本文详解如何在 Raspberry Pi 上基于 TensorFlow Lite Object Detection 模型实现“检测到人即触发报警”的功能，包括修复 DetectionResult 不可迭代的常见错误、集成音频提示与高亮边框可视化，并提供完整可运行代码。
本文详解如何在 raspberry pi 上基于 tensorflow lite object detection 模型实现“检测到人即触发报警”的功能，包括修复 `detectionresult` 不可迭代的常见错误、集成音频提示与高亮边框可视化，并提供完整可运行代码。
在基于 TensorFlow Lite 的实时目标检测项目中（如使用 efficientdet_lite0.tflite 在树莓派 4 上进行人体识别），开发者常希望在检测到特定目标（如 "person"）时触发多模态报警——例如播放警示音效、叠加红色边框或闪烁提示。但初学者容易在遍历检测结果时遇到关键错误：TypeError: 'DetectionResult' object is not iterable。
该错误的根本原因在于：detector.detect() 返回的是 vision.DetectionResult 对象，而非直接的检测列表。它是一个封装类，其实际检测结果存储在 .detections 属性中，该属性才是一个 List[Detection] 类型的可迭代对象。因此，原始代码中：
for obj in detection_result: # ❌ 错误：DetectionResult 不支持直接 for 循环
必须修正为：
for obj in detection_result.detections: # ✅ 正确：遍历 detections 列表
这是调用 TFLite Support Library 进行目标检测时最关键的结构认知点，也是后续所有逻辑（如标签匹配、报警触发）的前提。
以下为修复后的核心报警逻辑片段（已整合进完整流程）：
# 检查是否检测到指定标签（如 'person'）
alarm_triggered = False
if detection_result.detections: # 安全检查：确保 detections 非空
for detection in detection_result.detections:
if detection.categories and detection.categories[0].category_name == alarm_label:
alarm_triggered = True
break # 找到即退出，避免重复触发
# 触发多模态报警
if alarm_triggered:
# ? 音频报警（需提前初始化 pygame.mixer）
try:
alarm_sound.play()
except Exception as e:
print(f"[WARN] Audio playback failed: {e}")
# ?️ 视觉报警：绘制加粗红色边框
cv2.rectangle(image, (0, 0), (width - 1, height - 1), (0, 0, 255), 4)
⚠️ 注意事项：
- detection.categories 是一个列表（即使只返回一个类别），务必通过 detection.categories[0].category_name 访问标签名，避免索引错误；
- 建议添加 if detection_result.detections: 空值检查，防止无检测结果时异常；
- 树莓派上 pygame.mixer 对 WAV 文件兼容性较好，推荐使用单声道、16kHz、PCM 编码的 .wav 文件（如 alarm1.wav），避免因音频格式不支持导致 play() 静默失败；
- 若需防抖动报警（避免连续帧重复触发），可引入计时器或状态去抖逻辑，例如仅在间隔 ≥1.5 秒后再次触发；
- cv2.rectangle 绘制边框时注意坐标范围：width 和 height 应与 cap.set() 设置的实际帧尺寸一致，否则边框可能错位。
最后，确保依赖已正确安装（适用于 Raspbian Bullseye）：
pip3 install opencv-python-headless numpy tflite-support pygame # 如使用 Edge TPU，额外安装： # apt-get install libatlas-base-dev libhdf5-dev libhdf5-serial-dev libhdf5-cpp-103 # pip3 install tflite-runtime
运行时可通过命令行灵活配置报警标签与硬件参数：
python3 detect_and_alarm.py \ --model efficientdet_lite0.tflite \ --alarmLabel person \ --frameWidth 640 \ --frameHeight 480 \ --numThreads 2
至此，你已构建了一个稳定、低延迟、具备声光反馈能力的人体检测报警系统，可直接部署于树莓派等边缘设备，适用于安防监控、智能门禁等实用场景。
