本發(fā)明涉及深度學習，具體涉及一種吸煙檢測方法、裝置及電子設(shè)備。

背景技術(shù)：

1、在公共場所、工作場所或特定區(qū)域（如醫(yī)院、學校、廚房等）內(nèi)，吸煙不僅對個人健康造成威脅，也會對他人產(chǎn)生二手煙危害。傳統(tǒng)的煙霧探測器只能檢測到煙霧，而無法區(qū)分是香煙產(chǎn)生的煙霧還是其他來源的煙霧，因此存在誤報和漏報的問題。此外，人工監(jiān)管成本高且效率低。為解決這些問題，需要一種能夠準確識別香煙，并在發(fā)現(xiàn)吸煙行為時及時發(fā)出警報的智能系統(tǒng)。還有一些其他的采用神經(jīng)網(wǎng)絡(luò)模型識別的方法，無法準確識別吸管、筷子和香煙，容易造成誤檢。

2、綜上，現(xiàn)有的吸煙檢測方法無法同時滿足檢測效率高、成本低和準確性高的要求。

技術(shù)實現(xiàn)思路

1、有鑒于此，有必要提供一種吸煙檢測方法、裝置及電子設(shè)備，用以解決現(xiàn)有的吸煙檢測方法無法同時滿足檢測效率高、成本低和準確性高的技術(shù)問題。

2、為了解決上述問題，一方面，本發(fā)明提供了一種吸煙檢測方法，包括：

3、獲取待檢測的視頻圖像，將所述視頻圖像輸入至人體檢測模型，得到人體區(qū)域圖像；

4、將人體區(qū)域圖像輸入至多目標跟蹤算法模型，得到目標人員的連續(xù)幀；

5、將目標人員的連續(xù)幀輸入至行為識別模型，得到目標人員存在吸煙動作的圖像幀；

6、將目標人員存在吸煙動作的圖像幀輸入至香煙目標檢測模型，得到目標人員是否吸煙的檢測結(jié)果；

7、其中，所述人體檢測模型和所述香煙目標檢測模型均是基于yolov5模型訓練得到，所述行為識別模型是基于slowfast模型訓練得到。

8、在一種可能的實現(xiàn)方式中，所述人體檢測模型和所述香煙目標檢測模型均是基于添加有selayer注意力機制模塊的yolov5模型訓練得到。

9、在一種可能的實現(xiàn)方式中，所述人體檢測模型，是基于如下步驟訓練得到：

10、獲取不同場景下的人體圖像，并基于所述人體圖像制作第一訓練數(shù)據(jù)集；

11、基于所述第一訓練數(shù)據(jù)集訓練添加有selayer注意力機制模塊的yolov5模型，并在訓練過程中對所述第一訓練數(shù)據(jù)集進行數(shù)據(jù)增強處理，得到人體檢測模型。

12、在一種可能的實現(xiàn)方式中，所述香煙目標檢測模型，是基于如下步驟訓練得到：

13、獲取不同場景下的香煙圖像，并基于所述香煙圖像制作第二訓練數(shù)據(jù)集；

14、基于所述第二訓練數(shù)據(jù)集訓練添加有selayer注意力機制模塊的yolov5模型，并在訓練過程中對所述第二訓練數(shù)據(jù)集進行數(shù)據(jù)增強處理，得到香煙目標檢測模型。

15、在一種可能的實現(xiàn)方式中，數(shù)據(jù)增強處理，包括：

16、對待進行數(shù)據(jù)增強的訓練數(shù)據(jù)集中的圖像進行多尺度裁剪，得到裁剪后的數(shù)據(jù)集；

17、對裁剪后的數(shù)據(jù)集中的圖像進行隨機角度的翻轉(zhuǎn)，得到翻轉(zhuǎn)后的數(shù)據(jù)集；

18、將翻轉(zhuǎn)后的數(shù)據(jù)集中的兩張或者多張圖像按照隨機透明度進行疊加，得到數(shù)據(jù)增強處理后的訓練數(shù)據(jù)集。

19、在一種可能的實現(xiàn)方式中，基于所述第二訓練數(shù)據(jù)集訓練添加有selayer注意力機制模塊的yolov5模型，并在訓練過程中對所述第二訓練數(shù)據(jù)集進行數(shù)據(jù)增強處理，得到香煙目標檢測模型，包括：

20、基于所述第二訓練數(shù)據(jù)集訓練添加有selayer注意力機制模塊的yolov5模型，并在訓練過程中對所述第二訓練數(shù)據(jù)集進行數(shù)據(jù)增強處理，且采用余弦函數(shù)將yolov5模型的學習率從初始值降低至最小值，得到香煙目標檢測模型。

21、在一種可能的實現(xiàn)方式中，所述行為識別模型，是基于如下步驟訓練得到：

22、采用隨機初始化或者預(yù)訓練模型的權(quán)重進行遷移學習的方式，對slowfast模型進行初始化；

23、獲取第三訓練數(shù)據(jù)集，將所述第三訓練數(shù)據(jù)集劃分為多批次的數(shù)據(jù)集；每批次的數(shù)據(jù)集均包括多幀視頻片段；

24、將每批次的數(shù)據(jù)集依次輸入至完成初始化的slowfast模型的慢速路徑和快速路徑中，以在慢速路徑和快速路徑中進行信息交換，得到輸出結(jié)果；

25、基于所述輸出結(jié)果與預(yù)設(shè)的實際標簽，確定交叉熵損失函數(shù)；

26、基于所述交叉熵損失函數(shù)梯度更新完成初始化的slowfast模型的權(quán)重，并對初始化的slowfast模型的參數(shù)進行更新，以最小化交叉熵損失函數(shù)，得到行為識別模型。

27、在一種可能的實現(xiàn)方式中，吸煙檢測方法，還包括：

28、在基于目標人員是否吸煙的檢測結(jié)果，確定目標人員存在吸煙的情況下，發(fā)出警報。

29、另一方面，本發(fā)明還提供一種吸煙檢測裝置，包括：

30、人體檢測模塊，用于獲取待檢測的視頻圖像，將所述視頻圖像輸入至人體檢測模型，得到人體區(qū)域圖像；

31、跟蹤模塊，用于將人體區(qū)域圖像輸入至多目標跟蹤算法模型，得到目標人員的連續(xù)幀；

32、動作識別模塊，用于將目標人員的連續(xù)幀輸入至行為識別模型，得到目標人員存在吸煙動作的圖像幀；

33、香煙識別模塊，用于將目標人員存在吸煙動作的圖像幀輸入至香煙目標檢測模型，得到目標人員是否吸煙的檢測結(jié)果；

34、其中，所述人體檢測模型和所述香煙目標檢測模型均是基于yolov5模型訓練得到，所述行為識別模型是基于slowfast模型訓練得到。

35、另一方面，本發(fā)明還提供一種電子設(shè)備，包括存儲器和處理器，其中，

36、所述存儲器，用于存儲程序；

37、所述處理器，與所述存儲器耦合，用于執(zhí)行所述存儲器中存儲的所述程序，以實現(xiàn)如上述任意一項所述的吸煙檢測方法的步驟。

38、采用上述實現(xiàn)方式的有益效果是：本發(fā)明提供的吸煙檢測方法、裝置及電子設(shè)備，通過將基于yolov5模型和slowfast模型訓練得到的人體檢測模型、行為識別模型和香煙目標檢測模型，以及多目標跟蹤算法模型進行組合，對于待檢測的視頻圖像，先進行人體檢測，再對檢測到的人體區(qū)域圖像進行連續(xù)跟蹤，將目標人員的連續(xù)幀，接著對連續(xù)幀進行吸煙動作識別，將存在吸煙動作的圖像幀進行香煙目標檢測，最終得到目標人員是否吸煙的檢測結(jié)果；本發(fā)明采用多種不同的神經(jīng)網(wǎng)絡(luò)模型進行組合，對吸煙人員進行自動檢測，可以提高吸煙檢測效率，同時，先對識別人體，再對人體吸煙動作進行識別，最后對香煙目標進行識別，避免單獨進行香煙目標檢測容易出現(xiàn)誤檢的問題，提高吸煙檢測的準確性，從而本發(fā)明解決了現(xiàn)有的吸煙檢測方法無法同時滿足檢測效率高、成本低和準確性高的技術(shù)問題。

技術(shù)特征：

1.一種吸煙檢測方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的吸煙檢測方法，其特征在于，所述人體檢測模型和所述香煙目標檢測模型均是基于添加有selayer注意力機制模塊的yolov5模型訓練得到。

3.根據(jù)權(quán)利要求2所述的吸煙檢測方法，其特征在于，所述人體檢測模型，是基于如下步驟訓練得到：

4.根據(jù)權(quán)利要求3所述的吸煙檢測方法，其特征在于，所述香煙目標檢測模型，是基于如下步驟訓練得到：

5.根據(jù)權(quán)利要求4所述的吸煙檢測方法，其特征在于，數(shù)據(jù)增強處理，包括：

6.根據(jù)權(quán)利要求4所述的吸煙檢測方法，其特征在于，基于所述第二訓練數(shù)據(jù)集訓練添加有selayer注意力機制模塊的yolov5模型，并在訓練過程中對所述第二訓練數(shù)據(jù)集進行數(shù)據(jù)增強處理，得到香煙目標檢測模型，包括：

7.根據(jù)權(quán)利要求1所述的吸煙檢測方法，其特征在于，所述行為識別模型，是基于如下步驟訓練得到：

8.根據(jù)權(quán)利要求1-7任一項所述的吸煙檢測方法，其特征在于，還包括：

9.一種吸煙檢測裝置，其特征在于，包括：

10.一種電子設(shè)備，其特征在于，包括存儲器和處理器，其中，

技術(shù)總結(jié)
本發(fā)明提供一種吸煙檢測方法、裝置及電子設(shè)備，屬于深度學習技術(shù)領(lǐng)域，該方法包括：將視頻圖像輸入至人體檢測模型，得到人體區(qū)域圖像；將人體區(qū)域圖像輸入至多目標跟蹤算法模型，得到目標人員的連續(xù)幀；將目標人員的連續(xù)幀輸入至行為識別模型，得到吸煙動作的圖像幀；將吸煙動作的圖像幀輸入至香煙目標檢測模型，得到目標人員是否吸煙的檢測結(jié)果；人體檢測模型和香煙目標檢測模型是基于YOLOv5模型訓練得到，行為識別模型是基于SlowFast模型訓練得到。本發(fā)明通過將基于YOLOv5模型和SlowFast模型訓練得到的人體檢測模型、行為識別模型和香煙目標檢測模型，以及多目標跟蹤算法模型進行組合，解決現(xiàn)有方法無法同時滿足檢測效率高、成本低和準確性高的技術(shù)問題。

技術(shù)研發(fā)人員：趙銀妹,趙武陽,陳瀚,張露
受保護的技術(shù)使用者：北京升哲科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2