CN112766149A - 吸烟检测方法、***及计算机介质 - Google Patents
吸烟检测方法、***及计算机介质 Download PDFInfo
- Publication number
- CN112766149A CN112766149A CN202110065194.3A CN202110065194A CN112766149A CN 112766149 A CN112766149 A CN 112766149A CN 202110065194 A CN202110065194 A CN 202110065194A CN 112766149 A CN112766149 A CN 112766149A
- Authority
- CN
- China
- Prior art keywords
- detection
- smoking
- area
- network
- person
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 289
- 230000000391 smoking effect Effects 0.000 title claims abstract description 156
- 239000000779 smoke Substances 0.000 claims abstract description 68
- 235000019504 cigarettes Nutrition 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000002372 labelling Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000013138 pruning Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 abstract description 68
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 16
- 230000006835 compression Effects 0.000 description 8
- 238000007906 compression Methods 0.000 description 8
- 238000013136 deep learning model Methods 0.000 description 6
- 230000005484 gravity Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Neurology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Computational Biology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种吸烟检测方法、***及计算机介质,获取被监测区域的吸烟图像,预处理形成数据集;根据数据集的吸烟图像,将人区域以及烟区域进行标签标注,标签的类别包括人标签以及烟标签;将带标签的数据集输入至目标检测网络进行训练,得到训练后的目标检测网络;输入待检测吸烟图像至训练后的目标检测网络,得到人的检测区域以及烟的检测区域;根据烟的检测区域、人的检测区域以及重合区域,判断是否有人吸烟。本申请通过判断检测的香烟和人的区域是否重叠在一起,并通过重合区域大小来判断人是否在吸烟,本申请的吸烟检测大大减少了误检率,且提高了检测方案的落地可实施性。解决了目前目前吸烟检测技术误检率高以及算法复杂不易实施的问题。
Description
技术领域
本申请属于图像识别技术领域,具体地,涉及一种吸烟检测方法、***及计算机介质。
背景技术
吸烟有害健康,尤其在公共环境下吸烟会造成的如下危害:污染公共场合的空气,造成他人被动吸烟;随意丢弃烟头,若碰到公共场合的易燃易爆物品,容易造成火灾。因现在还有很多公民没有主动遵守公共管理准则,还需要人力去巡检,进行吸烟检测,必然需要投入大量的人力物力。随着人工智能的快速发展,越来越多的深度学习算法应用在解决公共环境下的吸烟检测上。
现有的吸烟检测算法中,有的是基于图像直接进行吸烟检测判断,通过检测算法判断图片中是否有点燃的香烟,主要使用的检测算法有目标检测SSD算法、Faster RCNN算法以及YOLO算法等,如果判断出有点燃的香烟,就进行吸烟提示报警。而这种检测算法只是适用于简单环境下的检测,在存在较多和香烟相似物体的复杂公共环境下,很容易造成香烟误检测。且常见的检测方案不能做到吸烟实时监测,消耗的资源成本也很高,因此检测算法很难落地实施。
发明内容
本发明提出了一种吸烟检测方法、***及计算机介质,旨在解决目前吸烟检测技术误检率高以及算法复杂不易实施的问题。
根据本申请实施例的第一个方面,提供了一种吸烟检测方法,具体包括以下步骤:
获取被监测区域的吸烟图像,预处理形成数据集;
根据数据集的吸烟图像,将人区域以及烟区域进行标签标注,标签的类别包括人标签以及烟标签;
将带标签的数据集输入至目标检测网络进行训练,得到训练后的目标检测网络;
输入待检测吸烟图像至训练后的目标检测网络,得到人的检测区域以及烟的检测区域;
根据烟的检测区域、人的检测区域以及重合区域,判断是否有人吸烟。
在本申请一些实施方式中,目标检测网络为yolov4目标检测网络。
在本申请一些实施方式中,根据烟的检测区域、人的检测区域以及重合区域,判断是否有人吸烟,具体包括:
根据人的检测区域以及烟的检测区域,得到重合区域;
当重合区域占烟的检测区域的比重,大于或等于第一阈值时,判断为有人吸烟。
在本申请一些实施方式中,第一阈值的数值范围为0.75-0.95。
在本申请一些实施方式中,第一阈值为0.8。
在本申请一些实施方式中,根据烟的检测区域、人的检测区域以及重合区域,判断是否有人吸烟,具体包括:
根据人的检测区域以及烟的检测区域,得到重合区域;
当重合区域占人的检测区域的比重,大于或等于第二阈值时,判断为有人吸烟。
在本申请一些实施方式中,将带标签的数据集输入至目标检测网络进行训练,得到训练后的目标检测网络,具体包括:
采用通道剪枝优化yolov4目标检测网络;
同时,采用LeakyRelu激活函数训练yolov4目标检测网络。
根据本申请实施例的第二个方面,提供了一种吸烟检测***,具体包括:
数据集模块:用于获取被监测区域的吸烟图像,预处理形成数据集;
打标签模块:用于根据数据集的吸烟图像,将人区域以及烟区域进行标签标注,所述标签的类别包括人标签以及烟标签;
网络训练模块:用于将带标签的数据集输入至目标检测网络进行训练,得到训练后的目标检测网络;
网络预测模块:用于输入待检测吸烟图像至训练后的目标检测网络,得到人的检测区域以及烟的检测区域;
吸烟检测模块:用于根据烟的检测区域、人的检测区域以及重合区域,判断是否有人吸烟。
根据本申请实施例的第三个方面,提供了一种吸烟检测设备,包括:
存储器:用于存储可执行指令;以及
处理器:用于与存储器连接以执行可执行指令从而完成吸烟检测方法。
根据本申请实施例的第四个方面,提供了一种计算机可读存储介质,其上存储有计算机程序;计算机程序被处理器执行以实现吸烟检测方法。
采用本申请实施例中的吸烟检测方法、***及计算机介质,获取被监测区域的吸烟图像,预处理形成数据集;根据数据集的吸烟图像,将人区域以及烟区域进行标签标注,标签的类别包括人标签以及烟标签;将带标签的数据集输入至目标检测网络进行训练,得到训练后的目标检测网络;输入待检测吸烟图像至训练后的目标检测网络,得到人的检测区域以及烟的检测区域;根据烟的检测区域、人的检测区域以及重合区域,判断是否有人吸烟。本申请通过判断检测的香烟和人的区域是否重叠在一起,并通过重合区域大小来判断人是否在吸烟,本申请的吸烟检测大大减少了误检率,且提高了检测方案的落地可实施性。解决了目前目前吸烟检测技术误检率高以及算法复杂不易实施的问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1中示出了根据本申请实施例的吸烟检测方法的步骤示意图;
图2中示出了根据本申请实施例的吸烟检测***的结构示意图;
图3中示出了根据本申请实施例的吸烟检测设备的结构示意图。
具体实施方式
在实现本申请的过程中,发明人发现现有的吸烟检测算法,只是适用于简单环境下的检测,在存在较多和香烟相似物体的复杂公共环境下,很容易造成香烟误检测。且常见的检测方案不能做到吸烟实时监测,消耗的资源成本也很高,因此检测算法很难落地实施。
基于此,本发明的吸烟检测方法、***及计算机介质,获取被监测区域的吸烟图像,预处理形成数据集;根据数据集的吸烟图像,将人区域以及烟区域进行标签标注,标签的类别包括人标签以及烟标签;将带标签的数据集输入至目标检测网络进行训练,得到训练后的目标检测网络;输入待检测吸烟图像至训练后的目标检测网络,得到人的检测区域以及烟的检测区域;根据烟的检测区域、人的检测区域以及重合区域,判断是否有人吸烟。
本申请通过判断检测的香烟和人的区域是否重叠在一起,并通过重合区域大小来判断人是否在吸烟,本申请的吸烟检测大大减少了误检率,且提高了检测方案的落地可实施性。解决了目前目前吸烟检测技术误检率高以及算法复杂不易实施的问题。
本申请的吸烟检测算法采用基于yolov4目标检测网络的yolov4算法,并采用通道剪枝优化yolov4目标检测网络,删除了网络中没有实际应用的不必要的卷积层或者通道,对yolov4算法进行了压缩,极大的减少了算法推理的时间,大大提高了检测时效性。
为了使本申请实施例中的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。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组合。
实施例1
图1中示出了根据本申请实施例的吸烟检测方法的步骤示意图。图2中示出了根据本申请实施例的吸烟检测方法的流程示意图。
如图1所示,本申请实施例的吸烟检测方法,具体包括以下步骤:
S101:获取被监测区域的吸烟图像,预处理形成数据集。
通过摄像机等设备获取被监测区域的多张吸烟图像,通过特征提取、分割等图像预处理,最后形成吸烟图像的数据集。
S102:根据数据集的吸烟图像,将人区域以及烟区域进行标签标注,标签的类别包括人标签以及烟标签。
根据数据集中的吸烟图像,将其中人的区域标注为人标签,将烟的区域标注为烟标签。相比于一般的吸烟检测方法,本申请增加了一个人的类别,因此可以检测出两个类别,烟和人。
S103:将带标签的数据集输入至目标检测网络进行训练,得到训练后的目标检测网络。
本申请基于目标检测网络的吸烟算法的在训练中,具体使用的是yolov4算法进行吸烟检测。基于yolov4目标检测网络的检测算法,在满足实时性检测的基础上,还满足了吸烟检测的较高精度要求,同时具有落地实施性。
在训练时,采用通道剪枝优化yolov4目标检测网络;同时,采用LeakyRelu激活函数训练yolov4目标检测网络。
具体的,针对yolov4算法,做了如下修改:1)将算法中现有采用的Mish激活函数更换为LeakyRelu激活函数,方便yolov4模型转换成深度学习模型affemodel,caffe1并不支持Mish函数;2)对yolov4算法进行了剪枝压缩,极大的减少了推理的时间。
其中,对yolov4算法进行剪枝压缩时,具体使用的是通道剪枝,即通道裁剪(channel pruning),可以直接删除特征特区层中的一些冗余的通道。相当于给网络结构压缩,因为删除的通道在实际应用中不起作用,因此,不会影响网络结构的整体性,保留了算法的性能。
在删除特征特区层中的一些冗余的通道时,通道的选择采用了LASSO regression回归技术,在损失函数中添加L1范数对权重进行约束。以目标函数优化的角度考虑,L1范数可以使得权重中大部分值为0,使得通道内权重具有稀疏性,从而可以将系数的通道剪掉。
为了将吸烟检测算法部署到边端,本申请具体采用的芯片是海思3559AV100,可以加速神经网络计算能力。
通过实验可知,没有进行算法剪枝压缩时,传统的yolov4算法推理时间在海思芯片的推理时间是92ms,进行剪枝压缩过后是42ms,算法的推理时间缩短了两倍多,本申请极大的减少了算法推理的时间,大大提高了检测时效性。
本申请通过将吸烟算法的网络进行剪枝,优化了整个模型,将不必要的卷积层或者通道删除。使得整个网络能够更快的推理,满足整个算法的实时性要求。同时,将吸烟算法转换到海思芯片上运行,具体需要将剪枝的模型转换成深度学习模型caffemodel,然后将吸烟的深度学习模型caffemodel转换成海思芯片上可以运行的量化后的wk文件。
S104:输入待检测吸烟图像至训练后的目标检测网络,得到人的检测区域以及烟的检测区域。
将需要检测区域的待检测吸烟图像输入至,S103得到的训练后的目标检测网络,可以预测得到人的检测区域,以及烟的检测区域。相应的,可以得到人检测区域的面积以及烟检测区域的面积。
S105:根据烟的检测区域、人的检测区域以及重合区域,判断是否有人吸烟。
具体的,首先,根据人的检测区域以及烟的检测区域,得到重合区域;然后,当重合区域占烟的检测区域的比重,大于或等于第一阈值时,判断为有人吸烟。
在本申请一些实施方式中,第一阈值的数值范围为0.75-0.95。本实施例中,第一阈值为0.8。
具体实施时,判断香烟的检测区域是否在人的检测区域中,通过计算人的检测区域和烟的检测区域的交集的面积,然后将交集的重合区域面积除以烟的检测区域面积,得到一个比值。如果比值结果大于或等于0.8,那么就可以认为人在吸烟,相反就是人没在吸烟。
其中,若一开始人的检测区域以及烟的检测区域不存在重合区域,则人没有吸烟,此时比值为0。
其它方式中,当重合区域占人的检测区域的比重,大于或等于第二阈值时,判断为有人吸烟。
第一阈值以及第二阈值均通过多次实验得到数据后,进行预先标定得到。
本申请通过通过重合区域大小来判断人是否在吸烟,解决了现有吸烟检测算法存在误检测的情况,尤其是没有人只有烟出现误检测的情况。
本发明的吸烟检测方法,获取被监测区域的吸烟图像,预处理形成数据集;根据数据集的吸烟图像,将人区域以及烟区域进行标签标注,标签的类别包括人标签以及烟标签;将带标签的数据集输入至目标检测网络进行训练,得到训练后的目标检测网络;输入待检测吸烟图像至训练后的目标检测网络,得到人的检测区域以及烟的检测区域;根据烟的检测区域、人的检测区域以及重合区域,判断是否有人吸烟。
本申请通过判断检测的香烟和人的区域是否重叠在一起,并通过重合区域大小来判断人是否在吸烟,本申请的吸烟检测大大减少了误检率,且提高了检测方案的落地可实施性。解决了目前目前吸烟检测技术误检率高以及算法复杂不易实施的问题。
本申请的吸烟检测算法采用基于yolov4目标检测网络的yolov4算法,并采用通道剪枝优化yolov4目标检测网络,删除了网络中没有实际应用的不必要的卷积层或者通道,对yolov4算法进行了压缩,极大的减少了算法推理的时间,大大提高了检测时效性。
实施例2
本实施例提供了一种吸烟检测***,对于本实施例的吸烟检测***中未披露的细节,请参照其它实施例中的吸烟检测方法的具体实施内容。
图2中示出了根据本申请实施例的吸烟检测***的结构示意图。
如图2所示,本申请实施例的吸烟检测***,具体包括数据集模块10、打标签模块20、网络训练模块30、网络预测模块40以及吸烟检测模块50。
具体的,
数据集模块10:用于获取被监测区域的吸烟图像,预处理形成数据集。
通过摄像机等设备获取被监测区域的多张吸烟图像,通过特征提取、分割等图像预处理,最后形成吸烟图像的数据集。
打标签模块20:用于将数据集的吸烟图像进行标签标注,标签的类别包括人区域以及烟区域。
根据数据集中的吸烟图像,将其中人的区域标注为人标签,将烟的区域标注为烟标签。相比于一般的吸烟检测方法,本申请增加了一个人的类别,因此可以检测出两个类别,烟和人。
网络训练模块30:用于将带标签的数据集输入至目标检测网络进行训练,得到训练后的目标检测网络。
本申请基于目标检测网络的吸烟算法的在训练中,具体使用的是yolov4算法进行吸烟检测。基于yolov4目标检测网络的检测算法,在满足实时性检测的基础上,还满足了吸烟检测的较高精度要求,同时具有落地实施性。
在训练时,采用通道剪枝优化yolov4目标检测网络;同时,采用LeakyRelu激活函数训练yolov4目标检测网络。
具体的,针对yolov4算法,做了如下修改:1)将算法中现有采用的Mish激活函数更换为LeakyRelu激活函数,方便yolov4模型转换成深度学习模型affemodel,caffe1并不支持Mish函数;2)对yolov4算法进行了剪枝压缩,极大的减少了推理的时间。
其中,对yolov4算法进行剪枝压缩时,具体使用的是通道剪枝,即通道裁剪(channel pruning),可以直接删除特征特区层中的一些冗余的通道。相当于给网络结构压缩,因为删除的通道在实际应用中不起作用,因此,不会影响网络结构的整体性,保留了算法的性能。
在删除特征特区层中的一些冗余的通道时,通道的选择采用了LASSO regression回归技术,在损失函数中添加L1范数对权重进行约束。以目标函数优化的角度考虑,L1范数可以使得权重中大部分值为0,使得通道内权重具有稀疏性,从而可以将系数的通道剪掉。
为了将吸烟检测算法部署到边端,本申请具体采用的芯片是海思3559AV100,可以加速神经网络计算能力。
通过实验可知,没有进行算法剪枝压缩时,传统的yolov4算法推理时间在海思芯片的推理时间是92ms,进行剪枝压缩过后是42ms,算法的推理时间缩短了两倍多,本申请极大的减少了算法推理的时间,大大提高了检测时效性。
本申请通过将吸烟算法的网络进行剪枝,优化了整个模型,将不必要的卷积层或者通道删除。使得整个网络能够更快的推理,满足整个算法的实时性要求。同时,将吸烟算法转换到海思芯片上运行,具体需要将剪枝的模型转换成深度学习模型caffemodel,然后将吸烟的深度学习模型caffemodel转换成海思芯片上可以运行的量化后的wk文件。
网络预测模块40:用于输入待检测吸烟图像至训练后的目标检测网络,得到人的检测区域以及烟的检测区域。
将需要检测区域的待检测吸烟图像输入至网络训练模块30得到的训练后的目标检测网络,可以预测得到人的检测区域,以及烟的检测区域。相应的,可以得到人检测区域的面积以及烟检测区域的面积。
吸烟检测模块50:用于根据烟的检测区域、人的检测区域以及重合区域,判断是否有人吸烟。
具体的,首先,根据人的检测区域以及烟的检测区域,得到重合区域;然后,当重合区域占烟的检测区域的比重,大于或等于第一阈值时,判断为有人吸烟。
在本申请一些实施方式中,第一阈值的数值范围为0.75-0.95。本实施例中,第一阈值为0.8。
具体实施时,判断香烟的检测区域是否在人的检测区域中,通过计算人的检测区域和烟的检测区域的交集的面积,然后将交集的重合区域面积除以烟的检测区域面积,得到一个比值。如果比值结果大于或等于0.8,那么就可以认为人在吸烟,相反就是人没在吸烟。
其中,若一开始人的检测区域以及烟的检测区域不存在重合区域,则人没有吸烟,此时比值为0。
其它方式中,当重合区域占人的检测区域的比重,大于或等于第二阈值时,判断为有人吸烟。
第一阈值以及第二阈值均通过多次实验得到数据后,进行预先标定得到。
本申请通过通过重合区域大小来判断人是否在吸烟,解决了现有吸烟检测算法存在误检测的情况,尤其是没有人只有烟出现误检测的情况。
本发明的吸烟检测***,数据集模块10获取被监测区域的吸烟图像,预处理形成数据集;打标签模块20根据数据集的吸烟图像,将人区域以及烟区域进行标签标注,标签的类别包括人标签以及烟标签;网络训练模块30将带标签的数据集输入至目标检测网络进行训练,得到训练后的目标检测网络;网络预测模块40输入待检测吸烟图像至训练后的目标检测网络,得到人的检测区域以及烟的检测区域;吸烟检测模块50根据烟的检测区域、人的检测区域以及重合区域,判断是否有人吸烟。
本申请通过判断检测的香烟和人的区域是否重叠在一起,并通过重合区域大小来判断人是否在吸烟,本申请的吸烟检测大大减少了误检率,且提高了检测方案的落地可实施性。解决了目前目前吸烟检测技术误检率高以及算法复杂不易实施的问题。
本申请的吸烟检测算法采用基于yolov4目标检测网络的yolov4算法,并采用通道剪枝优化yolov4目标检测网络,删除了网络中没有实际应用的不必要的卷积层或者通道,对yolov4算法进行了压缩,极大的减少了算法推理的时间,大大提高了检测时效性。
实施例3
本实施例提供了一种吸烟检测设备,对于本实施例的吸烟检测设备中未披露的细节,请参照其它实施例中的吸烟检测方法或***具体的实施内容。
图3中示出了根据本申请实施例的吸烟检测设备400的结构示意图。
如图3所示,吸烟检测设备400,包括:
存储器402:用于存储可执行指令;以及
处理器401:用于与存储器402连接以执行可执行指令从而完成运动矢量预测方法。
本领域技术人员可以理解,示意图3仅仅是吸烟检测设备400的示例,并不构成对吸烟检测设备400的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如吸烟检测设备400还可以包括输入输出设备、网络接入设备、总线等。
所称处理器401(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器401也可以是任何常规的处理器等,处理器401是吸烟检测设备400的控制中心,利用各种接口和线路连接整个吸烟检测设备400的各个部分。
存储器402可用于存储计算机可读指令,处理器401通过运行或执行存储在存储器402内的计算机可读指令或模块,以及调用存储在存储器402内的数据,实现吸烟检测设备400的各种功能。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据吸烟检测设备400使用所创建的数据等。此外,存储器402可以包括硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)或其他非易失性/易失性存储器件。
吸烟检测设备400集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机可读指令来指令相关的硬件来完成,的计算机可读指令可存储于一计算机可读存储介质中,该计算机可读指令在被处理器执行时,可实现上述各个方法实施例的步骤。
实施例4
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序;计算机程序被处理器执行以实现其他实施例中的吸烟检测方法。
本申请实施例中的吸烟检测设备及计算机存储介质,获取被监测区域的吸烟图像,预处理形成数据集;根据数据集的吸烟图像,将人区域以及烟区域进行标签标注,标签的类别包括人标签以及烟标签;将带标签的数据集输入至目标检测网络进行训练,得到训练后的目标检测网络;输入待检测吸烟图像至训练后的目标检测网络,得到人的检测区域以及烟的检测区域;根据烟的检测区域、人的检测区域以及重合区域,判断是否有人吸烟。
本申请通过判断检测的香烟和人的区域是否重叠在一起,并通过重合区域大小来判断人是否在吸烟,本申请的吸烟检测大大减少了误检率,且提高了检测方案的落地可实施性。解决了目前目前吸烟检测技术误检率高以及算法复杂不易实施的问题。
本申请的吸烟检测算法采用基于yolov4目标检测网络的yolov4算法,并采用通道剪枝优化yolov4目标检测网络,删除了网络中没有实际应用的不必要的卷积层或者通道,对yolov4算法进行了压缩,极大的减少了算法推理的时间,大大提高了检测时效性。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种吸烟检测方法,包括以下步骤:
获取被监测区域的吸烟图像,预处理形成数据集;
根据所述数据集的吸烟图像,将人区域以及烟区域进行标签标注,所述标签的类别包括人标签以及烟标签;
将所述带标签的数据集输入至目标检测网络进行训练,得到训练后的目标检测网络;
输入待检测吸烟图像至所述训练后的目标检测网络,得到人的检测区域以及烟的检测区域;
根据所述烟的检测区域、人的检测区域以及重合区域,判断是否有人吸烟。
2.根据权利要求1所述的吸烟检测方法,其特征在于,所述目标检测网络为yolov4目标检测网络。
3.根据权利要求1所述的吸烟检测方法,其特征在于,所述根据所述烟的检测区域、人的检测区域以及重合区域,判断是否有人吸烟,具体包括:
根据所述人的检测区域以及烟的检测区域,得到重合区域;
当所述重合区域占所述烟的检测区域的比重,大于或等于第一阈值时,判断为有人吸烟。
4.根据权利要求3所述的吸烟检测方法,其特征在于,所述第一阈值的数值范围为0.75-0.95。
5.根据权利要求3所述的吸烟检测方法,其特征在于,所述第一阈值为0.8。
6.根据权利要求1所述的吸烟检测方法,其特征在于,所述根据所述烟的检测区域、人的检测区域以及重合区域,判断是否有人吸烟,具体包括:
根据所述人的检测区域以及烟的检测区域,得到重合区域;
当所述重合区域占所述人的检测区域的比重,大于或等于第二阈值时,判断为有人吸烟。
7.根据权利要求1所述的吸烟检测方法,其特征在于,所述将所述带标签的数据集输入至目标检测网络进行训练,得到训练后的目标检测网络,具体包括:
采用通道剪枝优化所述yolov4目标检测网络;
同时,采用LeakyRelu激活函数训练所述yolov4目标检测网络。
8.一种吸烟检测***,其特征在于,具体包括:
数据集模块:用于获取被监测区域的吸烟图像,预处理形成数据集;
打标签模块:用于根据所述数据集的吸烟图像,将人区域以及烟区域进行标签标注,所述标签的类别包括人标签以及烟标签;
网络训练模块:用于将所述带标签的数据集输入至目标检测网络进行训练,得到训练后的目标检测网络;
网络预测模块:用于输入待检测吸烟图像至所述训练后的目标检测网络,得到人的检测区域以及烟的检测区域;
吸烟检测模块:用于根据所述烟的检测区域、人的检测区域以及重合区域,判断是否有人吸烟。
9.一种吸烟检测设备,其特征在于,包括:
存储器:用于存储可执行指令;以及
处理器:用于与所述存储器连接以执行所述可执行指令从而完成权利要求1-7任一项所述的吸烟检测方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序;计算机程序被处理器执行以实现如权利要求1-7任一项所述的吸烟检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110065194.3A CN112766149A (zh) | 2021-01-18 | 2021-01-18 | 吸烟检测方法、***及计算机介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110065194.3A CN112766149A (zh) | 2021-01-18 | 2021-01-18 | 吸烟检测方法、***及计算机介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112766149A true CN112766149A (zh) | 2021-05-07 |
Family
ID=75702874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110065194.3A Pending CN112766149A (zh) | 2021-01-18 | 2021-01-18 | 吸烟检测方法、***及计算机介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766149A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807276A (zh) * | 2021-09-23 | 2021-12-17 | 江苏信息职业技术学院 | 基于优化的YOLOv4模型的吸烟行为识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3276529A1 (en) * | 2016-07-28 | 2018-01-31 | Araani BVBA | Efficient smoke detection based on video data processing |
CN108629282A (zh) * | 2018-03-29 | 2018-10-09 | 福州海景科技开发有限公司 | 一种吸烟检测方法、存储介质及计算机 |
CN110276310A (zh) * | 2019-06-25 | 2019-09-24 | 上海秒针网络科技有限公司 | 吸烟烟雾确定方法及装置、存储介质、电子装置 |
CN111274945A (zh) * | 2020-01-19 | 2020-06-12 | 北京百度网讯科技有限公司 | 一种行人属性的识别方法、装置、电子设备和存储介质 |
CN111488841A (zh) * | 2020-04-15 | 2020-08-04 | 上海眼控科技股份有限公司 | 抽烟行为检测方法、装置、计算机设备及存储介质 |
CN111814601A (zh) * | 2020-06-23 | 2020-10-23 | 国网上海市电力公司 | 一种将目标检测与人体姿态估计相结合的视频分析方法 |
-
2021
- 2021-01-18 CN CN202110065194.3A patent/CN112766149A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3276529A1 (en) * | 2016-07-28 | 2018-01-31 | Araani BVBA | Efficient smoke detection based on video data processing |
CN108629282A (zh) * | 2018-03-29 | 2018-10-09 | 福州海景科技开发有限公司 | 一种吸烟检测方法、存储介质及计算机 |
CN110276310A (zh) * | 2019-06-25 | 2019-09-24 | 上海秒针网络科技有限公司 | 吸烟烟雾确定方法及装置、存储介质、电子装置 |
CN111274945A (zh) * | 2020-01-19 | 2020-06-12 | 北京百度网讯科技有限公司 | 一种行人属性的识别方法、装置、电子设备和存储介质 |
CN111488841A (zh) * | 2020-04-15 | 2020-08-04 | 上海眼控科技股份有限公司 | 抽烟行为检测方法、装置、计算机设备及存储介质 |
CN111814601A (zh) * | 2020-06-23 | 2020-10-23 | 国网上海市电力公司 | 一种将目标检测与人体姿态估计相结合的视频分析方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807276A (zh) * | 2021-09-23 | 2021-12-17 | 江苏信息职业技术学院 | 基于优化的YOLOv4模型的吸烟行为识别方法 |
CN113807276B (zh) * | 2021-09-23 | 2024-04-05 | 江苏信息职业技术学院 | 基于优化的YOLOv4模型的吸烟行为识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626350B (zh) | 目标检测模型训练方法、目标检测方法及装置 | |
CN111046980B (zh) | 一种图像检测方法、装置、设备及计算机可读存储介质 | |
CN108427708B (zh) | 数据处理方法、装置、存储介质和电子装置 | |
CN110443969B (zh) | 一种火点检测方法、装置、电子设备及存储介质 | |
CN108345587B (zh) | 一种评论的真实性检测方法与*** | |
CN111931929A (zh) | 一种多任务模型的训练方法、装置及存储介质 | |
CN110705573A (zh) | 一种目标检测模型的自动建模方法及装置 | |
CN113111804B (zh) | 一种人脸检测的方法、装置、电子设备及存储介质 | |
CN115830399B (zh) | 分类模型训练方法、装置、设备、存储介质和程序产品 | |
CN111652181B (zh) | 目标跟踪方法、装置及电子设备 | |
CN111950702A (zh) | 一种神经网络结构确定方法及其装置 | |
CN115294528A (zh) | 一种行人安全监控方法及装置 | |
CN109784140A (zh) | 驾驶员属性识别方法及相关产品 | |
CN112766149A (zh) | 吸烟检测方法、***及计算机介质 | |
CN114743130A (zh) | 多目标行人跟踪方法及*** | |
EP4190657A1 (en) | School zone alert | |
CN111626419A (zh) | 卷积神经网络结构、目标检测方法及装置 | |
US20220309771A1 (en) | Method, device, and computer program for an uncertainty assessment of an image classification | |
CN112699907A (zh) | 数据融合的方法、装置和设备 | |
KR102413588B1 (ko) | 학습 데이터에 따른 객체 인식 모델 추천 방법, 시스템 및 컴퓨터 프로그램 | |
CN111160219B (zh) | 对象完整度评估方法、装置、电子设备及存储介质 | |
CN111143424A (zh) | 特征场景数据挖掘方法、装置和终端 | |
CN115346084A (zh) | 样本处理方法、装置、电子设备、存储介质及程序产品 | |
CN114565784A (zh) | 基于聚类算法的行人异常行为检测方法及装置、存储介质 | |
CN112698578B (zh) | 一种自动驾驶模型的训练方法及相关设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210507 |