1. 项目概述与核心价值最近几年我一直在关注如何将边缘计算和物联网技术应用到传统工业与公共安全领域。一个偶然的机会我接触到了铁路道口安全管理的课题。传统的道口安全主要依赖人工瞭望、声光报警和物理栏杆但在一些非主干线、乡村或厂区专用线上这些设施的部署和维护成本高昂且存在反应延迟、受恶劣天气影响大等固有缺陷。于是我萌生了一个想法能否用一套低成本、高可靠性的自动化系统来增强甚至部分替代传统方案这就是“基于Raspberry Pi与计算机视觉的铁路道口自动化安全系统”项目的由来。简单来说这个项目的核心目标是利用树莓派Raspberry Pi作为边缘计算节点搭载摄像头通过计算机视觉算法实时分析道口区域的视频流自动检测是否有列车接近、道口是否有行人或车辆滞留并联动控制声光报警器、道闸栏杆等执行机构。它不是一个要完全取代现有成熟系统的方案而是一个面向预算有限、环境特殊的场景如私人铁路、矿区、林场、偏远地区平交道口的增强型或独立解决方案。它的价值在于用几千元的硬件成本实现了一套7x24小时不间断的智能感知与预警系统将安全隐患的发现从“事后”或“事中”提前到“事前”。对于从事嵌入式开发、物联网应用或者对AI落地感兴趣的朋友来说这个项目极具实践意义。它完整串联了硬件选型、传感器集成、边缘AI模型部署、网络通信、机电控制以及系统可靠性设计等多个环节。接下来我将从设计思路、硬件搭建、软件实现到调试部署毫无保留地分享整个过程中的核心细节、踩过的坑以及最终沉淀下来的经验。2. 系统整体设计与核心思路拆解2.1 需求分析与方案选型做任何项目第一步永远是厘清需求。对于铁路道口安全系统核心需求可以归纳为三点感知、决策、执行。感知需要知道“列车是否正在接近道口”以及“道口区域内是否有障碍物行人、车辆”。方案有很多比如铺设压力传感器、激光对射、雷达等。但考虑到成本、安装复杂度和环境适应性雨雪、灰尘计算机视觉成为了一个极具吸引力的选择。一个摄像头就能覆盖很大区域获取丰富的图像信息。决策当感知到“列车接近”和“道口有障碍物”这两个状态时系统需要做出逻辑判断。例如列车接近且道口有障碍物则触发最高级别警报仅列车接近则触发标准预警。这部分逻辑相对固定关键在于感知的准确性和实时性。执行根据决策结果控制系统需要能驱动外部设备。最典型的就是控制红绿灯或爆闪灯、警铃或语音喇叭以及道闸栏杆的升起与落下。基于以上需求我选择了“Raspberry Pi USB摄像头 继电器模块”作为核心硬件架构。树莓派4B或更新的型号其算力足以在本地运行轻量级的计算机视觉模型避免了将所有视频流上传到云端带来的延迟和网络依赖问题这对于安全系统至关重要。USB摄像头负责采集图像继电器模块则作为树莓派弱电与控制道口强电设备如220V警铃、栏杆电机之间的安全隔离与开关接口。2.2 核心工作流程设计系统的运行流程是一个清晰的闭环视频采集摄像头以固定的帧率如10-15 FPS持续采集道口区域的视频。目标检测每一帧图像都会被送入一个预先训练好的深度学习模型中进行两类目标的检测“列车”和“行人/车辆”。这里“行人/车辆”可以合并为一类“障碍物”。逻辑判断如果检测到“列车”且其边界框的中心点坐标进入预设的“接近区域”在图像中划定一个虚拟的触发线则判定为“列车接近”。同时持续检测道口停车线以内的区域是否有“障碍物”。状态输出与控制状态A列车接近道口清空触发“预警”状态控制继电器打开预警灯黄灯闪烁和预警音。状态B列车接近道口有障碍物触发“警报”状态控制继电器打开警报灯红灯闪烁、急促警报音并可通过另一个继电器控制栏杆落下如果配备。同时可以考虑增加网络通知功能如向管理员发送告警图片。状态C列车未接近系统处于“监视”状态所有执行器关闭栏杆抬起。反馈与记录系统将关键事件如检测到列车、触发警报连同时间戳和快照图片记录到本地SD卡或通过网络发送到日志服务器便于事后追溯与分析。这个设计的优势在于全本地化处理响应速度快从检测到控制输出可在数百毫秒内完成且不依赖于持续稳定的互联网连接非常适合野外环境。3. 硬件搭建与核心组件解析3.1 硬件清单与选型考量一份可靠的硬件清单是项目成功的基石。以下是我在多次迭代后确定的组件核心计算单元Raspberry Pi 4B (4GB RAM)。选择4B是因为其CPU和GPU性能足够且有充足的USB接口和GPIO。CM4计算模块更工业级但开发调试门槛稍高。注意务必配备一个高质量的快充电源5V/3A供电不稳是树莓派各种灵异问题的首要元凶。视觉传感器广角USB网络摄像头。推荐选择支持H.264编码、视角在100度以上的型号。广角能在固定点位覆盖更大范围。夜间使用的道口必须选择带红外夜视或低照度效果好的型号。我最终选用了一款常见的1080P USB摄像头通过fswebcam或OpenCV的VideoCapture可以轻松驱动。控制接口8路继电器模块。树莓派的GPIO引脚只能输出3.3V数字信号无法直接驱动强电设备。继电器模块起到了电气隔离和开关作用。我选用的是支持高低电平触发的光耦隔离继电器板通过排线直接连接到树莓派的GPIO针脚。外围设备模拟警报器12V或24V直流蜂鸣器/警笛由继电器控制通断。信号灯红、黄LED爆闪灯直流供电同样由继电器控制。道闸栏杆可以使用一个小的直流电机模拟升降。在实际部署中需要连接真正的道闸控制器。其他防水机箱保护树莓派和继电器板免受风雨侵蚀。大容量SD卡至少32GB Class 10以上用于存储系统和日志。散热片与风扇树莓派4B长时间运行会发热主动散热能保证其稳定运行。PoE HAT可选如果部署点附近有支持PoE以太网供电的交换机使用PoE HAT可以通过一根网线同时解决供电和网络问题极大简化布线。选型心得在工业环境可靠性优先于极致性价比。不要选择最便宜的摄像头和继电器它们可能在温度变化或持续通电下很快失效。继电器模块的触点容量如10A要留足余量以应对电机启动时的瞬时大电流。3.2 电路连接与安全隔离这是硬件部分最关键也最容易出错的一环。树莓派与继电器模块连接继电器模块的输入侧IN1, IN2...通常对应控制信号。将其连接到树莓派的GPIO引脚如GPIO17, GPIO18。在软件中将这些引脚设置为输出模式输出高电平3.3V或低电平0V来控制继电器吸合或断开。务必确认继电器模块的触发电平与树莓派输出匹配。继电器与执行设备连接这是强电部分操作前必须断电继电器模块的输出侧是三个端子常开NO、公共端COM、常闭NC。我们通常使用“常开”模式。以控制一个220V警铃为例将220V火线接入继电器COM端从NO端接出一根线到警铃的一端警铃的另一端接回220V零线。这样当继电器吸合树莓派给信号COM和NO接通电路闭合警铃工作。安全隔离物理隔离将树莓派和继电器模块安装在绝缘的防水盒内强电和弱电的走线分开避免交叉。电气隔离确保继电器模块本身是光耦隔离的这能防止强电侧的干扰或故障窜入树莓派烧毁核心板。接地为整个机箱做好接地特别是在雷雨多发地区。踩坑实录第一次测试时我用继电器直接控制一个小电机电机停转时产生的反向电动势即使有续流二极管偶尔会导致树莓派死机。后来在继电器输出端并接了RC吸收电路一个电阻串联一个电容问题彻底解决。对于感性负载电机、继电器线圈这个保护措施非常必要。4. 软件环境配置与核心算法实现4.1 操作系统与基础环境我选择Raspberry Pi OS (64-bit) Lite版本没有桌面环境资源占用更少。通过SSH进行远程操作。# 基础更新和必备工具 sudo apt update sudo apt upgrade -y sudo apt install -y python3-pip python3-venv git vim # 安装OpenCV的依赖这是一个比较耗时的过程 sudo apt install -y libopencv-dev python3-opencv # 验证OpenCV安装 python3 -c import cv2; print(cv2.__version__)对于深度学习推理我们不需要在树莓派上从头训练模型那需要巨大的算力。我们的策略是在性能更强的电脑或云端上训练模型然后将优化后的模型部署到树莓派上运行。因此需要安装轻量级的推理引擎。方案选择TensorFlow Lite 还是 ONNX RuntimeTensorFlow Lite与TensorFlow生态结合好文档丰富。但针对树莓派ARM架构的预编译包有时会遇到兼容性问题。ONNX Runtime支持多种硬件后端CPU, GPU, NPU模型格式通用性好在树莓派上的安装和性能表现非常稳定。我最终选择了ONNX Runtime因为它对PyTorch/TensorFlow等框架导出的模型支持都很好且CPU推理效率极高。# 安装ONNX Runtime for Python on ARM64 pip3 install onnxruntime4.2 目标检测模型的选择与优化模型的选择直接决定了系统的准确性和实时性。在树莓派上我们必须使用轻量级模型。候选模型MobileNetV2/V3 SSDLite经典组合速度快精度尚可。YOLOv5n / YOLOv8nYOLO系列的最新轻量版本在速度和精度上取得了更好的平衡社区活跃。EfficientDet-Lite谷歌专门为边缘设备优化的目标检测模型家族。我的选择YOLOv8n。原因在于其出色的精度-速度权衡并且Ultralytics公司提供了极其便捷的导出和部署工具。我们可以先在PC上使用自定义的数据集包含“train”和“crossing_obstacle”两类训练一个YOLOv8n模型然后将其导出为ONNX格式。模型训练与导出在PC端完成# 安装ultralytics pip install ultralytics # 使用自定义数据集训练假设数据集已按YOLO格式准备好 yolo train modelyolov8n.pt datarailway_crossing.yaml epochs100 imgsz640 # 将训练好的最佳模型导出为ONNX格式 yolo export modelruns/detect/train/weights/best.pt formatonnx imgsz640导出的best.onnx文件就是我们需要部署到树莓派的模型。模型优化对于树莓派我们还可以进一步优化动态量化使用ONNX Runtime的量化工具将模型从FP32转换为INT8可以大幅减少模型体积和提升推理速度精度损失很小。使用OpenCV的DNN模块ONNX模型也可以被OpenCV的dnn模块读取有时与OpenCV的视频采集、预处理流水线集成更顺畅。4.3 核心检测与逻辑控制程序这是整个系统的大脑。程序结构主要分为三个线程以保证响应性主线程视频捕获、推理、结果解析和逻辑判断。控制线程根据主线程发出的状态指令以非阻塞方式控制GPIO继电器。日志线程将事件异步写入文件或发送到网络。以下是核心代码结构的简化示例import cv2 import onnxruntime as ort import numpy as np import time from threading import Thread, Event import RPi.GPIO as GPIO # 1. 初始化GPIO GPIO.setmode(GPIO.BCM) WARNING_LIGHT_PIN 17 ALARM_LIGHT_PIN 18 ALARM_SIREN_PIN 22 BARRIER_PIN 23 for pin in [WARNING_LIGHT_PIN, ALARM_LIGHT_PIN, ALARM_SIREN_PIN, BARRIER_PIN]: GPIO.setup(pin, GPIO.OUT, initialGPIO.LOW) # 2. 加载ONNX模型 model_path best.onnx providers [CPUExecutionProvider] # 树莓派上使用CPU session ort.InferenceSession(model_path, providersproviders) # 3. 定义图像预处理和后处理函数 def preprocess(img, input_size640): # 调整大小、归一化、转换通道顺序 (HWC to CHW) 等 pass def postprocess(outputs, img_shape, conf_threshold0.5): # 解析YOLO输出得到边界框、置信度、类别 pass # 4. 定义逻辑判断区域 (在图像坐标系中) APPROACH_LINE_Y 300 # 假设图像高度为480Y300处为“接近线” CROSSING_ROI [(100, 350), (540, 350), (540, 430), (100, 430)] # 道口区域多边形 # 5. 状态机与控制函数 class CrossingState: IDLE 0 TRAIN_APPROACHING 1 ALARM 2 current_state CrossingState.IDLE def set_state(new_state): global current_state if new_state ! current_state: current_state new_state control_devices(new_state) log_event(new_state) def control_devices(state): if state CrossingState.IDLE: GPIO.output(WARNING_LIGHT_PIN, GPIO.LOW) GPIO.output(ALARM_LIGHT_PIN, GPIO.LOW) GPIO.output(ALARM_SIREN_PIN, GPIO.LOW) GPIO.output(BARRIER_PIN, GPIO.HIGH) # 抬起栏杆 elif state CrossingState.TRAIN_APPROACHING: GPIO.output(WARNING_LIGHT_PIN, GPIO.HIGH) # 黄灯闪烁实际需用PWM或线程控制闪烁 GPIO.output(ALARM_SIREN_PIN, GPIO.LOW) # ... 其他设备控制 elif state CrossingState.ALARM: GPIO.output(ALARM_LIGHT_PIN, GPIO.HIGH) # 红灯闪烁 GPIO.output(ALARM_SIREN_PIN, GPIO.HIGH) GPIO.output(BARRIER_PIN, GPIO.LOW) # 落下栏杆 # 6. 主循环 cap cv2.VideoCapture(0) # 打开摄像头 cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) try: while True: ret, frame cap.read() if not ret: break # 预处理 input_tensor preprocess(frame) # 推理 outputs session.run(None, {images: input_tensor}) # 后处理得到 detections: [x1, y1, x2, y2, conf, cls] detections postprocess(outputs, frame.shape) train_detected False obstacle_in_roi False for det in detections: x1, y1, x2, y2, conf, cls_id det box_center_y (y1 y2) / 2 if cls_id 0: # 类别0: 列车 if box_center_y APPROACH_LINE_Y: train_detected True elif cls_id 1: # 类别1: 障碍物 # 判断障碍物中心点是否在道口ROI多边形内 obstacle_center ((x1x2)/2, (y1y2)/2) if cv2.pointPolygonTest(np.array(CROSSING_ROI), obstacle_center, False) 0: obstacle_in_roi True # 状态逻辑判断 if train_detected: if obstacle_in_roi: set_state(CrossingState.ALARM) else: set_state(CrossingState.TRAIN_APPROACHING) else: set_state(CrossingState.IDLE) # 可选在图像上绘制检测框和区域用于调试 # display_frame draw_results(frame, detections, APPROACH_LINE_Y, CROSSING_ROI) # cv2.imshow(Preview, display_frame) # if cv2.waitKey(1) 0xFF ord(q): # break time.sleep(0.05) # 控制循环频率约20FPS except KeyboardInterrupt: print(Program terminated.) finally: cap.release() cv2.destroyAllWindows() GPIO.cleanup()编程心得状态管理是核心。使用明确的状态机如IDLE,WARNING,ALARM能让逻辑非常清晰避免复杂的if-else嵌套。另外GPIO操作要放在try...finally块中确保程序异常退出时能安全地关闭所有输出避免继电器保持在异常吸合状态。5. 系统集成、调试与部署实战5.1 模型调优与误报处理初始模型部署后最大的挑战是误报和漏报。树莓派摄像头看到的场景复杂多变光影变化、树叶晃动、飞鸟、雨雪都可能被误认为是目标。数据增强与重新训练这是治本之策。在PC端训练时使用更贴近实际场景的数据集。大量采集不同时段清晨、正午、黄昏、夜晚、不同天气晴、雨、雾下的道口图片进行标注。在训练中启用Mosaic、MixUp等增强提升模型鲁棒性。检测后滤波置信度阈值适当提高conf_threshold如从0.5调到0.7过滤掉那些模棱两可的检测。非极大值抑制NMS确保同一个目标只被检测一次参数iou_threshold可以调小一些如0.4。轨迹追踪对于“列车”这类移动目标可以引入简单的跟踪算法如IOU跟踪或Kalman滤波。只有当目标在连续多帧如5帧内都被检测到才判定为有效目标。这能有效过滤瞬时闪过的误报。区域屏蔽在图像中固定不变且容易产生误报的区域如远处的树木、静止的标牌可以在预处理时直接将其屏蔽设为黑色不让模型看到这些区域。多帧投票决策不要基于单帧检测结果就改变系统状态。例如可以设置一个计数器连续3帧检测到列车接近才触发TRAIN_APPROACHING状态连续5帧道口清空才退出ALARM状态。这增加了系统的稳定性。5.2 可靠性设计与防错机制安全系统容不得半点马虎必须考虑各种异常情况。看门狗Watchdog树莓派程序可能因未知原因卡死。我们可以启用树莓派的内置硬件看门狗或者用一个更简单的软件方案在主循环中定期“喂狗”如写一个特定文件另一个独立的监控进程检查这个文件是否按时更新如果没有则重启主程序或整个系统。电源管理野外环境可能停电。需要为树莓派配备UPS不间断电源哪怕只是一个大的充电宝也能保证在短暂断电时完成安全关机防止SD卡文件系统损坏。网络心跳与远程监控如果道口有网络可以让树莓派定期向一个远程服务器发送“心跳”信号。服务器收不到心跳则意味着系统可能离线可以触发人工巡检。同时可以将警报图片和日志实时上传方便远程确认。手动/自动切换保留一个物理开关或远程指令允许维护人员将系统切换到“手动模式”此时自动检测和控制功能暂停便于设备检修。5.3 现场部署与校准部署不是简单地把盒子挂上去就完事了。摄像头安装位置要选好确保视野能完整覆盖列车接近区域和整个道口区域。镜头要避免正对阳光会导致严重过曝最好有遮光罩。安装要牢固防止因风吹晃动导致虚拟检测区域偏移。区域校准程序中的APPROACH_LINE_Y和CROSSING_ROI是图像坐标需要在现场进行校准。我写了一个简单的校准脚本运行后会在视频画面上交互式地绘制这些线和区域并将最终的坐标保存到配置文件中。这样每次安装只需运行一次校准程序无需修改代码。环境适应性测试系统安装后需要在不同时间早中晚、不同天气进行长时间测试至少一周记录下所有的误报和漏报事件分析原因进一步优化模型参数或逻辑阈值。6. 常见问题排查与性能优化实录在实际开发和部署中我遇到了不少问题这里总结一份“避坑指南”。6.1 树莓派相关问题问题1USB摄像头无法识别或帧率极低。排查首先用lsusb和v4l2-ctl --list-devices命令确认摄像头是否被系统识别。尝试更换USB接口尤其是USB2.0和3.0口。解决在/boot/config.txt中增加一行dtoverlayvc4-kms-v3d针对某些摄像头或使用libcamera替代旧的驱动。对于帧率低在OpenCV中尝试不同的CAP_PROP_FPS值和分辨率组合有时降低分辨率如从1080P到720P能显著提升稳定帧率。问题2推理速度慢达不到实时要求。排查使用htop命令查看CPU占用。如果是单核满载说明推理是单线程的。解决模型优化使用INT8量化模型速度通常能提升2-3倍。ONNX Runtime配置创建session时尝试设置线程数session_options ort.SessionOptions(); session_options.intra_op_num_threads 4根据CPU核心数调整。输入分辨率确保输入模型的图像尺寸如640x640不要盲目求大。代码优化避免在循环中进行不必要的图像复制或格式转换。使用cv2.resize时指定interpolationcv2.INTER_LINEAR默认而非更慢的INTER_CUBIC。问题3系统运行一段时间后死机或SD卡损坏。排查通常是电源不足、散热不良或频繁写日志导致。解决使用足额电源加装散热风扇将日志写入到USB硬盘或RAM磁盘如/tmp目录定期同步到SD卡启用zram交换空间减少对SD卡的读写。6.2 视觉检测相关问题问题4夜间或低光照下检测不到目标。解决必须使用带红外补光或星光级的摄像头。在模型训练数据中必须包含大量夜间场景的标注图片。对于红外图像可能需要进行特殊的预处理如去红外滤光片导致的色偏。问题5远处的小目标如刚出现的列车漏检。解决在训练时数据集中要包含足够多的小目标样本。可以尝试使用专门优化小目标检测的模型变体或者在推理时对图像进行多尺度预测但会显著增加计算量。一个折中的方案是在“列车接近区域”只关心中大型目标对于极远处的小点可以忽略因为等它变大进入关键区域时自然会被检测到。问题6阴影、积水反光等造成持续误报。解决除了之前提到的轨迹追踪和多帧投票可以尝试在图像预处理阶段加入背景减除或光照归一化算法减少光影变化的影响。对于固定位置的反光使用区域屏蔽是最直接有效的方法。6.3 电气与控制相关问题问题7继电器动作时树莓派会重启或程序卡死。原因继电器线圈是感性负载通断时会产生强烈的电磁干扰EMI或电压尖峰通过电源或地线干扰树莓派。解决强弱电隔离使用光耦隔离的继电器模块并确保树莓派和继电器模块的供电是分开的最好使用两个独立的电源适配器。加装保护元件在继电器线圈两端并联续流二极管通常模块已集成在触点两端并联RC吸收电路如0.1uF电容串联100欧姆电阻。电源滤波在树莓派的电源输入端增加磁珠和滤波电容。问题8控制大功率设备如道闸电机时继电器触点粘连或损坏。原因电机启动电流可能是额定电流的5-7倍超过了继电器触点的瞬时承受能力。解决选择触点容量远大于设备额定电流的继电器例如额定1A的电机选用10A的继电器。对于交流电机考虑使用固态继电器SSR它没有机械触点寿命更长抗冲击能力更好。这个项目从构思到最终稳定运行前后迭代了三个版本耗时近四个月。最大的体会是边缘AI项目的成功三分在算法七分在工程。模型的精度固然重要但硬件的可靠性、系统的稳定性、对恶劣环境的适应性、以及完善的异常处理机制才是决定项目能否真正“用起来”的关键。当你看到自己搭建的系统在风雨中稳定运行准确无误地为一列列通过的列车提供安全预警时那种成就感是无可替代的。希望我的这些经验能为你开启自己的边缘智能项目提供一块坚实的垫脚石。