deploy_pickup

拾音器异响检测系统

水泵/设备异响实时检测系统。通过 RTSP 拾音器采集音频，基于 AutoEncoder 模型进行异常检测。

---

只需 3 步

第 1 步：配置水厂信息（只需做一次）

# 方式一：从已有 YAML 导入（推荐首次部署）
python tool/migrate_yaml_to_db.py --yaml 你的配置.yaml --force

# 方式二：通过 API 配置（系统运行后）
# 见下方「配置管理 API」章节

导入后可检查 DB 信息：

python -c "
import sys; sys.path.insert(0,'.')
from config.config_manager import ConfigManager
mgr = ConfigManager()
cfg = mgr.get_full_config()
for p in cfg['plants']:
    print(f\"水厂: {p['name']} (project_id={p['project_id']}, enabled={p['enabled']})\")
    for s in p.get('rtsp_streams', []):
        print(f\"  设备: {s['device_code']} | {s['name']} | model={s.get('model_subdir','')} | url={s['url'][:50]}...\")
mgr.close()
"

第 2 步：训练模型

python auto_training/standalone_train.py --data-dir /你的音频数据目录

就这一条命令。 训练结果自动保存到 models/{设备编码}/ 目录。

数据目录要求：

你的音频数据目录/
├── LT-2/          ← 子文件夹名 = 设备编码（与 DB 中 device_code 一致）
│   ├── xxx.wav
│   └── 2025-01-01/
│       └── yyy.wav
└── LT-5/
    └── ...

可选参数：

--devices LT-2 LT-5    # 只训练指定设备
--epochs 100            # 训练轮数
--lr 0.00005            # 学习率

第 3 步：启动运行

./start.sh              # 前台运行（调试用）
./start.sh -d           # 后台运行（生产用）
./start.sh stop         # 停止
./start.sh restart      # 重启
./start.sh status       # 查看状态

---

模型更新（后期维护）

方式	操作
自动热加载	替换 models/{设备编码}/ 下的文件，60 秒内自动生效
API 上传	curl -X POST http://IP:8080/api/model/upload/LT-2 -F "model_file=@ae_model.pth"
API 触发重载	curl -X POST http://IP:8080/api/model/reload/LT-2
查看状态	curl http://IP:8080/api/model/status

配置管理 API

系统启动后在 :8080 自动提供，支持 Web 端实时修改配置。

接口	方法	说明
/api/config	GET	获取全量配置
/api/config/plants	GET/POST	水厂列表 / 创建
/api/config/plants/{id}	GET/PUT/DELETE	单个水厂 CRUD
/api/config/streams	GET/POST	RTSP 流列表 / 创建
/api/config/streams/{id}	PUT/DELETE	单个流更新 / 删除
/api/config/{section}	GET/PUT	系统配置读写（audio/prediction/push 等）
/api/model/status	GET	模型加载状态
/api/model/reload/{code}	POST	重载指定设备模型
/api/model/reload-all	POST	重载所有模型
/api/model/upload/{code}	POST	上传模型文件并自动重载

可热更新（30 秒自动生效）：推送开关、告警阈值、投票参数、人体检测开关等。

需重启生效：新增/删除 RTSP 流、修改采样率。

---

多水厂部署

每个水厂独立部署一个实例，各自拥有独立的 pickup_config.db。

服务器A: deploy_pickup/ + pickup_config.db(锡山) + models/(锡山设备模型)
服务器B: deploy_pickup/ + pickup_config.db(龙亭) + models/(龙亭设备模型)

项目结构

deploy_pickup/
├── run_pickup_monitor.py      # 主入口（采集 + 检测 + 推送）
├── start.sh                   # 启动/停止/重启脚本
├── requirements.txt
│
├── config/                    # 配置
│   ├── pickup_config.db       #   运行时配置数据库
│   ├── config_manager.py      #   配置读写
│   ├── config_api.py          #   REST API（:8080）
│   ├── db_models.py           #   表定义
│   └── auto_training.yaml     #   训练参数
│
├── predictor/                 # 推理
│   ├── model_def.py           #   ConvAutoencoder（base_ch=16）
│   ├── multi_model_predictor.py   #   多设备模型管理 + 热加载
│   ├── config.py / datasets.py / utils.py
│
├── core/                      # 运行时辅助
│   ├── alert_aggregator.py    #   跨设备告警聚合
│   ├── anomaly_classifier.py  #   异常类型分类
│   ├── pump_state_monitor.py  #   泵状态 PLC 查询
│   ├── energy_baseline.py     #   泵启停判断
│   └── human_detection_reader.py  #   人体检测抑制
│
├── auto_training/             # 训练（可独立运行）
│   ├── standalone_train.py    #   ← 训练入口（就用这个）
│   ├── incremental_trainer.py #   训练器核心
│   └── data_cleanup.py        #   过期音频/日志清理（可选，手动运行）
│
├── models/{设备编码}/          # 模型（训练自动产出）
├── tool/migrate_yaml_to_db.py # YAML → DB 迁移
└── data/                      # 运行时音频