【技术实现步骤摘要】
本专利技术涉及吸烟行为检测，具体为一种基于yolov5的吸烟行为检测方法。
技术介绍
1、吸烟检测系统是一种用于实时监测和识别吸烟行为的系统。该系统主要基于视频监控和人工智能技术，通过监控摄像头捕获目标区域的图像或视频，并利用深度学习算法对图像或视频进行分析，以识别出吸烟行为。吸烟检测系统可以应用于各种公共场所，如学校、医院、车站、机场等，以帮助管理人员及时发现并处理吸烟行为，维护公共环境的卫生和安全。
2、由于吸烟行为涉及的动作多样且细微，以及香烟作为小目标物体在视频监控中的表现，使得检测精度受到一定限制，特别是在复杂的场景下，如光线不足、遮挡严重或目标距离较远时，检测准确度会进一步降低。且由于吸烟行为的相似性，如手部动作、烟雾等，常导致与其他非吸烟行为的误检。此外，一些与香烟类似的物体，如水管、扫把等，也常被误判为香烟，进一步增加了误检率。所以我们提出了一种基于yolov5的吸烟行为检测方法，以便于解决上述中提出的问题。
技术实现思路
1、本专利技术的目的在于提供一种基于yolov5的吸烟行为检测方法，以解决上述
技术介绍
提出的目前市场上的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种基于yolov5的吸烟行为检测方法，包括以下步骤：
4、s1、使用paddleclas进行初步筛选，并基于yolov5的多任务学习进行检测，使用paddleseg进行细致的图像分割；
5、其中，在初步筛选中，使用pp-l
6、轻量级设计：pp-lcnetv2是为了在移动和边缘计算设备上提供高效的深度学习模型而设计的。它通过优化的网络结构和计算方法，实现了低延迟的模型推理。
7、实时性：pp-lcnetv2的设计重点是提高处理速度和降低计算资源消耗，非常适合需要实时处理的应用场景。
8、适用于资源受限环境：由于其高效的性能，pp-lcnetv2适用于计算能力有限的设备，如智能手机、嵌入式设备等。
9、s2、通过基于时空信息的slowfast fasterrcnn模型中的slowfast网络对视频帧进行不同速率的采样，捕捉到吸烟行为中的快速动作和整个吸烟过程的慢速特征，使用fasterrcnn定位图像中的吸烟行为和相关的物体；
10、s3、通过训练神经网络进行检测人脸，将人脸部分进行对齐，使得所有的人脸图像都在同一标准下进行处理，使用算法来提取人脸的特征，将提取出的特征与数据库中的特征进行比较；
11、s4、对识别出的人脸图像数据进行预处理，识别出结构化的人脸向量，基于人脸特征向量或属性建立索引，对人脸的图像数据进行加密保护，定期对数据库的人脸图像数据通过云端备份系统进行备份，使用监控工具对存储系统的性能和健康状态进行实时监控，并对其进行优化；
12、s5、将模型文件以onnx的方式部署在树莓派4b上，并配置推理引擎，并利用qtdesigner设计有关键组件的实时检测的gui界面，最后，对整个系统进行集成与测试。
13、作为本专利技术的进一步优化方案，步骤s1中，使用paddleclas进行初步筛选的具体步骤为：
14、s101：通过windows subsystem for linux允许在windows上运行linux环境，在windows操作系统中使用linux工具和命令行，并使用ubuntu作为linux系统，通过在visualstudio code中安装remote wsl扩展，使其允许在wsl中运行vscode，在linux环境中开发和调试；
15、s102：采用1600张原始图像作为数据集，其中800张图像属于吸烟类别，800张图像属于不吸烟类别，通过输入多个关键字在搜索引擎扫描该数据集，并在两个类别中通过通用图像来创建特定的类间混淆程度，通过pp-lcnetv2模型进行图像初筛。
16、作为本专利技术的进一步优化方案，步骤s1中，使用基于yolov5的多任务学习进行检测的具体步骤为：
17、s103：对数据集进行预处理，使用预处理后的图像数据分别训练pp-yoloe-sod和yolov5模型，从pp-yoloe-sod和yolov5接近输出层的特征层中提取特征，并将这些特征进行融合，使用融合后的特征训练一个新的分类器，生成最终的识别结果；
18、s104：对于同一输入图像，分别使用pp-yoloe-sod和yolov5进行预测，采用投票机制来确定最终的识别结果，将两个模型对同一目标的置信度分数进行平均，以此作为最终的置信度评分，选择评分最高的类别作为识别结果；
19、其中，yolov5是目前广泛使用的目标检测模型之一，以其出色的速度和准确性平衡而著称。它在多种场景下都能提供可靠的检测结果，且具有较强的小目标检测能力。此外，yolov5社区支持强大，容易获取优化和调试的资源。
20、pp-yoloe-sod：专门针对小目标检测进行了优化的模型，适合在复杂场景下进行精确检测。将pp-yoloe-sod与yolov5融合，可以进一步增强系统对吸烟行为中小目标(如远处手中的香烟)的识别能力。
21、通过yolov5和pp-yoloe-sod的融合，可以结合yolov5在速度和准确性上的平衡优势，以及pp-yoloe-sod在复杂场景下对小目标检测的专长，实现一个既快速又准确，适应性强的吸烟行为识别系统。同时，通过模型剪枝、量化等技术，对模型进行优化，以减少计算负担，保持融合后的模型仍具有较好的实时性。这种多模态融合策略能够提供更全面的性能，特别是在应对各种复杂检测场景时，能够显示出更大的优势。
22、s105：从pp-yoloe-sod和yolov5接近输出层的特征层中提取特征，并将这些特征进行融合，使用融合后的特征训练一个新的分类器或检测器，以生成最终的识别结果；
23、s106：根据每个模型的预测置信度对结果进行加权，并基于加权结果做出最终决策。
24、作为本专利技术的进一步优化方案，步骤s1中，使用paddleseg进行细致的图像分割的具体步骤为：
25、s107：选择slowfast fasterrcnn模型作为基础，并调整模型结构，使用slowfast网络的双流结构来提取视频中的动态特征，通过快速路径捕获吸烟行为的快速动作，通过慢速路径捕获整个吸烟过程的慢速上下文信息；
26、s108：应用fasterrcnn进行精确的目标检测，定位视频中的吸烟个体，结合slowfast网络提取的特征进行行为分类，以区分吸烟与非吸烟行为；
27、s109：在标注好的数据集上训练模型，并评估模型的性能，通过优化策略来提升模型性能，在独立的测试集上评估模型的效果，并分析模型在不同条件下的表现。
28、与现有技术相比，本发本文档来自技高网...
【技术保护点】
1.一种基于yolov5的吸烟行为检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于yolov5的吸烟行为检测方法，其特征在于：步骤S1中，使用PaddleClas进行初步筛选的具体步骤为：
3.根据权利要求1所述的一种基于yolov5的吸烟行为检测方法，其特征在于：步骤S1中，使用基于YOLOv5的多任务学习进行检测的具体步骤为：
4.根据权利要求1所述的一种基于yolov5的吸烟行为检测方法，其特征在于：步骤S1中，使用PaddleSeg进行细致的图像分割的具体步骤为：
【技术特征摘要】
1.一种基于yolov5的吸烟行为检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于yolov5的吸烟行为检测方法，其特征在于：步骤s1中，使用paddleclas进行初步筛选的具体步骤为：
3.根据权利要求1所述的一种基于...
【专利技术属性】
技术研发人员：姚泓希，张钊诚，钟瑶姿，吴昊，王永智，钱心瑜，穆顺旗，郝美颖，闫自江，李思敏，汪健梅，邓楚涵，江雨恬，刘佳欣，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。