视觉系统日志与监控：实时帧率、丢帧告警、GPU 利用率可视化

视觉系统日志与监控：实时帧率、丢帧告警、GPU 利用率可视化

让工业视觉系统从“黑盒”走向“透明”

“为什么明明用的是 RTX 4090，检测帧率却只有 5fps？”
“产线半夜突然停机，日志里却找不到任何异常？”
“客户说画面卡顿，但我们本地测试一切正常？”

在工业视觉系统部署后，稳定性和可运维性往往比算法精度更重要。而这一切的前提，是建立一套全面、实时、可告警的监控体系。

本文将手把手教你构建一个轻量级但功能完整的视觉系统监控方案，覆盖实时帧率追踪、丢帧智能告警、GPU 利用率可视化三大核心能力，并附上可直接复用的代码模板。

🔍 一、为什么要专门做视觉系统监控？

很多团队认为：“只要检测结果对就行”。但现实是：

• 帧率不稳定→ 导致与 PLC 通信超时，整条产线停机。
• GPU 显存溢出→ 程序无声崩溃，不良品漏检。
• 数据流阻塞→ UI 卡死，操作员无法干预。

这些问题往往间歇性发生，且无明显错误日志，排查极其困难。

💡真正的专业，体现在对“隐性故障”的提前感知能力上。

📊 二、监控体系三大核心指标

1. 实时帧率（FPS）

• 定义：每秒成功完成“采集→处理→输出”闭环的帧数。
• 关键点：不是相机的理论帧率，而是端到端有效帧率。
• 阈值建议：
  • 高速产线（>1m/s）：≥25 fps
  • 普通检测：≥10 fps

2. 丢帧检测

• 定义：相机成功采集，但因处理不过来而被丢弃的帧。
• 计算方式：

  # 伪代码camera_fps=30# 相机设置为30fpsactual_processed_fps=22# 实际处理了22帧drop_rate=(camera_fps-actual_processed_fps)/camera_fps# 丢帧率26.7%

• 告警策略：连续 5 秒丢帧率 > 10%，触发告警。

3. GPU 利用率 & 显存

• 为什么重要？
  • 利用率长期 < 30%：说明 CPU 或 I/O 是瓶颈，GPU 被浪费。
  • 显存使用率 > 90%：随时可能 OOM 崩溃。
• 采集工具：nvidia-ml-py（Python 库），无需调用nvidia-smi。

🛠️ 三、实战：构建你的监控模块（附代码）

我们将基于 Python + Flask + ECharts，打造一个嵌入式监控模块。

步骤 1：安装依赖

pipinstallflask nvidia-ml-py opencv-python numpy

步骤 2：核心监控逻辑 (monitor.py)

# monitor.pyimportpynvmlimporttimeimportjsonimportosfromthreadingimportThread,LockclassVisionMonitor:def__init__(self):self.fps_history=[]self.drop_events=[]self.gpu_data={"util":