一种基于深度学习的吸烟监测方法及装置制造方法及图纸

本发明专利技术实施例提供一种基于深度学习的吸烟监测方法及装置，所述方法包括：获取摄像模块拍摄的图像数据集；对所述图像数据集进行预处理；将图像数据集导入预设的学习模型，得出初次数据结果，将所述初次数据结果与预训练模型进行比较，得出性能指标，根据所述性能指标对所述学习模型进行训练，直至所述性能指标趋近于收敛，得到训练后的所述学习模型；根据训练后的所述学习模型搭建吸烟者检测系统，获取实际监控图像，结合所述吸烟者检测系统，得到所述实际监控图像对应的吸烟检测结果。采用本方法能在较为开阔的场合进行吸烟检测，节省了人力资源的同时，也提高了管理效率。也提高了管理效率。也提高了管理效率。

【技术实现步骤摘要】
一种基于深度学习的吸烟监测方法及装置


[0001]本专利技术涉及深度学习
，尤其涉及一种基于深度学习的吸烟监测方法及装置。

技术介绍

[0002]鉴于在公众场合(如地铁、火车、商场等)的吸烟行为对吸烟者及周围人的身体健康以及环境安全会造成很大的安全隐患，目前，有关部门制定了较为严格的管理措施以制止公众场合的吸烟行为，并辅以相应的检测手段对吸烟行为进行监控。
[0003]传统的吸烟检测手段大多依靠烟雾传感器，但这种手段的适用场合有限，不适用于比较开阔的场合。
[0004]根据上述情况，目前针对公告场合吸烟行为的监测方法不适用较为开阔的场合，亟需一种能够解决上述问题的针对较为开阔场合的吸烟监测方法。

技术实现思路

[0005]针对现有技术中存在的问题，本专利技术实施例提供一种基于深度学习的吸烟监测方法及装置。
[0006]本专利技术实施例提供一种基于深度学习的吸烟监测方法，包括：
[0007]获取摄像模块拍摄的图像数据集；
[0008]对所述图像数据集进行预处理；
[0009]将图像数据集导入预设的学习模型，得出第一次数据结果，将所述第一次数据结果与预训练模型进行比较，得出性能指标，根据所述性能指标对所述学习模型进行训练，直至所述性能指标趋近于收敛，得到训练后的所述学习模型，所述学习模型用于对所述图像数据集中人物是否吸烟进行判断，所述预训练模型包含对于所述图像数据集中人物是否吸烟的判断标准；
[0010]根据训练后的所述学习模型搭建吸烟者检测系统，获取实际监控图像，结合所述吸烟者检测系统，得到所述实际监控图像对应的吸烟检测结果。
[0011]在其中一个实施例中，所述预处理，包括：
[0012]对所述图像数据集进行调整大小、缩放、翻转、移动，将所述图像数据集中的图像大小调整为224X224的通用分辨率。
[0013]在其中一个实施例中，所述图像数据集中人物是否吸烟的判断标准，包括：
[0014]所述吸烟者手部停留在所述吸烟者嘴唇部的时长、香烟的烟雾浓度、香烟的特性。
[0015]在其中一个实施例中，所述方法还包括：
[0016]将所述吸烟者检测系统与社会信用评分系统进行整合，当所述吸烟者检测系统检测到吸烟者的吸烟行为时，检测所述吸烟者对应的社会信用评分系统中是否存在历史吸烟行为，并根据检测结果，生成对应的处罚结果，并记录在所述吸烟者对应的社会信用评分系统中。
[0017]在其中一个实施例中，所述性能指标，包括：
[0018]预测准确率、敏感度、特异性、错误率、阴性预测值、假阴性率、假阳性率、错误发现率。
[0019]本专利技术实施例提供一种基于深度学习的吸烟监测装置，包括：
[0020]获取模块，用于获取摄像模块拍摄的图像数据集；
[0021]预处理模块，用于对所述图像数据集进行预处理；
[0022]学习模块，用于将将图像数据集导入预设的学习模型，得出第一次数据结果，将所述第一次数据结果与预训练模型进行比较，得出性能指标，根据所述性能指标对所述学习模型进行训练，直至所述性能指标趋近于收敛，得到训练后的所述学习模型，所述学习模型用于对所述图像数据集中人物是否吸烟进行判断，所述预训练模型包含对于所述图像数据集中人物是否吸烟的判断标准；
[0023]搭建模块，用于根据训练后的所述学习模型搭建吸烟者检测系统，获取实际监控图像，结合所述吸烟者检测系统，得到所述实际监控图像对应的吸烟检测结果。
[0024]在其中一个实施例中，所述装置还包括：
[0025]第二预处理模块，用于对所述图像数据集进行调整大小、缩放、翻转、移动，将所述图像数据集中的图像大小调整为通用分辨率。
[0026]在其中一个实施例中，所述装置还包括：
[0027]第二搭建模块，用于将所述吸烟者检测系统与社会信用评分系统进行整合，当所述吸烟者检测系统检测到吸烟者的吸烟行为时，检测所述吸烟者对应的社会信用评分系统中是否存在历史吸烟行为，并根据检测结果，生成对应的处罚结果，并记录在所述吸烟者对应的社会信用评分系统中。
[0028]本专利技术实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于深度学习的吸烟监测方法的步骤。
[0029]本专利技术实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述基于深度学习的吸烟监测方法的步骤。
[0030]本申请的一种基于深度学习的吸烟监测方法及装置的有益效果：该基于深度学习的吸烟监测方法及装置通过对摄像模块拍摄的图像数据集进行预处理，并导入预设的学习模型，将得到第一次数据结果与训练模型进行比较，得出性能指标，根据性能指标对学习模型进行训练，直至性能指标趋于收敛，得到训练后的学习模型，根据训练后的学习模型搭建吸烟者检测系统，获取实际监控图像，结合吸烟者检测系统，得到实际监控图像对应的吸烟检测结果。该吸烟检测方法及装置基于深度学习完成吸烟检测系统的搭建，将吸烟检测系统搭载于视频监控中，使得其能在较为开阔的场合进行检测，节省了人力资源的同时，也提高了管理效率。
附图说明
[0031]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据
这些附图获得其他的附图。
[0032]图1为本专利技术实施例中基于深度学习的吸烟监测方法的流程图；
[0033]图2为本专利技术实施例中基于深度学习的吸烟监测装置的结构图
[0034]图3为本专利技术实施例中电子设备结构示意图；
具体实施方式
[0035]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
[0036]图1为本专利技术实施例提供的基于深度学习的吸烟监测方法的流程示意图，如图1所示，本专利技术实施例提供了一种基于深度学习的吸烟监测方法，包括：
[0037]步骤S101，获取摄像模块拍摄的图像数据集；
[0038]具体地，通过摄像模块对室内和室外环境中的人群进行拍摄，获取摄像模块采集到的包含人群的图像数据，并生成对应的图像数据集。
[0039]步骤S102，对图像数据集进行预处理；
[0040]具体地，通过对收集到的图像数据集进行预处理，预处理的目的是使预处理后的图像数据集的数据能够导入到预设的学习模型中，其中，预处理可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的吸烟监测方法，其特征在于，包括：获取摄像模块拍摄的图像数据集；对所述图像数据集进行预处理；将图像数据集导入预设的学习模型，得出初次数据结果，将所述初次数据结果与预训练模型进行比较，得出性能指标，根据所述性能指标对所述学习模型进行训练，直至所述性能指标趋近于收敛，得到训练后的所述学习模型，所述学习模型用于对所述图像数据集中人物是否吸烟进行判断，所述预训练模型包含对于所述图像数据集中人物是否吸烟的判断标准；根据训练后的所述学习模型搭建吸烟者检测系统，获取实际监控图像，结合所述吸烟者检测系统，得到所述实际监控图像对应的吸烟检测结果。2.根据权利要求1所述的一种基于深度学习的吸烟监测方法，其特征在于，所述预处理，包括：对所述图像数据集进行调整大小、缩放、翻转、移动，将所述图像数据集中的图像大小调整为通用分辨率。3.根据权利要求1所述的一种基于深度学习的吸烟监测方法，其特征在于，所述图像数据集中人物是否吸烟的判断标准，包括：所述吸烟者手部停留在所述吸烟者嘴唇部的时长、香烟的烟雾浓度、香烟的特性。4.根据权利要求1所述的一种基于深度学习的吸烟监测方法，其特征在于，所述根据训练后的所述学习模型搭建吸烟者检测系统之后，还包括：将所述吸烟者检测系统与社会信用评分系统进行整合，当所述吸烟者检测系统检测到吸烟者的吸烟行为时，检测所述吸烟者对应的社会信用评分系统中是否存在历史吸烟行为，并根据检测结果，生成对应的处罚结果，并记录在所述吸烟者对应的社会信用评分系统中。5.根据权利要求1所述的一种基于深度学习的吸烟监测方法，其特征在于，所述性能指标，包括：预测准确率、敏感度、特异性、错误率、阴性预测值、假阴性率、假阳性率、错误发现率。6.一种基于深度学习的吸烟监测装置，其特征在于：所...

【专利技术属性】
技术研发人员：郑忠龙，张大伟，林飞龙，陈灏，王志刚，
申请(专利权)人：浙江师范大学，
类型：发明
国别省市：