1. 项目背景与核心需求
课堂设备与用品检测系统是教育信息化进程中的重要组成部分。作为一名计算机视觉方向的毕业生，我选择这个课题作为毕业设计，主要基于以下三点考量：
首先，传统课堂设备管理存在明显痛点。粉笔盒空了没人发现、投影仪遥控器经常丢失、实验器材摆放混乱等问题，严重影响教学效率。通过实地调研发现，普通教室平均每周因此浪费的课堂时间达到15-20分钟。
其次，现有解决方案存在明显不足。RFID方案成本过高（单教室部署成本超2万元），二维码方案需要人工扫码（依从性差）。而基于深度学习的目标检测技术，仅需普通摄像头即可实现非接触式检测。
最后，YOLO系列算法在实时检测领域的突破性进展，为这个课题提供了技术可行性。特别是YOLOv5到YOLOv10的演进，在精度和速度上都有了显著提升，完全能满足教室场景的实时检测需求。
2. 技术选型与方案设计
2.1 算法对比测试
在项目初期，我对主流目标检测算法进行了对比测试（测试环境：RTX 3060，Ubuntu 20.04）：
| 算法版本 | mAP@0.5 | 推理速度(FPS) | 模型大小(MB) | 显存占用(MB) |
|---|---|---|---|---|
| YOLOv5s | 0.68 | 142 | 14.4 | 1024 |
| YOLOv8n | 0.72 | 156 | 12.1 | 896 |
| YOLOv10n | 0.75 | 168 | 10.8 | 768 |
测试数据表明，YOLOv10在保持轻量化的同时，实现了精度和速度的双重提升。特别是其采用的"无NMS"设计，使推理速度提升了约15%。
2.2 系统架构设计
整体系统采用C/S架构：
code复制[前端]
├── 摄像头采集模块（OpenCV）
├── 实时显示界面（PyQt5）
└── 告警通知模块（SMTP/WebSocket）
[后端]
├── 模型推理服务（Torch）
├── 数据存储（SQLite）
└── 管理后台（Flask）
关键设计决策：
- 使用多进程架构：视频采集、模型推理、UI渲染分离，避免阻塞
- 采用量化部署：将FP32模型转为INT8，推理速度提升2倍
- 实现动态加载：支持课表触发不同检测模型（如化学实验课加载专用模型）
3. 数据集构建与模型训练
3.1 数据采集方案
通过三种方式构建数据集：
- 实景拍摄：在10间教室采集2000+张原始图片
- 数据增强：应用Mosaic、MixUp等算法扩增至8000+张
- 合成数据：使用Blender生成罕见角度样本
标注规范示例：
python复制# 标注文件示例（YOLO格式）
0 0.512 0.634 0.120 0.210 # 粉笔盒
1 0.723 0.456 0.080 0.150 # 遥控器
2 0.345 0.289 0.300 0.400 # 显微镜
3.2 模型训练技巧
采用迁移学习策略：
- 使用COCO预训练权重初始化
- 冻结骨干网络训练100轮
- 全网络微调50轮
关键训练参数：
yaml复制lr0: 0.01 # 初始学习率
lrf: 0.1 # 最终学习率
warmup_epochs: 3
batch: 16
optimizer: AdamW
4. 部署优化与性能调优
4.1 边缘设备适配
为适应教室老旧电脑，进行了以下优化：
- 模型剪枝：移除10%冗余通道
- TensorRT加速：生成FP16引擎
- 内存池优化：减少60%内存碎片
实测性能对比：
| 优化措施 | 推理时延(ms) | 内存占用(MB) |
|---|---|---|
| 原始模型 | 45 | 1200 |
| 优化后 | 18 | 480 |
4.2 实际场景问题解决
遇到并解决了多个典型问题：
- 反光干扰：通过偏振镜片解决投影幕反光
- 遮挡问题：引入注意力机制提升局部特征提取
- 小目标检测：添加SPD-Conv模块
5. 系统功能实现
5.1 核心检测功能
实现多维度检测能力：
- 存在性检测：设备在位状态
- 完整性检测：粉笔剩余量估算
- 位置检测：物品摆放规范性
5.2 特色功能开发
-
智能预警系统：
- 低耗材预警（粉笔<20%）
- 异常移动报警（设备位移>1m）
-
数据可视化看板：
python复制# 使用PyQtChart生成统计图表 chart = QChart() series = QPieSeries() series.append("正常", 85) series.append("缺失", 12) series.append("异常", 3) chart.addSeries(series)
6. 项目心得与改进方向
通过这个项目，我深刻体会到几个关键点：
- 数据质量决定上限：前期70%时间应该花在数据准备上
- 部署优化是难点：实验室指标和实际性能往往差距很大
- 业务理解很重要：准确率不是唯一标准，要考虑误报成本
后续改进计划：
- 引入多模态融合（结合RFID辅助验证）
- 开发移动端管理APP
- 实现跨教室设备追踪功能
关键建议：在实际部署时，一定要考虑光照变化的影响。建议在教室不同时段（早晨/中午/傍晚）各采集100+样本加入训练集，这对提升模型鲁棒性非常有效。