这篇博客分享一个我大二、大三期间主导并深度参与的实战项目《智养舒居—基于YOLOv8-pose构建的多模态居家安全监护系统》。
这个项目源于日益严峻的老龄化社会背景，传统设备存在盲区大、隐私泄露风险高、且误报率高的问题。为了解决这些痛点，这个项目从零开始，研发了一套结合AI视觉、环境感知与边缘计算的全闭环智慧系统。
🛠️核心技术栈总览
在本项目中，我全程深度参与从算法模型训练、边缘硬件接入到后端服务、Web平台及微信小程序开发的全流程研发工作，核心技术栈与工作内容如下：
- 算法模型训练：基于Python，完成YOLOv8x-pose深度学习姿态估计模型的训练与调优，实现人体关键点精准检测；结合SVM支持向量机构建机器学习分类模型，完成姿态数据的分析与识别。
- 后端开发：基于RuoYi开源快速开发框架，采用Spring Boot框架搭建后端服务，遵循RESTful API架构实现接口标准化设计；使用MySQL数据库完成业务数据持久化存储，结合Redis缓存提升系统并发处理能力与响应效率。
- 前端开发：采用Vue.js搭配Element-UI组件库，Echart、DataV、Axios等插件，完成Web管理平台的页面开发、功能集成与交互优化，实现系统后台的可视化管理。
- 微信小程序开发：独立完成微信小程序的全流程开发，实现移动端轻量化功能交互、数据实时展示与业务闭环落地。
- 边缘计算与硬件部署：基于Raspberry Pi（树莓派 4B）硬件平台与Linux操作系统，完成DHT11温湿度传感器、MQ-2烟雾传感器等多源传感器网络的硬件接入、数据采集与边缘端环境部署调试。
💡我的核心工作与难点攻克
为了让系统真正在复杂居家环境中落地，我在开发过程中投入了大量精力解决实际工程问题。以下是我在项目中主导的几个核心模块：
1.边缘计算与硬件通信部署
为了在控制成本的前提下保证高可用性，系统的感知层完全基于边缘计算架构独立搭建。我负责了整个硬件节点的选型、环境配置、代码烧录与通信链路打通。
- 硬件选型与装配：以树莓派 4B为核心主控，通过CSI接口外接Camera Module V2采集视频流，并利用GPIO引脚接入DHT11（温湿度）与MQ-2（烟雾）多源传感器，保证数据可以传输。
- 环境部署：在树莓派中配置了基于Ubuntu的轻量级Linux运行环境，编写Python数据采集脚本，实现传感器数据的实时读取与视频流的硬件解码。
- 数据上云：通过内置Wi-Fi模块，将预处理后的多模态数据打包、分片实现低延迟稳定推流至云服务器，打通了端到端的数据链路。
2.核心算法调优与多模态数据融合
这是整个系统最核心的“大脑”部分。为了在复杂居家环境中精准识别老人行为，我主导了深度学习模型的训练与多模态数据的融合策略。
- 模型训练与显存优化：因为作为学生参与，没有Gpu算力资源，我放弃了算力要求过高的传统方案，转而采用YOLOv8-pose框架。全程主导了涵盖4类核心动作（站、坐、蹲、躺）的7900张海量数据集的采集、清洗与标注。面对训练时的显存瓶颈（个人PC端），我设计了分批次迁移学习策略，并通过模型集成技术，最终将行为识别准确率提升到96.1%。
- 多模态数据融合：单一的视觉检测极易产生误报。我引入了融合算法，将视觉提取的人体 17 个关键点坐标，与传感器传回的环境温湿度、烟雾浓度进行融合特征提取。
- SVM风险决策：利用Z-score归一化处理异构数据，并基于径向基函数（RBF）构建了SVM风险决策模型。实现了“异常姿态+环境参数”的交叉验证，构建了异常行为分级预警机制。
3.全栈架构开发与多端业务闭环
- 后端中枢支撑：采用Spring Boot框架组织业务逻辑，便于模块划分与功能扩展；以MySQL数据库作为数据存储核心，负责持久化各类结构化数据，包括用户信息、老人档案、监护数据、设备运行参数等，为系统稳定运行提供坚实数据支撑；引入Node.js服务器端运行环境，接收前端HTTP请求、处理并发任务，确保前后端数据交互高效；遵循标准化RESTful API接口设计规范，实现前后端高效对接，同时为后续系统集成预留拓展空间；引入Redis作为高性能内存数据库，构建专属缓存层，缓存老人实时监护数据、用户权限信息等频繁访问的数据，制定合理的缓存策略与数据更新机制，确保缓存数据与数据库数据一致性，有效减轻数据库压力，大幅提升系统整体响应速度。
- Web 管理端与数据大屏：选用Vue框架作为前端核心，利用其组件化开发模式高效构建用户界面，借助HTML、CSS、JavaScript搭建页面基础架构；搭配Element-UI组件库美化界面、优化交互逻辑，提升社区工作人员操作体验；引入Apache ECharts和DataV可视化工具，将复杂的老人监护数据、设备运行数据、异常预警数据等，以直观的图表、仪表盘及大屏形式呈现，方便社区工作人员快速掌握区域内养老监护情况，实现全局掌控与高效管理。
- 适老化移动端：独立完成微信小程序的全流程开发，聚焦适老化设计，简化操作界面、优化交互逻辑，适配老人及家属使用习惯；实现老人实时监护状态查看、异常预警提醒、家属联动通知等核心功能，彻底打通了“监测-预警-响应”的最后一公里，让家属随时掌握老人居家安全情况，提升监护及时性与便捷性。
(图注：Web 管理端的数据分析与实时监控可视化大屏)
🏆项目完成度与阶段性成果
目前，该系统已经完成了软硬件闭环联调，核心功能均已平稳运行，能够有效满足独居老人的全天候监护需求。
在攻克这些技术难关的过程中，我们的系统也获得了认可。从项目成立至今荣获了：
学科竞赛荣誉
- 第十届全国青年科普创新实验暨作品大赛 河北赛区 省级二等奖（2024.5）
- 第十二届全国大学生数字媒体科技作品及创意竞赛 国家级三等奖（2024.11）
- 2024年华北五省（市、自治区）及港澳台大学生计算机应用大赛 决赛 省级三等奖（2024.12）
- 2025河北水利电力学院大学生创新大赛 校级三等奖（2025.5）
- 第十一届全国青年科普创新实验暨作品大赛 河北赛区 省级一等奖（2025.6）
- 2025年大学生创新训练计划项目 省级顺利结项（2025.6）
- 2025年华北五省（市、自治区）及港澳台大学生计算机应用大赛 决赛 省级三等奖（2026.1）
软件著作权
- 基于图像识别技术的智慧养老的小程序，计算机软件著作权，登记号：2025SR0893448，2025.05.29，原始取得，享有全部著作权
- 基于图像识别技术的智慧养老系统管理端，计算机软件著作权，登记号：2025SR2321087，2025.12.02，原始取得，享有全部著作权
学术论文成果
- 李亚男,董子阳,刘然,刘雨佳.基于YOLOv8-pose构建的多模态居家安全监护系统[J].河北水利电力学院学报,2025:1-6.
这些成果是对我开发能力和工程实践落地的最好证明。
🔗 技术专栏占位
为了保持这篇复盘的简洁，关于项目中涉及的底层硬核技术，我将它们拆分成了多个博客文章。感兴趣的朋友或HR，可以点击下方链接查看我的具体实现思路：
- 👉 《YOLOv8-pose 显存受限下的分批次训练与模型集成方案》
- 👉 《基于 SVM 与多源传感器数据的异常行为决策树设计》
- 👉 《Spring Boot + Uni-App 构建低延迟适老化交互系统的踩坑记录》
通过这个项目，我不仅深化了代码能力，更深刻体会到了技术落地去解决实际社会痛点的成就感。期待未来能用技术创造更多价值！