WMW

Menu

七千二百袋水泥
七千二百袋水泥
Published on 2025-06-07 / 0 Visits

树莓派5驱动AI智能冰箱库存管理系统: 超声波传感器与定制YOLOv8模型实时监控技术全解析

在这篇文章中，我们将详细阐述如何构建一个由Raspberry Pi 5和AI摄像头支持的智能冰箱库存管理系统。该系统通过安装在冰箱侧面的超声波传感器，自动判断何时启动产品检测以及何时发送库存更新。借助定制的YOLOv8n模型（通过Roboflow导出为IMX500兼容格式），摄像头能够识别关键产品——包括奶酪、可乐、鸡蛋、番茄酱、牛奶、pittas和schnitzels——并根据它们在画面中的位置进行分类。生成的"进"（在冰箱内）和"出"（需补货）清单，通过基于SocketIO的Flask服务器实时传输到React仪表盘，帮助用户随时掌握库存状态和补货需求。

"井然有序的冰箱，是健康生活的第一步。"——匿名

项目简介: AI冰箱库存管理的创新愿景

想象一下，当你打开冰箱时，一个AI系统能即时告知可用物品和缺失清单。我们的项目利用传感器触发器实现了自动库存追踪：当超声波传感器检测到冰箱门距离小于50厘米时，AI摄像头立即开始分析产品放置；或者，使用备选的PIR运动传感器，摄像头在感应到动作时启动检测，并在静止5秒后发送更新。这种嵌入式AI与全栈开发的完美结合，使库存管理变得轻松高效。

观看示例视频： Your browser does not support video tags 系统在运行时实时更新冰箱库存状态。

硬件配置: 关键组件与传感器安装详解

我们的设置融合了传感器和先进AI技术：

  • Raspberry Pi 5：作为核心处理单元。

  • AI摄像头模块：搭载定制训练的YOLOv8n模型（导出为IMX500格式），用于检测奶酪、可乐、鸡蛋、番茄酱、牛奶、pittas和schnitzels等产品。

  • 超声波传感器：安装在冰箱侧面，测量门距。当距离小于50厘米时，系统激活产品检测。

  • PIR运动传感器（备选）：检测到运动时触发识别，并在5秒无动作后发送更新。

  • Flask服务器（集成SocketIO）：处理实时数据传输。

  • React仪表盘：显示两个清单——当前在冰箱中的物品和已移除需补货的物品。

连接示意图如下，展示传感器与摄像头的布线： Image

超声波传感器安装指南： 将传感器置于冰箱侧面，正对门体。传感器持续监控距离：当门关闭（距离<50厘米）时，系统开始捕捉画面进行分析；当门开启（距离>50厘米）时，触发更新传输。

PIR运动传感器安装指南（备选）：

  • 安装传感器以检测冰箱附近动作。

  • 动作检测时，摄像头启动产品识别；5秒无动作后，发送库存更新。 详细布线请参考Fritzing示意图。

AI模型: 定制YOLOv8产品识别技术实现

系统核心是搭载定制YOLOv8n网络的AI摄像头，该模型通过Roboflow优化并导出为IMX500兼容格式，能识别目标产品，并根据画面位置区分"进"（冰箱内）和"出"（移除或缺失）物品。

产品识别逻辑代码示例：

import cv2  
import numpy as np  
# 加载定制产品检测模型（YOLOv8n导出为IMX500格式）  
model = load_model('path_to_imx500_model')  
def detect_products(frame):  
    # 预处理画面供模型使用  
    processed_frame = preprocess_frame(frame)  
    # 运行推理  
    detections = model(processed_frame)  
    # 解析检测结果并分类为'进'和'出'  
    in_products = []  
    out_products = []  
    for det in detections:  
        label = det['label']  
        x, y, w, h = det['bbox']  
        # 假设画面垂直分割：左半为"进"，右半为"出"  
        if x + w / 2 < frame.shape[1] // 2:  
            in_products.append(label)  
        else:  
            out_products.append(label)  
    return in_products, out_products  
# 辅助函数preprocess_frame()和load_model()在其他部分实现  

传感器逻辑与实时通信实现方案

超声波传感器工作流程： 超声波传感器测量门距，当距离小于50厘米时，系统启动画面捕捉和产品检测；门移开后（距离>50厘米），累积的"进"和"出"列表发送至服务器。

import time  
import socketio  
# 初始化SocketIO客户端  
sio = socketio.Client()  
sio.connect('http://your-ngrok-url')  
THRESHOLD = 50  # 距离阈值（单位：厘米）  
def read_ultrasonic_sensor():  
    # 模拟传感器读数；替换为实际逻辑  
    return get_distance()  
def sensor_loop():  
    detecting = False  
    in_list = []  
    out_list = []  
    while True:  
        distance = read_ultrasonic_sensor()  
        if distance < THRESHOLD and not detecting:  
            print("检测到冰箱门！启动库存检查...")  
            detecting = True  
            # 捕捉画面进行产品检测（模拟摄像头捕捉）  
            frame = capture_frame()  # 替换为实际摄像头逻辑  
            in_list, out_list = detect_products(frame)  
        elif distance >= THRESHOLD and detecting:  
            print("冰箱门关闭。向服务器发送库存数据。")  
            sio.emit('inventory_update', {'in': in_list, 'out': out_list})  
            detecting = False  
            in_list, out_list = [], []  
        time.sleep(0.5)  # 调整传感器轮询间隔  
# 在Raspberry Pi上运行sensor_loop()以持续监控门状态  

PIR运动传感器工作流程（备选）： 对于PIR传感器环境，摄像头在动作检测时激活，并在5秒静止后发送更新。

def pir_sensor_loop():  
    detecting = False  
    last_motion_time = time.time()  
    in_list = []  
    out_list = []  
    while True:  
        motion_detected = read_pir_sensor()  # 替换为实际传感器逻辑  
        if motion_detected:  
            last_motion_time = time.time()  
            if not detecting:  
                print("检测到动作！启动产品识别...")  
                detecting = True  
                frame = capture_frame()  # 使用AI摄像头捕捉画面  
                in_list, out_list = detect_products(frame)  
        elif detecting and (time.time() - last_motion_time) > 5:  
            print("5秒无动作。传输库存更新。")  
            sio.emit('inventory_update', {'in': in_list, 'out': out_list})  
            detecting = False  
            in_list, out_list = [], []  
        time.sleep(0.5)  

Flask+SocketIO服务器实现： Flask服务器接收实时库存更新，并广播至所有连接的客户端，确保React仪表盘显示最新数据。

from flask import Flask  
from flask_socketio import SocketIO  
app = Flask(__name__)  
socketio = SocketIO(app, cors_allowed_origins="*")  
@socketio.on('inventory_update')  
def handle_inventory_update(data):  
    print("收到库存更新:", data)  
    # 向仪表盘客户端广播更新  
    socketio.emit('dashboard_update', data)  
if __name__ == '__main__':  
    socketio.run(app, host='0.0.0.0', port=5000)  

前端展示: React实时仪表盘开发指南

数据管道从Raspberry Pi经Flask服务器（通过ngrok公开）流向React仪表盘。仪表盘显示两个列表：冰箱中的产品和需补货的移除产品。

React仪表盘代码示例：

import React, { useEffect, useState } from "react";  
import io from "socket.io-client";  
const socket = io("http://your-ngrok-url");  
const FridgeInventory = () => {  
  const [inventory, setInventory] = useState({ in: [], out: [] });  
  useEffect(() => {  
    socket.on("dashboard_update", (data) => {  
      setInventory(data);  
    });  
    return () => {  
      socket.off("dashboard_update");  
    };  
  }, []);  
  return (  
    <div>  
      <h2>冰箱库存</h2>  
      <div>  
        <h3>在冰箱中</h3>  
        <ul>  
          {inventory.in.map((item, index) => (  
            <li key={index}>{item}</li>  
          ))}  
        </ul>  
      </div>  
      <div>  
        <h3>需补货物品</h3>  
        <ul>  
          {inventory.out.map((item, index) => (  
            <li key={index}>{item}</li>  
          ))}  
        </ul>  
      </div>  
    </div>  
  );  
};  
export default FridgeInventory;  

系统部署与常见问题解决策略

部署此类边缘AI解决方案需应对以下挑战：

  • 传感器校准：微调超声波传感器阈值（50厘米），确保PIR传感器（如使用）位置准确。

  • 网络稳定性：通过ngrok运行Flask服务器需可靠网络连接，监控延迟和带宽。

  • 模型优化：采用轻量级框架，确保定制产品识别模型针对实时推理优化。

  • 日志记录与监控：在传感器循环和服务器中实施详细日志，以便快速诊断问题。

总结: 智能冰箱管理的未来展望

本项目整合嵌入式系统、深度学习和全栈开发，创建了智能冰箱库存管理方案。借助Raspberry Pi 5、定制YOLOv8n模型AI摄像头和传感器触发检测，用户能自动跟踪冰箱内容及补货需求——全部实时更新。准备好自动化厨房了吗？克隆我们的仓库，设置Raspberry Pi，开启高效冰箱管理新时代。祝您构建愉快，享受智能厨房生活！如有疑问或反馈，请访问GitHub仓库提交问题。

参考资料: 扩展学习资源

树莓派隆重发布45W USB-C电...
树莓派4B全方位体验指南：从开箱拆...