企业官网建设流程全解析

1 研究背景与意义

教室是高校公共建筑中能耗最为集中的空间之一。据教育部直属高校能耗统计年报，教学科研建筑用电约占校园总用电量的40%至50%，其中照明与空调负荷在晚自习时段占比最高。现实中，多数高校教室仍采用“进门即全开、走后手动关”的粗放管理模式，晚自习结束后未关灯、无人教室空调整夜运行、少数学生自习却开启整室灯光的现象长期存在，造成大量无效能耗。与此同时，教室物业通常采用人工巡查方式统计晚自习出勤人数，统计频次低、误差大、无法实时反映教室使用密度，既难以为排课调度提供数据支撑，也难以作为智能节能控制的输入信号。
从人工智能技术角度看，以YOLO系列为代表的单阶段目标检测算法与以DeepSORT为代表的多目标跟踪算法自2017年以来逐步成熟，在人脸、人头等小目标检测任务上已具备较高精度，并可通过跨线计数方式实现场景内人数的稳定估计。相较于基于红外对射、压力地板、WiFi探针等传统人数感知手段，视觉方案无需在课桌与吊顶中大量布设传感器，只需复用教室已有的监控摄像头即可完成数据采集，部署成本低、可维护性强。本研究尝试将深度学习人数检测作为感知核心，结合规则化节能控制策略，构建一套面向晚自习教室的人数检测与节能智能系统，实现“有人开灯、无人延时关灯、少人分区照明、人走空调关停”的闭环节能。
本研究的意义体现在三个层面：其一，在算法层面，验证YOLOv8人头检测与DeepSORT跟踪在晚自习低照度、背影、相互遮挡场景下的实际计数精度；其二，在工程层面，形成一套从视频流接入、人数估计、节能策略决策到灯光空调继电器控制的完整原型系统；其三，在校园节能层面，为高校后勤提供可量化、可留痕的教室能耗优化手段。

2 国内外研究现状

2.1 国外研究现状

在国外，Zhang等于2016年提出MTCNN多任务级联卷积神经网络，在WIDER
FACE与FDDB基准上同时完成人脸检测与关键点定位，其研究目的在于解决多姿态、多尺度人脸在复杂背景下的检测问题，为后续教室场景人头检测奠定骨干网络基础。Wang等于2017年提出SORT在线多目标跟踪算法，将卡尔曼滤波与匈牙利匹配结合，其研究目的在于在检测框序列上获得稳定的目标ID，为按ID去重计数提供工程范式。Wojke等于2019年在SORT基础上引入外观特征深度度量，提出DeepSORT算法，其研究目的在于解决目标长时间遮挡后ID跳变问题，使跨线计数在人员频繁交错的教室内保持稳定。
Lee等于2022年将YOLOv5与DeepSORT结合应用于新加坡某高校教室人数统计，并联动楼宇管理系统实现无人教室自动关灯，其研究目的在于验证“视觉计数+BAS控制”闭环在真实校园中的节能收益，实测晚间接电能耗较改造前下降约21%；但该研究依赖楼宇既有的KNX智能照明总线，普通教室不具备改造条件，难以直接推广到普通本科院校。

2.2 国内研究现状

在国内，李等于2020年基于YOLOv3对自习教室人头进行检测，其研究目的在于在普通监控摄像头画面上估计教室人数，计数平均绝对误差约为3.2人，但未对人员进出方向进行跟踪，难以区分“教室内实际人数”与“画面瞬时人头数”。王等于2022年使用MTCNN检测正脸并结合人脸识别完成晚自习到课率统计，其研究目的在于将人数感知拓展为出勤考勤，但其依赖学生正面朝镜头的角度，在学生低头看书、背对摄像头时召回率明显下降。张等于2023年进一步将YOLOv5人头检测与继电器控制灯光结合，其研究目的在于从“只统计人数”走向“人数驱动节能”，但控制策略较为简单，仅采用“人数为0延时关灯”一种规则，未根据人数密度进行分区照明与空调联动。

2.3 现有研究不足与本研究切入点

综合来看，现有研究在三方面仍有改进空间：一是检测模型多停留在YOLOv3、YOLOv5代际，尚未充分利用YOLOv8在Anchor-free解耦头与小目标特征上的精度提升；二是跟踪计数多采用整幅画面人头数直接累加，未通过DeepSORT跨虚拟线方式区分进入与离开，导致学生频繁出入时计数抖动；三是节能策略多为单阈值通断控制，缺少按人数密度分区照明、分时段空调设定温度的精细化规则。在前人研究的基础上，本研究提出新的想法：以YOLOv8人头检测结合DeepSORT多目标跟踪为感知骨干，在教室画面入口处绘制虚拟计数线实现进出双向计数，并将实时人数作为节能策略引擎的输入，按“人数为0延时关灯、少人分区照明、人走空调关停”三档规则联动继电器控制灯光与空调，同时在Web端提供实时人数曲线、节能时长统计与历史报表。

3 研究内容与目标

3.1 研究目标

本研究的总体目标是设计并实现一套基于深度学习的晚自习教室人数检测与节能智能系统，通过教室既有监控摄像头实时检测教室内人数，按规则自动控制照明与空调，并在Web端展示实时人数、节能时长与历史报表，为高校晚自习教室的智能化节能管理提供可部署的原型方案。

3.2 主要研究内容

第一，教室人数检测数据集构建。基于WIDER
FACE公开数据集进行人头类别迁移，并在合作教室晚自习时段录制视频、抽帧标注，构建覆盖低照度、背影、遮挡等工况的数据集。
第二，YOLOv8检测与DeepSORT跟踪模块训练。使用YOLOv8s作为人头检测器，在自建数据集上微调，并接入DeepSORT完成跨线双向计数，重点优化低头、背影下的召回率。
第三，节能策略引擎设计。按人数密度与时段定义三档节能规则，输出继电器通断与空调温度设定指令，并将决策过程写入日志。
第四，系统集成与前后端开发。采用Django作为后端服务框架，Vue
3作为前端框架，MySQL存储人数时序、控制指令与节能统计，完成实时视频预览、人数曲线、节能报表与手动覆盖控制等功能。

3.3 拟解决的关键问题

本研究拟解决两个关键问题：一是晚自习时段学生低头、背影、相互遮挡导致人头漏检问题，拟通过人头专用数据集微调与Mosaic增强缓解；二是继电器控制灯光与空调时频繁通断造成的设备抖动问题，拟通过加入5分钟最小延时与人数滞回区间避免在阈值附近频繁切换。

4 系统数据分析与功能设计

4.1 数据分析（数据来源与画像）

本研究使用的训练数据由公开数据集与现场录制两部分组成。数据来源一是WIDER
FACE公开人脸数据集，由香港中文大学于2016年发布，包含约32203张人脸图像、393703个标注框，覆盖不同尺度、姿态与光照，作为人头检测器的预训练基础；数据来源二是在合作教学楼3间普通教室晚自习时段（18:30至22:00）录制视频，时间跨度为2025年3月至5月，抽帧后按人头类别重新标注，形成约2500张教室场景训练图像，按7:2:1划分为训练集1750张、验证集500张、测试集250张。所有标注使用LabelImg完成，标签仅保留人头一类，不标注人脸与身份信息。
从时段分布看，晚自习教室人数呈典型的单峰曲线。以2025年4月某间教室连续14天统计为例，18:30开课时段平均在场人数约为28人，19:30至20:30达到峰值约42人，21:30后逐步下降至约15人，22:00熄灯前约为6人。这一分布可通过柱状图直观呈现：横轴为半小时时间槽（18:30、19:00……22:00），纵轴为该时段平均在场人数，柱高变化反映晚自习出勤的潮汐规律。柱状图在此处的意义不仅在于展示人数时间分布，更在于为节能策略分时段设定阈值提供定量依据——柱高明显低于峰值的时段，恰恰是“少人分区照明”最能节能的窗口；而19:30至20:30峰值时段不应触发任何关灯策略，以免影响正常自习。
在模型选型阶段，进一步引入雷达图对YOLOv8与MTCNN+DeepSORT、SSD两种主流方案进行多指标对比。雷达图选取计数平均绝对误差MAE、mAP@0.5、单帧推理FPS、夜间低照度召回率、背影遮挡鲁棒性五个维度，归一化后绘制五边形轮廓。雷达图在此处的意义在于用一张图同时刻画精度、速度与光照鲁棒性：若仅看FPS，SSD约60帧/秒、MTCNN+DeepSORT约25帧/秒，均优于YOLOv8s的约45帧/秒；但若同时观察MAE与夜间低照度召回率，YOLOv8s在2025年春季教室数据集上MAE约为1.8人、低照度召回率约为88.4%，显著优于MTCNN+DeepSORT的3.1人与76.2%。考虑到教室视频分辨率为1080p、单路摄像头只需5至10帧/秒即可满足计数需求，YOLOv8在精度与低光鲁棒性上的优势更契合晚自习真实工况。

4.2 系统功能设计

系统采用三层架构设计。用户层面向教室管理员与后勤节能部门，提供账号登录、实时视频预览、当前教室人数查看、节能控制开关、历史人数曲线与节能报表查询功能；算法层是系统核心，由YOLOv8人头检测模块、DeepSORT跟踪与跨线计数模块、节能策略引擎串联组成，前者输出人头检测框，中者输出进出累计人数与当前在场人数，后者按人数与时段查询规则表，输出继电器通断与空调温度指令；执行层由工控机USB串口连接继电器模组，分别控制教室照明灯回路与空调红外遥控器；数据层基于MySQL存储人数时序、控制指令、节能时长与手动操作日志，保证每一次自动关灯都可回溯到当时的人数与时段。
在交互流程上，管理员在Web端选择某间教室，即可看到由摄像头实时拉流后的画面与当前在场人数；系统每1秒刷新一次人数估计，每5分钟汇总一次节能决策日志。当系统判定应进入节能状态时，在Web端弹出提示并执行控制；管理员可随时点击“手动覆盖”，在晚自习考试或集体活动期间强制保持照明开启，避免算法误判影响正常教学。

5 关键技术与实现路线

5.1 YOLOv8人头检测与DeepSORT跟踪计数

本研究以PyTorch与Ultralytics YOLOv8为训练框架，选用YOLOv8s在COCO预训练权重上，使用WIDER
FACE迁移得到的人头检测权重作为起点，在自建教室人头数据集上进行微调，输入尺寸统一缩放至640×640，采用AdamW优化器、初始学习率1e-3、余弦退火调度，引入随机翻转、色彩抖动与Mosaic作为在线增强。检测输出每帧人头框后，接入DeepSORT在线跟踪器，在画面教室入口处绘制一条虚拟计数线，根据跟踪框中心点与虚拟线的交叉方向判定进入或离开，用累计进入数减累计离开数得到当前在场人数，避免学生频繁出入时整帧人头数直接累加带来的抖动。

5.2 节能策略引擎

节能策略引擎以人数与时段为输入，输出三路控制指令：照明分区继电器、空调红外开关、温度设定。具体规则为：当连续5分钟在场人数为0时，自动关闭照明与空调；当人数在1至10人之间时，仅开启教室前半区照明并关闭空调，以降低照明功率；当人数超过10人时，开启全部照明并按夏季26℃、冬季20℃设定空调温度。为避免在阈值附近频繁通断，规则引擎加入滞回区间：人数从10人升至12人才进入全亮模式，从10人降至8人才进入分区模式；所有决策记录规则命中项、人数、时段与执行结果，便于在Web端审计与后续优化规则表。

5.3 系统实现路线

系统整体技术栈为Python 3.10 + PyTorch 2.0 + Ultralytics
YOLOv8训练检测模型，后端采用Django 4.2提供RESTful接口与视频流转发，使用Django ORM操作MySQL
8.0；前端采用Vue 3 + Element Plus构建监控大屏与管理后台，通过Axios与后端交互；边缘执行端采用树莓派4B连接8路继电器模组与空调红外发射器，通过MQTT订阅后端下发的控制指令。开发过程遵循先算法后系统的顺序：先完成YOLOv8训练与计数误差评测，再完成节能规则表标定，最后进行前后端与硬件联调。