基于YOLOv5的吸烟行为识别检测系统分析与实现.pdfVIP

ISSN1009-3044E-mail：eduf@

ComputerKnowledgeandTechnology电脑知识与技术

第20卷第30期(2024年10月）ComputerKnowledgeandTechnology电脑知识与技术

http：//

Vol.20,No.30,October2024Tel：+86-551

基于YOLOv5的吸烟行为识别检测系统分析与实现

程策，刘庆海，陈永腾，李晓璇

（青岛理工大学，山东临沂276007)

摘要：文章介绍了一种基于YOLOv5目标检测算法在吸烟检测方面的创新和应用，并阐述了基于YOLOv5吸烟检测的模

型网络架构，以及不同架构组成的不同功能。文章以YOLOv5模型为基础进行吸烟行为识别系统的设计，该系统通过结

合深度学习算法和计算机视觉技术，引入了YOLOv8的C2f模块添加到YOLOv5的Backbone层中，并对其进行优化改进。

实现对吸烟行为的快速且准确检测。此外，系统具备处理视频流的能力，能有效辅助执法人员及时发现和制止公共场

合的吸烟行为。文章详细介绍了系统的设计框架、实现方法以及测试过程，以期为公共卫生做出进一步贡献。

关键词：目标检测；YOLO；行为识别；计算机视觉

中图分类号：TP311文献标识码：A

开放科学（资源服务）标识码(OSID)：

文章编号：1009-3044(2024)30-0017-04

0引言的人进行信息捕捉采集，将采集到行为信息进行相应

的数据处理，并将其送到YOLOv5骨干网络的深度卷

随着社会的发展和公共卫生意识的提升，烟草控

积网络(CSPDarknet[2])，对输入图像进行特征提取。

制成为全球范围内的重要议题。公共场合禁烟政策

骨干网络的输出会传递至特征融合模块（具有FPN-

的实施，旨在创造一个更加健康的环境。然而，传统

like结构），不同尺度的特征经过处理后融合在一起。

的吸烟监测方式多依赖于人工检查，既耗时又效率低

经过融合的特征图会被送入一系列的卷积层中，这些

下。因此，如何科技化、自动化地检测吸烟行为，成为

卷积层会为每个网格点预测若干个边界框，每一个边

研究的热点。近年来，深度学习技术的迅猛发展为解

界框包含物体的位置、尺度、类别等信息。在预测结

决这一问题提供了新途径。特别是在计算机视觉领

果中，选择置信度超过一定阈值的边界框，使用非极

域，基于深度学习的目标检测算法已经显示出其强大

[1]大值抑制(Non-MaximumSuppression，NMS)来去除重

的应用潜力。

复的检测结果，最终剩下的边界框和对应的类别就是

在此背景下，本文提出一种基于YOLOv5的吸烟