📚 课程目录第3章系统与软件准备

3、系统与软件准备：Raspberry Pi OS安装、Python环境配置、OpenCV与TensorFlow Lite安装、远程访问设置

工业检测项目的落地质量，很大程度上取决于底层系统与软件环境的稳定性。Raspberry Pi作为边缘计算节点，其操作系统选型、Python环境隔离、深度学习推理库的编译安装以及远程调试通道的建立，构成了整个缺陷识别系统的地基。本章将围绕这四个核心环节，提供一套经过产线验证的完整操作路径，帮助读者避开常见的“环境陷阱”，为后续的相机驱动、模型部署与告警逻辑开发奠定坚实基础。

3.1 操作系统选型与Raspberry Pi OS安装

工业场景下的系统选型需要平衡稳定性、外设兼容性与维护成本。对于缺陷识别项目，推荐使用 Raspberry Pi OS (Bookworm) 64-bit Lite 版本作为基础镜像。Lite版本不含图形桌面环境，能显著降低内存占用（空闲时约200MB），将更多硬件资源留给图像处理与推理任务。若需在本地调试图像结果，可后续按需安装桌面组件，而非一开始就使用完整Desktop镜像。

核心原理：为什么选择64位系统？

Raspberry Pi 4B/5 的CPU（ARM Cortex-A72/A76）均支持64位指令集。64位系统允许单个进程使用超过4GB内存，并且TensorFlow Lite的ARM64预编译包在64位系统上性能更优。实测在Pi 4B上，64位系统运行MobileNetV2推理速度比32位快约15%～20%。此外，OpenCV的许多优化库（如TBB、IPP）对64位支持更完善。

安装操作流程

镜像烧录：使用Raspberry Pi Imager工具，选择“Raspberry Pi OS (64-bit)”下的Lite版本。烧录前点击设置图标，预先启用SSH服务、配置Wi-Fi（SSID与密码）以及设置默认用户密码。
存储卡要求：推荐使用A2级U3速度的microSD卡，容量至少32GB。工业场景建议使用工业级存储卡（如SanDisk High Endurance），其写入寿命约为普通卡3倍。
首次启动配置：插入存储卡上电后，通过SSH连接（默认用户pi）。执行sudo raspi-config进行基础配置：
- 选择 Interface Options → Camera 启用相机接口（若使用CSI摄像头）。
- 选择 Performance Options → GPU Memory，分配128MB或256MB给GPU（用于OpenCV图像处理）。
- 选择 Localisation Options 设置时区为Asia/Shanghai。
系统更新：执行 sudo apt update && sudo apt full-upgrade -y，确保内核与固件为最新版本。工业环境建议锁定内核版本，避免自动更新导致驱动异常。

风险提示：Bookworm版本默认使用NetworkManager管理网络，与旧版dhcpcd不同。若使用静态IP配置，需通过 nmcli 命令操作，直接编辑 /etc/network/interfaces 将不生效。产线部署时建议为开发板分配固定IP，避免因DHCP租约变化导致远程连接中断。

案例拆解：产线部署中的系统固化

某汽车零部件工厂的视觉检测工位，使用Raspberry Pi 4B（4GB）作为检测控制器。初始部署时直接使用Desktop版本，运行一周后出现内存不足导致检测进程被杀。分析dmesg日志发现，桌面环境（Xfce）占用约600MB内存，加上OpenCV图像缓冲与TFLite推理，总内存占用超过3.5GB。解决方案：重新烧录Lite镜像，仅保留必要的图形库（libgtk-3-0），将内存占用降至1.2GB，检测进程稳定运行。复盘经验：工业检测节点应遵循“最小化安装”原则，每多一个不必要的服务，就多一分故障风险。

3.2 Python环境配置与虚拟环境隔离

Raspberry Pi OS自带的Python 3.11为系统级解释器，直接使用pip安装包可能污染系统环境，且不同项目间的依赖冲突难以管理。工业项目必须使用虚拟环境（venv）进行隔离，确保环境可复现、可回滚。

判断方法：何时需要重建虚拟环境？

当出现以下情况时，应创建新的虚拟环境：

项目需要特定版本的OpenCV（如4.9.0），而系统已有其他版本。
TensorFlow Lite与OpenCV存在依赖冲突（如numpy版本不兼容）。
需要为不同检测算法（如缺陷分类与目标检测）维护独立环境。

操作流程：创建与配置虚拟环境

# 安装Python虚拟环境支持（若未安装）
sudo apt install -y python3-venv python3-pip

# 创建项目目录并进入
mkdir -p ~/industrial_vision && cd ~/industrial_vision

# 创建虚拟环境（命名为venv）
python3 -m venv venv

# 激活虚拟环境
source venv/bin/activate

# 升级pip并配置国内镜像源（加速下载）
pip install --upgrade pip
pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/

# 查看Python版本确认
python --version  # 应输出 Python 3.11.x

经验提醒：在虚拟环境中安装包时，务必确认which pip指向的是venv/bin/pip。若误用系统pip，会导致包安装到全局环境，失去隔离意义。可在~/.bashrc中添加别名alias pip='pip'并配合export PATH="$HOME/industrial_vision/venv/bin:$PATH"来简化操作。

知识结构表：Python环境关键配置项

配置项	推荐值	说明
Python版本	3.11.x	Bookworm自带，兼容TFLite 2.14+
虚拟环境路径	~/industrial_vision/venv	项目内隔离，便于整体备份
pip镜像源	阿里云/清华	国内下载速度提升10倍以上
依赖清单	requirements.txt	使用`pip freeze > requirements.txt`生成
环境变量	PYTHONUNBUFFERED=1	确保日志实时输出，便于调试

3.3 OpenCV与TensorFlow Lite安装

OpenCV负责图像采集、预处理（灰度化、滤波、形态学操作）与缺陷区域标注；TensorFlow Lite负责运行训练好的缺陷分类或检测模型。两者在ARM架构上的安装方式与x86平台有显著差异，需特别注意预编译包的可用性。

OpenCV安装：apt vs pip

Raspberry Pi OS官方源提供OpenCV 4.6版本（python3-opencv），但该版本较旧且不支持libcamera后端。推荐使用pip安装OpenCV 4.9.0，其预编译wheel已支持ARM64架构，且包含GStreamer支持，可直接对接CSI摄像头。

# 安装OpenCV（在虚拟环境中）
pip install opencv-python==4.9.0.80
pip install opencv-contrib-python==4.9.0.80  # 包含SIFT等特征模块

# 验证安装
python -c "import cv2; print(cv2.__version__)"  # 输出 4.9.0

TensorFlow Lite安装：解释器与运行时

TensorFlow Lite提供两种安装方式：tflite-runtime（轻量级，仅推理）和tensorflow（完整版，包含训练功能）。工业检测节点只需推理，推荐安装tflite-runtime，其体积仅为完整版的1/10，且不依赖CUDA。

# 安装TFLite运行时（ARM64预编译包）
pip install tflite-runtime==2.14.0

# 验证安装
python -c "from tflite_runtime.interpreter import Interpreter; print('TFLite OK')"

  关键对比：若需使用Edge TPU加速（Coral USB加速器），必须安装pycoral库，且TFLite模型需经过edgetpu_compiler编译。普通TFLite模型在Pi 4B上运行MobileNetV2约需80ms/帧，而Edge TPU可降至8ms/帧。但Edge TPU对模型算子有限制（不支持部分自定义层），需在模型设计阶段考虑。

案例拆解：OpenCV与TFLite版本冲突排障

某实验室在Pi 4B上同时安装OpenCV 4.8和TFLite 2.12后，运行检测脚本报错ValueError: numpy.ndarray size changed。排查过程：pip list显示numpy版本为1.24.3，而TFLite 2.12要求numpy<1.25，OpenCV 4.8则要求numpy>=1.21。两者看似兼容，但实际是OpenCV的二进制wheel编译时使用了numpy 1.24的API，而TFLite运行时动态链接了不同版本的numpy。解决方案：统一升级至numpy 1.26.4，并重新安装OpenCV 4.9.0与TFLite 2.14.0，问题解决。复盘经验：在ARM平台上，所有依赖包应一次性指定版本安装，避免逐个安装导致依赖解析不一致。

3.4 远程访问设置与安全加固

工业检测设备通常部署在产线现场，开发调试需远程进行。远程访问方案需兼顾便捷性与安全性，防止未授权访问导致生产数据泄露或系统被篡改。

核心原理：SSH隧道与密钥认证

SSH是远程访问的基础通道。密码认证存在暴力破解风险，工业环境必须使用密钥对认证。同时，通过SSH隧道可安全转发VNC、VS Code等服务的流量，避免明文传输。

操作流程：配置SSH密钥与远程桌面

# 在开发机（PC）上生成密钥对
ssh-keygen -t ed25519 -C "industrial_vision"

# 将公钥复制到Raspberry Pi
ssh-copy-id pi@<树莓派IP>

# 禁用密码登录（编辑/etc/ssh/sshd_config）
sudo nano /etc/ssh/sshd_config
# 修改：PasswordAuthentication no
# 重启SSH服务
sudo systemctl restart sshd

# 安装并启动VNC服务器（若需图形界面）
sudo apt install -y realvnc-vnc-server
sudo systemctl enable vncserver-x11-serviced

VS Code Remote-SSH配置

推荐使用VS Code的Remote-SSH插件进行代码开发与调试。配置~/.ssh/config文件，实现免密连接与端口转发：

Host pi-vision
    HostName 192.168.1.100
    User pi
    IdentityFile ~/.ssh/id_ed25519
    ForwardAgent yes
    LocalForward 5900 localhost:5900  # 转发VNC端口

安全风险：切勿将Raspberry Pi直接暴露在公网。若需外网访问，应使用VPN（如WireGuard）或SSH反向隧道。产线部署时，建议将Pi置于独立VLAN，仅允许开发网段访问22端口。同时，定期检查auth.log，发现异常登录尝试立即封禁IP。

案例拆解：远程调试中的网络故障定位

某集成商在客户现场部署Pi后，发现SSH连接频繁断开，ping延迟高达500ms。初步判断为Wi-Fi信号干扰。使用iwconfig查看无线信号强度，发现RSSI为-78dBm（临界值）。进一步使用sudo tcpdump -i wlan0抓包，发现大量TCP重传。解决方案：改用5GHz频段并调整天线位置，信号提升至-55dBm，延迟降至5ms。复盘经验：工业现场存在大量2.4GHz设备（蓝牙、微波炉），优先使用有线以太网连接，若必须使用Wi-Fi，应选择5GHz频段并启用802.11w管理帧保护。

3.5 环境验证与性能基线测试

完成软件安装后，必须进行系统性验证，确保各组件协同工作正常。建议建立一套环境验证脚本，作为项目交付的验收标准。

验证清单与性能指标

验证项	命令/方法	通过标准
Python环境	`python -c "import sys; print(sys.version)"`	输出3.11.x
OpenCV读取摄像头	`python -c "import cv2; cap=cv2.VideoCapture(0); print(cap.read())"`	返回(True, frame)
TFLite推理	运行`interpreter.get_input_details()`	输出张量形状与类型
CPU温度	`vcgencmd measure_temp`	空载<50°C，满载<80°C
内存占用	`free -h`	空闲内存>1GB（4GB版）

性能基线测试脚本示例

import cv2
import time
from tflite_runtime.interpreter import Interpreter

# 测试OpenCV图像处理性能
img = cv2.imread('test.jpg', cv2.IMREAD_GRAYSCALE)
start = time.time()
for _ in range(100):
    blurred = cv2.GaussianBlur(img, (5,5), 1.5)
    edges = cv2.Canny(blurred, 50, 150)
print(f"OpenCV处理耗时: {(time.time()-start)/100*1000:.2f} ms/帧")

# 测试TFLite推理性能
interpreter = Interpreter(model_path='model.tflite')
interpreter.allocate_tensors()
input_details = interpreter.get_input_details()
start = time.time()
for _ in range(10):
    interpreter.set_tensor(input_details[0]['index'], input_data)
    interpreter.invoke()
print(f"TFLite推理耗时: {(time.time()-start)/10*1000:.2f} ms/帧")

经验总结：环境准备阶段最容易忽视的是电源质量。Raspberry Pi 4B在满载时电流可达1.2A，若使用劣质电源适配器，会导致电压跌落，表现为USB设备随机断开、系统重启。务必使用官方5V/3A电源，或工业级DC-DC电源模块。此外，建议在/boot/config.txt中添加avoid_warnings=1来抑制电压警告，但前提是已确认电源质量可靠。

完成上述四个环节的配置与验证后，Raspberry Pi已具备运行工业缺陷识别系统的基础条件。下一阶段将进入相机选型与图像采集模块的开发，届时将基于本章搭建的环境，实现从硬件触发到图像帧获取的完整链路。