摘要
随着公众对公共卫生的日益重视，公共场所禁烟管控已成为社会关注的焦点。传统禁烟管控方法如人工巡查和传感器监测，成本高昂且效率低下。随着视频监控的普及和目标检测技术的突破，基于深度学习智能化目标检测技术正成为提升监管效能的新途径。当前，基于深度学习目标检测技术的吸烟检测算法研究已取得一定的进展，但仍面临许多挑战，如实际禁烟场所背景的复杂性、监控视角下目标分辨率低、目标尺寸小以及易受相似动作的干扰等。此外，许多算法未考虑到经济欠发达地区硬件资源有限的应用场景。针对上述问题，本文提出了两种基于YOLOv5s改进的吸烟行为检测算法，以满足不同应用场景的需求。并基于改进的算法设计一个吸烟行为检测系统。具体研究内容如下： （1）提出一个基于YOLOv5s改进的小目标吸烟行为检测算法SM-YOLOv5s。首先针对吸烟行为目标小、易受背景因素干扰的问题，通过在主干网络添加CBAM注意力模块，增强网络对小目标特征的表达以及对小目标所在区域的关注度。此外，还增加一个小目标检测头，增强模型对小目标的检测性能。小目标检测头的增加会导致特征融合阶段浅层特征信息在传递过程部分丢失，为此引入BiFPN思想对原模型特征融合网络进行改进，优化融合结果，提高小目标检测精度。实际场景中往往存在手拿杆状物的动作被误检为吸烟行为，通过在颈部网络引入SwinTransformerBlock模块可以有效整合上下文信息，建立目标与环境的联系，增强目标表达，减少误检率。最后，针对实际禁烟场所中存在的问题，构建吸烟行为数据集，并在此数据集进行实验分析，验证了模型改进方法的有效性和可行性。 （2）提出一个基于YOLOv5s轻量化改进的吸烟行为检测算法TY-YOLOv5s。考虑到经济欠发达地区禁烟场所硬件条件有限，因此本文轻量化模型以压缩模型参数为主要目标。首先使用Ghost模块替换网络中的部分卷积模块，并利用GhostBottleneck对C3模块进行重构设计，将模型参数降低近60%。为弥补模型参数量的下降导致的精度损失，在颈部网络特征融合阶段的自底向上传递路径中添加轻量的CAM模块，减少小目标特征信息的丢失，提高模型检测精度。此外还利用FCOS的检测头解耦思想，对YOLOv5s检测头进行轻量化解耦重构，提升检测速度，增强模型性能。最后，通过对比实验和消融实验验证了本文模型在轻量化和吸烟行为检测性能方面相对于其他目标检测模型的优势以及改进方法的有效性。 （3）开发了一个易用的吸烟行为检测系统。该系统提供了一个直观的用户界面，支持用户通过图片检测、视频检测和实时监控三种模式来识别吸烟行为。为了便于查询取证，系统还保存每次检测记录。最后验证了系统检测功能的有效性，对于公共场所禁烟政策的有效落实具有一定的现实意义。
NETL