）| |**双帧缓冲**|捕获/处理分离，避免卡顿| |**WebSocket**|实时告警推送| |**前端绘制**|动火点标记 60+ FPS 显示无频闪视觉感受，区别后端抽帧绘制处理| ## ⚙️ 配置说明 **backend/config.py** # 相机内参（需标定） CAMERA_F0 = 684 # 等效焦距（不同分辨率下需要重新标定） CAMERA_CX = 640 # 图像中心 X CAMERA_CY = 360 # 图像中心 Y # 安全距离阈值（毫米） GAS_TO_GAS_THRESHOLD = 5000 # 5 米 GAS_TO_FIRE_THRESHOLD = 10000 # 10 米 # 间隔检测配置（帧数，基于 25 FPS） SAFETY_LINE_CHECK_INTERVAL = 125 # 5 秒 SUPERVISOR_CHECK_INTERVAL = 150 # 6 秒 FIRE_EXTINGUISHER_CHECK_INTERVAL = 150 # 6 秒 WORKER_VIOLATION_CHECK_INTERVAL = 75 # 3 秒 # 告警推送间隔（秒） ALARM_INTERVAL = 5.0 # 相同告警最小推送间隔 # 检测阈值 CONFIDENCE_THRESHOLD = 0.25 # 置信度阈值 NMS_IOU_THRESHOLD = 0.45 # NMS 阈值 # 推理分辨率 INFER_SIZE = 320 # 降低分辨率提升速度 # ========== 视频参数 ========== VIDEO_WIDTH = 1280 # 与标定时的分辨率选择一致 VIDEO_HEIGHT = 720 # 与标定时的分辨率选择一致 VIDEO_FPS = 30 ## 🔧 常见问题 **Q: install.bat 运行失败？** **Q: start.bat 提示找不到 conda？** **Q: 视频流不显示？** **Q: 检测效果不好？** **Q: 告警太频繁？** **Q: 没有告警声音？** **Q: GPU 没有启用？** **Q: 帧率太低？** ## 性能优化建议 - **光照条件** - ✅ 充足均匀光照可大幅提升检测率 - ⚠️ 暗光环境下置信度降低（约 0.5），处于临界检出状态 - ❌ 强光/过曝环境下目标特征被破坏，可能直接漏检 - **摄像头位置** - ✅ 正对作业区域 - ✅ 高度 2-3 米为宜 - ❌ 避免逆光拍摄 - **系统配置** - ✅ 使用 GPU 加速（MX450 及以上） - ✅ 推理分辨率 320x320 - ✅ 关闭其他占用 GPU 的程序 ## 📞 技术支持 如有问题，请联系开发者或查看项目文档。 ## 📝 更新日志 |版本|日期|更新内容| |:---:|:---:|:---:| |**v2.0**|2026-05|GPU 加速、音频告警、间隔检测优化、网络访问优化| |**v1.0**|2026-04|初始版本，CPU 推理| ## 📄 许可证 The source code is licensed under MIT. The trained model weights in the `models/` directory are derived from Ultralytics YOLOv8 and are subject to the AGPL-3.0 license. **本科毕业设计项目，仅供学习使用。**