# 冷藏展示柜食品批次计时报警

这是一个独立项目，用于单摄像头监控冷藏展示柜和同画面垃圾桶，记录每个展示区域内食品批次的放置时长，并发现超过自定义报警时间后的异常处理行为。

## 已确认业务规则

- 摄像头同时看到展示柜和垃圾桶。
- 展示柜食品区域支持 1 到 10 个自定义区域。
- 食品区域使用阿拉伯数字标注：`1`、`2`、`3` ...
- 垃圾桶 ROI 独立标定，不占用食品区域编号。
- 每个区域可以放多份食品，但这些食品按同一批次计时。
- 同一区域不允许混批，必须清空后才能放入新批次。
- 食品放入区域时记录开始时间。
- 区域清空时记录结束时间。
- 未达到报警阈值前清空视为正常消耗。
- 食品在区域内达到 `max_dwell_seconds` 时先产生 `time_alarm`。
- 已报警食品从区域移出后，必须在确认窗口内看到垃圾桶投放动作。
- 如果已报警食品移出后没有丢到垃圾桶里，报警事件升级为 `warning_escalated` 警告事件。
- 已报警食品拿出后又放回展示柜，触发违规事件。

## 当前实现范围

当前版本已经接入可运行的轻量视觉流程：区域占用、垃圾桶动作和 v1.2 的轻量 motion trajectory 都使用启发式图像差分实现，不使用 YOLO。后续训练好的 YOLO 食品检测模型会通过统一的 `disposal_evidence` / backend 合约接入，不改变批次计时状态机的业务输入形态。

视觉或 backend 模块需要输出标准观察数据：

```json
{
  "ts": "2026-04-27T10:00:00+08:00",
  "zone_counts": {
    "1": 1,
    "2": 0
  },
  "trash_deposit": false,
  "disposal_evidence": [
    {
      "source_zone_id": "1",
      "target": "trash",
      "confidence": 0.9,
      "method": "motion",
      "track_points": [
        {"x": 0.22, "y": 0.30},
        {"x": 0.48, "y": 0.58},
        {"x": 0.76, "y": 0.78}
      ],
      "item_class": null,
      "detector_score": null,
      "observed_at": "2026-04-27T10:00:03+08:00"
    }
  ]
}
```

程序会输出 JSONL 事件，例如：

- `batch_started`
- `time_alarm`
- `batch_consumed`
- `batch_pending_disposal`
- `batch_discarded`
- `warning_escalated`
- `mixed_batch_violation`
- `overdue_return_violation`

## 配置

示例配置在 `config/example.toml`。

默认阈值：

- 时间报警阈值：`10800` 秒，也就是 3 小时；管理页按分钟输入，例如 20 分钟会保存为 `1200` 秒
- 垃圾桶投放确认窗口：`120` 秒

食品区域配置示例：

```toml
[layout]
zone_count = 3
zone_ids = ["1", "2", "3"]

[[zones]]
id = "1"
label = "区域 1"
polygon = [[0.1, 0.1], [0.3, 0.1], [0.3, 0.3]]

[trash]
roi = [[0.7, 0.7], [0.9, 0.7], [0.9, 0.9]]
```

## 区域标定

项目现在有正式管理页，前端默认 `23000`，后端默认 `19080`。

```bash
scripts/run_manage_api.sh
```

另开一个终端：

```bash
scripts/run_web.sh
```

打开：

```text
http://127.0.0.1:23000
```

管理页支持：

- 配置 RTSP 地址和阈值
- 从 RTSP 拉取一帧截图
- 设置 1 到 10 个食品区域
- 标定数字食品区域和垃圾桶 ROI
- 直接保存标定结果到项目配置文件
- 查看事件汇总、区域序号、停留时间、报警和警告事件

项目仍保留 `tools/calibrator` 作为轻量单页标定工具，但正式使用建议走 `23000` 管理页。

## 管理 API

默认后端：

```text
http://127.0.0.1:19080
```

主要接口：

- `GET /api/manage/health`
- `GET /api/manage/config`
- `PUT /api/manage/config`
- `POST /api/manage/snapshot`
- `PUT /api/manage/calibration`
- `GET /api/manage/summary`
- `GET /api/manage/events`

## 运行识别计时进程

管理页只负责配置和查看数据。要产生数据，还需要启动运行进程：

```bash
scripts/run_runtime.sh
```

运行进程会：

1. 按配置读取 RTSP。
2. 用 `ffmpeg` 周期抓取小尺寸 RGB 帧。
3. 按标定区域做占用变化检测。
4. 判断垃圾桶区域是否有明显投放动作。
5. 对刚清空的来源区域运行轻量 motion trajectory，生成可选的 `disposal_evidence`。
6. 调用批次计时状态机，优先使用匹配 `source_zone_id` 的 `disposal_evidence` 确认丢弃，再回退到通用垃圾桶动作。
7. 写入 `logs/events.jsonl`，管理页会读取这个文件。

当前视觉版本是可运行的启发式版本：

- 每个格口输出 `0/1` 占用状态，不识别单份数量。
- 启动后的前几帧用于建立空柜基线，默认 `3` 帧。
- 如果启动时格口里已经有食品，系统会把它当作基线，后续要等画面变化后才会产生计时事件。
- v1.2 轨迹识别是轻量 motion trajectory，不加载 YOLO，不要求模型文件。
- 训练好的 YOLO 模型后续应作为新的 backend 接入，并继续输出统一的 `disposal_evidence`。

可选运行参数可以放在配置文件的 `[runtime]` 中：

```toml
[runtime]
sample_interval_seconds = 5.0
frame_width = 640
frame_height = 360
capture_timeout_seconds = 12.0
baseline_frames = 3
sample_stride_pixels = 4
occupancy_mean_delta = 55.0
occupancy_texture_delta = 18.0
occupancy_dark_luma_threshold = 80.0
occupancy_dark_fraction = 0.06
occupancy_texture_dark_fraction = 0.04
occupancy_bright_luma_threshold = 220.0
occupancy_bright_reflection_fraction = 0.18
occupancy_reflection_dark_fraction = 0.10
occupancy_reflection_bright_dark_ratio = 2.0
occupancy_confirm_frames = 2
empty_confirm_frames = 2
lighting_shift_guard_enabled = true
lighting_shift_min_regions = 3
lighting_shift_region_fraction = 0.6
lighting_shift_mean_delta = 45.0
trash_motion_delta = 18.0
trash_sustained_motion_delta = 8.0
trash_sustained_motion_frames = 2
trash_motion_cooldown_seconds = 3
trajectory_enabled = true
trajectory_window_seconds = 8
trajectory_sample_interval_seconds = 1.0
trajectory_min_points = 3
trajectory_min_confidence = 0.72
trajectory_motion_delta = 20.0
trajectory_min_blob_area = 12
trajectory_max_blob_area_fraction = 0.35
trajectory_trash_entry_margin = 0.04
trajectory_backend = "motion"
yolo_enabled = false
yolo_model_path = ""
yolo_min_confidence = 0.65
diagnostics_path = "logs/runtime_diagnostics.jsonl"
```

`trajectory_backend = "motion"` 表示当前使用轻量轨迹 backend。`yolo_enabled`、`yolo_model_path` 和 `yolo_min_confidence` 是为后续训练模型预留的配置项；当前版本即使保留这些字段，也不会启用 YOLO 推理。

运行诊断写入 `logs/runtime_diagnostics.jsonl`。每行包含顶层 `disposal_evidence`，以及 `diagnostics.trajectory`：

- 顶层 `disposal_evidence`：本帧实际输出给状态机的来源区域到垃圾桶证据。
- `diagnostics.lighting_shift`：多数区域同时同方向亮度漂移时启用，防止灯光/曝光变化被当成食品进出。
- `diagnostics.trajectory`：轻量轨迹 backend 的候选、过期、拒绝和已发出证据等调试信息。

## 本地测试

```bash
PYTHONPATH=src python3 -m unittest discover -s tests -v
```

前端测试和构建：

```bash
node --test web/test/zone-state.test.js
cd web && pnpm build
```