智慧工安系統：使用 YOLO 偵測工程帽 (Hard Hat)，
當發現未佩戴安全帽時，會觸發 LED / 蜂鳴器警示，並透過 Flask 後端記錄違規事件、
產生統計圖表，以及推播 LINE 通知。偵測端支援 CUDA kernel 加速（cuda_kernels + cuda_runtime），
可在 Jetson / 筆電 GPU 直接跑，並提供無自走車版 demo。
系統分成兩個主要部分：
-
偵測端 (Jetson Nano / Raspberry Pi + 自走車或筆電 GPU)
- USB 攝影機 + YOLO 模型偵測工程帽
- CUDA 前處理/後處理 kernel（pybind11
cuda_lib）加速 resize/heatmap - 馬達控制（WASD 鍵控制小車前進/後退/轉彎，可選）
- LED / 蜂鳴器 / 按鈕 警示系統
- 偵測到違規事件時，自動呼叫 Flask
/api/events上報（含截圖，並可推 LINE）
-
後端伺服器 (Flask Web + API)
/api/events：接收上報並寫入 SQLite / CSV/Dashboard：今日違規次數 + 最新事件/events：違規事件列表 + 截圖/stats：統計頁面（今日各時段違規數、歷史每日違規數，支援縮放/平移）/download_csv：下載 CSV 報表- 會員系統（Flask-Login）：管理員登入後可新增 / 刪除 / 清空事件
- 整合 LINE Messaging API 推播違規事件（文字＋截圖）
AIoT/
README.md
requirements.txt
data/
violations.db # SQLite 資料庫（後端啟動時自動建立）
violations.csv # 事件 CSV（新增/刪除/清空時自動同步）
server/
app.py # Flask Web + API + 會員系統 + 統計圖
line_notify.py # 封裝 LINE Messaging API 推播
templates/
base.html # 共用 layout + navbar (Login/Logout)
dashboard.html # 首頁 Dashboard
events.html # 事件列表（含管理按鈕）
stats.html # 統計頁，含 Chart.js + zoom plugin
login.html # 登入頁
event_new.html # 管理員手動新增事件表單
static/
css/style.css # 前端樣式
violations/ # 存放違規截圖（由偵測端寫入）
detector/
__init__.py # 將 detector 標記為 Python package
cuda_runtime.py # 封裝 cuda_lib 載入、GPU 前處理/後處理、YOLO 推論
cuda_demo.py # 只用鏡頭的 CUDA Demo（無自走車），會疊 heatmap、上報事件、觸發 LED/蜂鳴器
car_main.py # 主程式：WASD 控車 + CUDA YOLO 偵測 + 上報（可關閉手動控制）
motor_controller.py # 馬達控制 (L298N + DC Motors, 使用 BCM 腳位)
hardware.py # LED / Buzzer / Button 控制（RPi.GPIO）
ppe_detector.py # YOLO 工程帽偵測 + 截圖 + 呼叫 /api/events
config.py # SERVER_URL, MODEL_PATH, IMG_SAVE_DIR, GPIO 腳位等
models/
best.pt # 訓練好的 YOLO 安全帽模型（唯一使用的模型放這裡）
cuda_kernels/ # CUDA 前/後處理模組（單一路徑集中 build，不再放模型檔）
CMakeLists.txt # 以 pybind11 建出 Python 模組 cuda_lib
src/ # preprocess/postprocess CUDA 與綁定 (pybind11 -> cuda_lib)
tests/ # CUDA 單元測試 (C++)
build/ # CMake 產物 (預期放置 cuda_lib.so/pyd)
benchmark.py # Python 端跑 cuda_lib.preprocess 效能測試
test_run.py # 簡易連續推論前處理迴圈
tools.py # fix/test/benchmark 統一入口
config.py設定腳位
cd AIoT
python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
## 當天 Demo 操作流程（一步一步）
1) 啟動虛擬環境與依賴（首次）
- `cd AIoT`
- `python -m venv .venv`
- `source .venv/bin/activate`
- `pip install -r requirements.txt`
2) 啟動後端 Flask + LINE 通知
- 進入 server：`cd server`
- 設定 LINE env（若要推播）：`export LINE_CHANNEL_ACCESS_TOKEN=...`、`export LINE_USER_ID=...`
- 啟動：`python app.py`
- 後台登入帳密：`admin / admin123`
3) 準備模型與路徑
- 預設模型：`detector/models/best.pt`，或在 `detector/config.py` 的 `MODEL_PATH` 改成你的實際路徑。
- 違規截圖輸出目錄：`config.IMG_SAVE_DIR`（若在筆電/桌機，可改成 repo 相對路徑 `server/static/violations` 的絕對路徑），請確保目錄存在且 Flask 靜態檔路徑一致。
4) 檢查 CUDA 模組（可選）
- `cd detector`
- `python car_main.py --diagnose` 或 `python cuda_demo.py --diagnose`
5) Demo（不帶自走車，僅鏡頭 + 事件 + LED/蜂鳴器）
- 建議用筆電/Jetson：`python cuda_demo.py`（預設 `--source 0`），若要指定其他鏡頭或影片，可加 `--source <index|video.mp4>`
- 參數：`--source` 攝影機索引或影片路徑；`--unsafe-threshold` 連續 unsafe 秒數才算違規（預設 3 秒）。
- 當畫面連續判定 unsafe：會觸發紅燈/蜂鳴器（若 GPIO 可用）、存截圖、POST 到 Flask，若有 LINE env 則推播。
6) Demo（帶自走車 + WASD）
- `python car_main.py`（預設 `--source 0`；可改 `--source <index|video.mp4>`）
- `--no-manual` 可關閉手動控制；`--model` 可自訂模型路徑。
- 控制鍵：`w` 前進、`s` 後退、`a` 左轉、`d` 右轉、`space` 停止、`q` 離開。
7) 預期畫面與觀察點
- OpenCV 視窗顯示原始畫面 + heatmap 疊圖。
- 終端會印出違規事件觸發，Flask 後台事件列表應同步新增；若 LINE 設好，會收到文字/圖片通知。