智能监控 AI 分析终端是 “摄像头 + 边缘 AI 网关 + 本地推理 + 报警输出” 的一体化设备，核心能力是实时分析视频流（如人脸检测、异常行为识别、物体计数），无需依赖云端，就能实现低延迟、高隐私的监控预警。本文以 “RK3588 开发板 + YOLOv8+USB 摄像头” 为例，手把手教你搭建从硬件接线到软件部署的全流程，所有代码均可直接移植到实际项目。
一、智能监控 AI 分析终端核心基础（新手必懂）
1. 终端核心构成
智能监控 AI 分析终端 = 视频采集模块 + 边缘 AI 计算模块 + 报警输出模块 + 存储 / 通信模块，核心区别于传统监控：
| 特性 | 传统监控终端 | 智能监控 AI 分析终端 |
|---|---|---|
| 核心功能 | 视频录制、实时预览 | 视频录制 + AI 识别（人脸 / 物体 / 行为）+ 异常报警 + 本地存储 |
| 依赖条件 | 需云端 / 硬盘录像机存储 | 本地 AI 推理，断网可独立工作，仅上传报警结果 |
| 响应速度 | 无实时分析，需人工回看 | 本地推理延迟＜100ms，异常实时报警 |
| 核心组件 | 摄像头 + 传输模块 | 摄像头 + AI 开发板（带 NPU）+ 报警设备（LED / 蜂鸣器） |
2. 核心应用场景
-
安防监控：办公室 / 工厂异常闯入检测、陌生人识别、夜间徘徊预警；
-
工业监控：生产车间人员未戴安全帽检测、设备运行状态识别；
-
商业监控：门店客流计数、商品被盗检测、VIP 客户识别；
-
家庭监控：老人 / 儿童活动监测、陌生人闯入报警。
3. 核心技术栈（必学）
-
硬件：AI 开发板（带 NPU）、USB / 网络摄像头、报警设备（LED / 蜂鸣器）、电源；
-
系统：Ubuntu 20.04（开发板适配版）；
-
AI 框架：Ultralytics YOLOv8（目标检测 / 行为识别）、OpenCV（视频处理）；
-
开发语言：Python（快速开发）、C++（性能优化）；
-
存储 / 通信：本地 SD 卡 / SSD（存储报警视频）、MQTT（上传报警信息到云端）。
二、硬件选型与接线（实战推荐方案）
优先选择 “高性价比 + 生态完善” 的硬件组合，新手入门推荐 RK3588 开发板（内置 NPU，算力充足），工业场景可升级为 Jetson Orin Nano。
1. 硬件清单（入门级 / 工业级）
| 组件类型 | 入门级配置（预算 2000~3000 元） | 工业级配置（预算 5000~8000 元） |
|---|---|---|
| AI 开发板 | RK3588 开发板（8GB 内存，内置 6TOPS NPU） | 英伟达 Jetson Orin Nano（8GB 内存，20TOPS NPU） |
| 摄像头 | USB 高清摄像头（1080P，支持 MJPG 格式） | 工业网络摄像头（POE 供电，200 万像素，支持 RTSP 流） |
| 报警设备 | LED 指示灯 + 蜂鸣器（GPIO 控制） | 声光报警器（RS485 接口，工业级防水） |
| 存储设备 | 64GB 高速 SD 卡 | 512GB NVMe SSD（存储报警视频） |
| 电源 | 12V 5A DC 电源（稳定供电） | 12V 10A 宽压电源（适应工业电压波动） |
| 辅助配件 | 杜邦线、面包板、HDMI 显示器（调试用） | POE 交换机、工业防水接线盒、M12 连接器 |
2. 硬件接线（以 RK3588+USB 摄像头为例）
（1）核心接线图
| RK3588 开发板引脚 | 外设设备 | 接线说明 |
|---|---|---|
| USB 3.0 接口 | USB 摄像头 | 传输视频流（1080P@30fps） |
| GPIO1_1（物理引脚 12） | LED 正极 | 高电平点亮 LED（串联 220Ω 电阻限流） |
| GPIO1_2（物理引脚 13） | 蜂鸣器正极 | 高电平触发蜂鸣器（串联 1kΩ 电阻） |
| GND 引脚 | LED 负极 + 蜂鸣器负极 | 公共接地 |
| HDMI 接口 | 显示器 | 调试时实时预览视频 |
| 网口 | 路由器 | 联网上传报警信息 |
（2）接线注意事项
-
GPIO 引脚需串联电阻：LED 串联 220Ω 电阻，蜂鸣器串联 1kΩ 电阻，避免烧毁引脚；
-
电源正负极不能接反：开发板和摄像头均需区分正负极，接反会导致设备损坏；
-
工业场景需屏蔽线：RS485 接口、网线需用屏蔽线，减少电磁干扰。
三、开发环境搭建（以 RK3588+Ubuntu 20.04 为例）
1. 系统安装
-
下载 RK3588 适配的 Ubuntu 20.04 镜像（推荐官方提供的 “Ubuntu 20.04 Server with NPU 驱动”）；
-
用 Etcher 工具将镜像烧录到 64GB SD 卡；
-
插入开发板，连接显示器、键盘、电源，开机后完成初始化（设置用户名、密码、WiFi）。
2. 安装核心依赖库
SSH 连接开发板（或直接终端操作），执行以下命令安装 AI 框架和工具库：
\# 更新系统sudo apt update && sudo apt upgrade -y\# 安装基础依赖sudo apt install python3-pip python3-numpy python3-opencv git cmake -y\# 安装YOLOv8（目标检测核心框架）pip3 install ultralytics\# 安装GPIO控制库（RK3588专用）pip3 install rpi-gpio # 若不兼容，改用：pip3 install gpiod\# 安装MQTT通信库（上传报警信息）pip3 install paho-mqtt\# 安装视频编码库（解决OpenCV读取摄像头问题）sudo apt install ffmpeg libavcodec-dev libavformat-dev -y
3. 环境验证
执行以下代码，验证摄像头、YOLOv8、GPIO 是否正常工作：
import cv2from ultralytics import YOLOimport RPi.GPIO as GPIOimport time\# 验证摄像头cap = cv2.VideoCapture(0) # 0=默认USB摄像头cap.set(cv2.CAP\_PROP\_FRAME\_WIDTH, 1920)cap.set(cv2.CAP\_PROP\_FRAME\_HEIGHT, 1080)ret, frame = cap.read()if ret:  print("摄像头工作正常，画面尺寸：", frame.shape)else:  print("摄像头读取失败！")cap.release()\# 验证YOLOv8model = YOLO('yolov8n.pt') # 加载轻量级模型results = model(frame) if ret else Noneif results:  print("YOLOv8模型加载成功，检测到目标数：", len(results\[0].boxes))\# 验证GPIOGPIO.setmode(GPIO.BCM)GPIO.setup(18, GPIO.OUT) # GPIO1\_1对应BCM编号18GPIO.output(18, GPIO.HIGH)time.sleep(1)GPIO.output(18, GPIO.LOW)GPIO.cleanup()print("GPIO控制正常！")
若无报错，说明环境搭建完成。
四、核心功能开发（四大模块完整代码）
智能监控 AI 分析终端的核心功能的是 “视频采集→AI 识别→异常报警→数据存储 / 上传”，以下是每个模块的实操代码。
1. 模块 1：视频采集（USB / 网络摄像头）
支持 USB 摄像头（入门）和网络摄像头（工业），自动适配视频流格式：
import cv2import timeclass VideoCaptureModule:  def \_\_init\_\_(self, source=0, is\_rtsp=False):  """  source：摄像头源（0=USB摄像头，RTSP地址=网络摄像头）  is\_rtsp：是否为RTSP流（工业摄像头常用）  """  self.is\_rtsp = is\_rtsp  self.cap = self.\_init\_capture(source)  def \_init\_capture(self, source):  """初始化摄像头"""  cap = cv2.VideoCapture(source)  if self.is\_rtsp:  \# 网络摄像头RTSP流配置（降低延迟）  cap.set(cv2.CAP\_PROP\_BUFFERSIZE, 1)  cap.set(cv2.CAP\_PROP\_FPS, 30)  else:  \# USB摄像头配置（1080P@30fps）  cap.set(cv2.CAP\_PROP\_FRAME\_WIDTH, 1920)  cap.set(cv2.CAP\_PROP\_FRAME\_HEIGHT, 1080)  cap.set(cv2.CAP\_PROP\_FOURCC, cv2.VideoWriter\_fourcc(\*'MJPG'))  if not cap.isOpened():  raise Exception(f"摄像头初始化失败！源：{source}")  return cap  def get\_frame(self):  """获取单帧画面"""  ret, frame = self.cap.read()  if not ret:  \# 重试机制（避免临时断流）  time.sleep(0.1)  ret, frame = self.cap.read()  return ret, frame  def release(self):  """释放摄像头资源"""  self.cap.release()\# 测试：USB摄像头采集if \_\_name\_\_ == "\_\_main\_\_":  video = VideoCaptureModule(source=0, is\_rtsp=False)  while True:  ret, frame = video.get\_frame()  if ret:  cv2.imshow("Video Capture", frame)  if cv2.waitKey(1) & 0xFF == ord('q'):  break  else:  print("获取画面失败！")  video.release()  cv2.destroyAllWindows()
2. 模块 2：AI 识别（YOLOv8 目标检测 / 行为识别）
以 “异常闯入检测” 为例，识别画面中的 “人”，超出设定区域或数量则触发报警：
from ultralytics import YOLOimport cv2import numpy as npclass AIDetectModule:  def \_\_init\_\_(self, model\_path='yolov8n.pt', conf\_threshold=0.5):  """  model\_path：YOLO模型路径（yolov8n=轻量型，yolov8s=精准型）  conf\_threshold：置信度阈值（过滤低可信度检测结果）  """  self.model = YOLO(model\_path)  self.conf\_threshold = conf\_threshold  self.class\_names = self.model.names # 目标类别名称（0=person，1=bicycle等）  def detect(self, frame):  """目标检测：返回检测结果（边界框、类别、置信度）"""  results = self.model(frame, conf=self.conf\_threshold, device=0) # device=0使用NPU加速  detections = \[]  for r in results:  boxes = r.boxes.data.cpu().numpy() # 边界框：\[x1,y1,x2,y2,conf,class]  for box in boxes:  x1, y1, x2, y2, conf, cls = box  detections.append({  "class": self.class\_names\[int(cls)],  "confidence": float(conf),  "bbox": \[int(x1), int(y1), int(x2), int(y2)]  })  return detections  def draw\_detections(self, frame, detections):  """在画面上绘制检测结果（边界框+标签）"""  for det in detections:  x1, y1, x2, y2 = det\["bbox"]  label = f"{det\['class']} {det\['confidence']:.2f}"  \# 绘制边界框（红色：人，绿色：其他目标）  color = (0, 0, 255) if det\["class"] == "person" else (0, 255, 0)  cv2.rectangle(frame, (x1, y1), (x2, y2), color, 2)  \# 绘制标签背景  cv2.rectangle(frame, (x1, y1-20), (x2, y1), color, -1)  cv2.putText(frame, label, (x1+5, y1-5), cv2.FONT\_HERSHEY\_SIMPLEX, 0.5, (255,255,255), 1)  return frame  def check\_abnormal(self, detections, max\_person=1, restricted\_area=None):  """  异常检测：  \- max\_person：最大允许人数  \- restricted\_area：禁止区域（如\[500,300,1500,800]，即x1=500,y1=300,x2=1500,y2=800）  """  abnormal = False  abnormal\_msg = ""  \# 统计人数  person\_count = len(\[d for d in detections if d\["class"] == "person"])  if person\_count > max\_person:  abnormal = True  abnormal\_msg = f"人数超标：{person\_count}/{max\_person}"  \# 检测是否有人进入禁止区域  if restricted\_area and person\_count > 0:  rx1, ry1, rx2, ry2 = restricted\_area  for det in detections:  if det\["class"] == "person":  x1, y1, x2, y2 = det\["bbox"]  \# 判断边界框是否与禁止区域重叠  if not (x2 > rx2 or y2 > ry2):  abnormal = True  abnormal\_msg = f"闯入禁止区域！"  return abnormal, abnormal\_msg\# 测试：AI识别与异常检测if \_\_name\_\_ == "\_\_main\_\_":  video = VideoCaptureModule(source=0)  ai\_detector = AIDetectModule(model\_path='yolov8n.pt', conf\_threshold=0.5)  restricted\_area = \[500, 300, 1500, 800] # 禁止区域（根据实际画面调整）  while True:  ret, frame = video.get\_frame()  if not ret:  continue  \# AI检测  detections = ai\_detector.detect(frame)  \# 绘制检测结果  frame\_with\_detections = ai\_detector.draw\_detections(frame, detections)  \# 绘制禁止区域（红色虚线框）  cv2.rectangle(frame\_with\_detections, (restricted\_area\[0], restricted\_area\[1]),   (restricted\_area\[2], restricted\_area\[3]), (0,0,255), 2, cv2.LINE\_AA)  \# 异常检测  abnormal, abnormal\_msg = ai\_detector.check\_abnormal(detections, max\_person=1, restricted\_area=restricted\_area)  \# 显示异常信息  if abnormal:  cv2.putText(frame\_with\_detections, abnormal\_msg, (50, 50), cv2.FONT\_HERSHEY\_SIMPLEX, 1, (0,0,255), 2)  cv2.imshow("AI Detection", frame\_with\_detections)  if cv2.waitKey(1) & 0xFF == ord('q'):  break  video.release()  cv2.destroyAllWindows()
3. 模块 3：异常报警（LED + 蜂鸣器 + 视频存储）
异常时触发本地声光报警，并存储报警视频（保留 10 秒前 + 10 秒后画面）：
import RPi.GPIO as GPIOimport cv2import timeimport osfrom datetime import datetimeclass AlarmModule:  def \_\_init\_\_(self, led\_pin=18, buzzer\_pin=13, video\_save\_path="./alarm\_videos"):  """  led\_pin：LED GPIO引脚（BCM编号）  buzzer\_pin：蜂鸣器GPIO引脚（BCM编号）  video\_save\_path：报警视频存储路径  """  \# 初始化GPIO  GPIO.setmode(GPIO.BCM)  GPIO.setup(led\_pin, GPIO.OUT)  GPIO.setup(buzzer\_pin, GPIO.OUT)  self.led\_pin = led\_pin  self.buzzer\_pin = buzzer\_pin  \# 初始化视频存储  self.video\_save\_path = video\_save\_path  if not os.path.exists(video\_save\_path):  os.makedirs(video\_save\_path)  \# 缓存最近10秒画面（用于报警视频）  self.frame\_buffer = \[]  self.buffer\_size = 300 # 30fps×10秒=300帧  def add\_frame\_to\_buffer(self, frame):  """添加画面到缓存"""  self.frame\_buffer.append(frame)  if len(self.frame\_buffer) > self.buffer\_size:  self.frame\_buffer.pop(0)  def trigger\_alarm(self, duration=5):  """触发声光报警（持续duration秒）"""  print(f"触发报警！持续{duration}秒")  for \_ in range(duration):  GPIO.output(self.led\_pin, GPIO.HIGH)  GPIO.output(self.buzzer\_pin, GPIO.HIGH)  time.sleep(0.5)  GPIO.output(self.led\_pin, GPIO.LOW)  GPIO.output(self.buzzer\_pin, GPIO.LOW)  time.sleep(0.5)  def save\_alarm\_video(self, abnormal\_msg):  """保存报警视频（缓存10秒+后续10秒）"""  \# 视频文件名：时间\_异常类型.mp4  timestamp = datetime.now().strftime("%Y%m%d\_%H%M%S")  filename = f"{timestamp}\_{abnormal\_msg.replace(' ', '\_')}.mp4"  save\_path = os.path.join(self.video\_save\_path, filename)  \# 初始化视频写入器  fourcc = cv2.VideoWriter\_fourcc(\*'mp4v')  height, width = self.frame\_buffer\[0].shape\[:2]  out = cv2.VideoWriter(save\_path, fourcc, 30.0, (width, height))  \# 写入缓存画面  for frame in self.frame\_buffer:  out.write(frame)  \# 再录制10秒实时画面  cap = cv2.VideoCapture(0)  for \_ in range(300):  ret, frame = cap.read()  if ret:  out.write(frame)  time.sleep(1/30)  cap.release()  out.release()  print(f"报警视频保存成功：{save\_path}")  def cleanup(self):  """释放资源"""  GPIO.output(self.led\_pin, GPIO.LOW)  GPIO.output(self.buzzer\_pin, GPIO.LOW)  GPIO.cleanup()\# 测试：报警模块if \_\_name\_\_ == "\_\_main\_\_":  alarm = AlarmModule(led\_pin=18, buzzer\_pin=13)  video = VideoCaptureModule(source=0)  \# 缓存画面  for \_ in range(300):  ret, frame = video.get\_frame()  if ret:  alarm.add\_frame\_to\_buffer(frame)  time.sleep(1/30)  \# 触发报警并保存视频  alarm.trigger\_alarm(duration=3)  alarm.save\_alarm\_video("测试报警")  \# 清理资源  alarm.cleanup()  video.release()
4. 模块 4：数据上传（MQTT + 云端报警通知）
将报警信息（时间、异常类型、视频路径）上传到云端平台（如阿里云 IoT、ThingsBoard）：
import paho.mqtt.client as mqttimport jsonimport timeimport osclass MQTTUploadModule:  def \_\_init\_\_(self, broker, port, client\_id, username, password, topic="smart\_monitor/alarm"):  """  broker：MQTT服务器地址  port：MQTT端口（默认1883）  client\_id：客户端ID（唯一）  username/password：MQTT认证信息  topic：报警信息上传主题  """  self.client = mqtt.Client(client\_id=client\_id)  self.client.username\_pw\_set(username, password)  self.broker = broker  self.port = port  self.topic = topic  # 连接回调  self.client.on\_connect = self.\_on\_connect  self.client.on\_disconnect = self.\_on\_disconnect  # 连接MQTT服务器  self.connect()  def \_on\_connect(self, client, userdata, flags, rc):  if rc == 0:  print("MQTT连接成功")  else:  print(f"MQTT连接失败，错误码：{rc}")  def \_on\_disconnect(self, client, userdata, rc):  print("MQTT断开连接，尝试重连...")  time.sleep(5)  self.connect()  def connect(self):  """连接MQTT服务器"""  try:  self.client.connect(self.broker, self.port, keepalive=60)  self.client.loop\_start() # 启动后台循环  except Exception as e:  print(f"MQTT连接异常：{e}")  def upload\_alarm(self, abnormal\_msg, video\_path):  """上传报警信息"""  alarm\_data = {  "device\_id": "smart\_monitor\_001",  "timestamp": datetime.now().strftime("%Y-%m-%d %H:%M:%S"),  "abnormal\_type": abnormal\_msg,  "video\_path": video\_path,  "status": "alarm"  }  try:  payload = json.dumps(alarm\_data)  result = self.client.publish(self.topic, payload, qos=1)  result.wait\_for\_publish()  if result.is\_published():  print(f"报警信息上传成功：{payload}")  else:  print("报警信息上传失败，缓存本地")  self.\_cache\_alarm(alarm\_data)  except Exception as e:  print(f"上传异常：{e}")  self.\_cache\_alarm(alarm\_data)  def \_cache\_alarm(self, alarm\_data):  """断网时缓存报警信息到本地"""  cache\_path = "./alarm\_cache"  if not os.path.exists(cache\_path):  os.makedirs(cache\_path)  filename = f"cache\_{int(time.time())}.json"  with open(os.path.join(cache\_path, filename), 'w') as f:  json.dump(alarm\_data, f)\# 测试：MQTT上传if \_\_name\_\_ == "\_\_main\_\_":  # 替换为你的云端MQTT参数  mqtt\_uploader = MQTTUploadModule(  broker="mqtt.aliyuncs.com",  port=1883,  client\_id="smart\_monitor\_001",  username="your\_username",  password="your\_password"  )  # 上传测试报警信息  mqtt\_uploader.upload\_alarm("测试异常", "./alarm\_videos/test.mp4")  time.sleep(2)
五、实战案例：办公室异常闯入检测终端
场景说明
办公室下班后（18:00-08:00），检测到 “人” 进入禁止区域（如财务室门口），触发声光报警，保存报警视频并上传云端通知管理员。
完整流程代码
import timefrom datetime import datetimefrom VideoCaptureModule import VideoCaptureModulefrom AIDetectModule import AIDetectModulefrom AlarmModule import AlarmModulefrom MQTTUploadModule import MQTTUploadModuleif \_\_name\_\_ == "\_\_main\_\_":  # 1. 初始化各模块  video = VideoCaptureModule(source=0, is\_rtsp=False)  ai\_detector = AIDetectModule(model\_path='yolov8n.pt', conf\_threshold=0.5)  alarm = AlarmModule(led\_pin=18, buzzer\_pin=13)  mqtt\_uploader = MQTTUploadModule(  broker="mqtt.aliyuncs.com",  port=1883,  client\_id="smart\_monitor\_office",  username="your\_username",  password="your\_password"  )  # 2. 配置参数  restricted\_area = \[500, 300, 1500, 800] # 禁止区域（财务室门口）  alarm\_hours = \[18, 8] # 报警时段：18:00-08:00  max\_person = 0 # 报警时段内禁止任何人进入  alarm\_cooldown = 300 # 报警冷却时间（5分钟，避免重复报警）  last\_alarm\_time = 0  try:  print("智能监控AI分析终端启动成功！")  while True:  # 获取当前时间  now = datetime.now()  current\_hour = now.hour  # 判断是否在报警时段  in\_alarm\_hour = (current\_hour >= alarm\_hours\[0]) or (current\_hour ours\[1])  # 1. 视频采集与缓存  ret, frame = video.get\_frame()  if not ret:  time.sleep(0.1)  continue  alarm.add\_frame\_to\_buffer(frame)  # 2. AI识别（仅报警时段开启，节省算力）  if in\_alarm\_hour:  detections = ai\_detector.detect(frame)  # 绘制检测结果和禁止区域  frame\_with\_detections = ai\_detector.draw\_detections(frame, detections)  cv2.rectangle(frame\_with\_detections, (restricted\_area\[0], restricted\_area\[1]),  (restricted\_area\[2], restricted\_area\[3]), (0,0,255), 2, cv2.LINE\_AA)  # 异常检测  abnormal, abnormal\_msg = ai\_detector.check\_abnormal(  detections, max\_person=max\_person, restricted\_area=restricted\_area  )  # 显示状态信息  status = f"监控中 | 时段：{'报警时段' if in\_alarm\_hour else '正常时段'}"  cv2.putText(frame\_with\_detections, status, (50, 50), cv2.FONT\_HERSHEY\_SIMPLEX, 0.8, (0,255,0), 2)  if abnormal:  cv2.putText(frame\_with\_detections, abnormal\_msg, (50, 100), cv2.FONT\_HERSHEY\_SIMPLEX, 1, (0,0,255), 2)  # 冷却时间内不重复报警  current\_time = time.time()  if current\_time - last\_alarm\_time > alarm\_cooldown:  # 触发报警  alarm.trigger\_alarm(duration=5)  # 保存报警视频  video\_path = alarm.save\_alarm\_video(abnormal\_msg)  # 上传云端  mqtt\_uploader.upload\_alarm(abnormal\_msg, video\_path)  last\_alarm\_time = current\_time  else:  # 正常时段仅显示监控画面  frame\_with\_detections = frame  status = f"监控中 | 时段：正常时段"  cv2.putText(frame\_with\_detections, status, (50, 50), cv2.FONT\_HERSHEY\_SIMPLEX, 0.8, (0,255,0), 2)  # 实时预览（按q退出）  cv2.imshow("Smart Monitor AI Terminal", frame\_with\_detections)  if cv2.waitKey(1) & 0xFF == ord('q'):  break  except Exception as e:  print(f"终端运行异常：{e}")  finally:  # 释放资源  video.release()  alarm.cleanup()  cv2.destroyAllWindows()  print("智能监控AI分析终端已关闭")
部署与调试步骤
-
硬件部署：按接线图连接摄像头、LED、蜂鸣器，确保电源稳定；
-
软件部署：
-
将所有模块代码放在同一目录下（命名对应
import语句）； -
下载 YOLOv8 模型：
wget ``https://github.com/ultralytics/assets/releases/download/v8.1.0/yolov8n.pt； -
替换 MQTT 参数为你的云端平台信息；
- 调试技巧：
-
先在正常时段测试摄像头和 AI 识别，调整
restricted_area坐标（根据实际画面）； -
手动触发异常（进入禁止区域），验证报警和视频存储是否正常；
-
用
htop命令监控 CPU/NPU 占用率，若帧率低，改用yolov8n.pt轻量模型。
六、进阶优化：提升终端性能与稳定性
1. 提升 AI 推理帧率
-
模型优化：将 YOLOv8 模型量化为 INT8 格式（用 Ultralytics 量化工具），推理速度提升 2 倍；
-
硬件加速：确保开发板 NPU 正常工作（RK3588 需安装官方 NPU 驱动，Jetson 需安装 JetPack）；
-
画面降采样：将摄像头分辨率调整为 720P，减少 AI 推理计算量。
2. 增强稳定性
-
watchdog 守护进程：用
supervisor工具监控终端程序，崩溃后自动重启； -
电源管理：工业场景选用宽压电源，添加备用电池（避免断电断监控）；
-
存储管理：定期清理过期报警视频（保留 30 天），避免 SD 卡 / SSD 满存。
3. 扩展功能
-
多摄像头联动：支持接入 4 路网络摄像头（用多线程并行处理）；
-
人脸识别：加载 YOLOv8-Face 模型，识别特定人员（如员工 / 陌生人）；
-
云端管理平台：对接 ThingsBoard，实现远程配置参数、查看报警记录。