基于YOLO目標識別技術(shù)的基層疫情防控監(jiān)測系統(tǒng)的開發(fā)與應(yīng)用

吳思嫻 周樹功 楊澤天

摘 要 在新型冠狀病毒疫情防控背景下，基于YOLO深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)算法的基層疫情防控系統(tǒng)，可快速、精確地識別出疫情期間在社區(qū)特定區(qū)域內(nèi)是否有超額的人數(shù)、人員口罩佩戴情況，科學(xué)防控疫情。針對疫情防控下人員聚集情況并結(jié)合人工智能進行智慧監(jiān)測，通過YOLO目標識別技術(shù)快速精準地識別人員佩戴口罩的佩戴情況，可使物聯(lián)網(wǎng)可視化，讓YOLO 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)算法得到應(yīng)用和推廣。

關(guān)鍵詞 AI智能識別 視頻感知 視頻預(yù)測 YOLO目標識別技術(shù) 疫情防控

中圖分類號：TP18;R1 文獻標識碼：A 文章編號：1007-0745（2022）02-0001-03

2020年新型冠狀病毒（COVID-19）在全國爆發(fā)，全國各地響應(yīng)國家號召，對疫情做出防控。社區(qū)防控是疫情防控的關(guān)鍵環(huán)節(jié)[1]。為了保護城鄉(xiāng)社區(qū)人民群眾生命安全和身體健康，需要對人員密集地區(qū)做出科學(xué)預(yù)警，將感染風(fēng)險降到最低[2]。當前有很多人流監(jiān)管系統(tǒng)雖然開發(fā)成熟度高，如MoniBox監(jiān)測系統(tǒng)等人員密集處的監(jiān)管系統(tǒng)，但由于系統(tǒng)其應(yīng)用難度較高，必須有專業(yè)實施顧問，同時由于大型監(jiān)測信息系統(tǒng)開發(fā)周期長、系統(tǒng)柔性不強、精確度不準確等，給部分用戶造成了一定的經(jīng)濟負擔(dān)。本系統(tǒng)的開發(fā)相較于市面其他系統(tǒng)有以下特色：（1）可以根據(jù)用戶自定義設(shè)置人群聚集條件，針對不同場景做出警報判定條件。（2）系統(tǒng)通過現(xiàn)有的攝像頭、局域網(wǎng)及計算機設(shè)備可直接導(dǎo)入系統(tǒng)，開發(fā)成本低。

1 基于YOLO目標識別技術(shù)的基層疫情防控監(jiān)測系統(tǒng)設(shè)計與實現(xiàn)

YOLO目標識別技術(shù)基于YOLO框架的深度學(xué)習(xí)算法，利用這個算法可以檢測出人員是否有大面積聚集并可依據(jù)于此制作報警設(shè)備。基于YOLO目標識別技術(shù)的基層疫情防控監(jiān)測系可以根據(jù)單位面積、人員數(shù)量和口罩數(shù)量三個變量的比來判定人員是否無防護措施聚集。如果達到人員聚集標準即可將報警信號發(fā)送到音響實現(xiàn)語音報警。目前，基于YOLO目標識別技術(shù)在社區(qū)人員是否摔倒、小區(qū)內(nèi)積水預(yù)警等領(lǐng)域有了廣泛的應(yīng)用。

1.1 基于YOLO的人數(shù)和口罩佩戴識別技術(shù)框架

具體內(nèi)容見圖1。

1.2 YOLO目標識別技術(shù)在疫情防控中的應(yīng)用

YOLO目標識別技術(shù)屬于計算機視覺技術(shù)領(lǐng)域。為了快速、精確地識別出疫情下一定區(qū)域范圍內(nèi)是否有大量的人員聚集，本文提出了一種基于YOLO深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)算法的人員聚集報警設(shè)備。利用YOLOv3深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)框架技術(shù)[3]來快速的檢測攝像頭內(nèi)人員的數(shù)量（可達到每秒56幀以上）。利用YOLOv3深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練了大約2000張含有各種類型口罩的圖片得到了一種復(fù)雜光線環(huán)境下口罩快速識別網(wǎng)絡(luò)模型。基于YOLO目標識別技術(shù)的基層疫情防控監(jiān)測系可以根據(jù)攝像頭的錄制面積、利用YOLOv3算法識別出的人員數(shù)量和口罩數(shù)量三個條件，在報警設(shè)備的報警條件模塊設(shè)置人員聚集的標準（根據(jù)攝像頭安裝的位置和焦距計算出攝像頭攝像面積，根據(jù)攝像面積[4]識別出的人員數(shù)量和口罩數(shù)量來設(shè)置報警的閥值），攝像頭安裝后實時采集視頻數(shù)據(jù)，視頻數(shù)據(jù)發(fā)送到Y(jié)OLO的算法[5]處理模塊來計算視頻中人員數(shù)量和口罩數(shù)量并根據(jù)報警設(shè)備的報警條件模塊設(shè)置人員聚集的標準來決定是否發(fā)出報警信號。如果達到人員聚集標準即可將報警信號發(fā)送到音響實現(xiàn)語音報警。目前，基于YOLO目標識別技術(shù)的基層疫情防控監(jiān)測系統(tǒng)的難題在于根據(jù)實際場景中YOLO的攝像頭采集的視頻數(shù)據(jù)處理速度還不夠快[6]，如果要提高處理速度并且多點監(jiān)控，那么對服務(wù)器CPU和GPU的硬件要求就會很高，產(chǎn)品成本也隨之提高。

1.3 基于YOLO目標識別技術(shù)的基層疫情防控監(jiān)測系統(tǒng)功能模塊

（1）人員聚集判定條件設(shè)置模塊，可實現(xiàn)自定義設(shè)置人員聚集的條件，一旦發(fā)生聚集，系統(tǒng)將發(fā)出提示并響鈴進行預(yù)警。社區(qū)根據(jù)應(yīng)用場景的不同，可以設(shè)定不同的標準。一旦超出設(shè)定的人數(shù)限制，系統(tǒng)就會發(fā)出警報。（2）監(jiān)控識別模塊，通過利用YOLOv3深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)框架技術(shù)和錄像設(shè)備可快速精準識別復(fù)雜光線條件下的人員和口罩數(shù)量[7]。可以觀察到最近報警時間，累計報警次數(shù)等信息，內(nèi)容詳細具體。（3）警報查詢模塊，能夠?qū)⒕奂畔⒋鎯υ跀?shù)據(jù)庫中，根據(jù)關(guān)鍵點進行回溯，實現(xiàn)高效率的跟蹤倒查。輸入具體時間、地點進行預(yù)警信息查詢。

2 基于YOLO的基層疫情防控監(jiān)測系統(tǒng)的應(yīng)用與推廣

由用戶設(shè)定人員聚集標準條件，在選定場合安裝監(jiān)控攝像頭。當人員聚集的時候，通過YOLO計算機視覺技術(shù)精準識別人員數(shù)量和口罩佩戴情況[8]，并且將視頻信息儲存到系統(tǒng)中，當該場所達到人員聚集標準時，在客戶端發(fā)出報警信號，此時工作人員需要減少人員進入。若出現(xiàn)疑似患者或者密切接觸者出現(xiàn)在該場所，本系統(tǒng)可通過倒查回放系統(tǒng)中儲存的視頻信息，協(xié)調(diào)工作人員找出此人接觸的大概人數(shù)、是否有佩戴口罩，此人的行蹤，減少工作人員的工作負擔(dān)[9]（系統(tǒng)應(yīng)用過程圖如圖2所示）。

2.1 系統(tǒng)特色

（1）成本較低，安裝便利。通過現(xiàn)有的攝像頭、局域網(wǎng)及計算機設(shè)備可直接導(dǎo)入系統(tǒng)。（2）報警條件個性化設(shè)置。針對不同場景可自定義人員聚集警報判定條件。（3）跟蹤倒查精準識別。系統(tǒng)監(jiān)測具體到時間、地點、距離、人數(shù)和口罩數(shù)量，并可根據(jù)疫情下的感染情況進行跟蹤倒查。

2.2 推廣場景

（1）學(xué)校。學(xué)校是人口密集的地方之一，保護學(xué)生安全至關(guān)重要。堵塞與排隊往往是很多人頭疼的問題，這在校園中也不例外。我們經(jīng)常看到，飯點時食堂摩肩接踵，人滿為患的場面，快遞街百米長龍，又在臨近期末圖書館一座難求的場景。疫情期間，對校園人流量管控更為必要。在水房、食堂、圖書館人流量大，這就增加了學(xué)生感染的風(fēng)險。并且，在很多時候，校園資源會遭到時間或者空間上的限制。為了做到錯峰、錯流出行，有效地規(guī)劃自己的行程來節(jié)省時間。本產(chǎn)品在學(xué)校市場應(yīng)用前景還是廣泛的。（2）商場。隨著現(xiàn)代市場經(jīng)濟的高速發(fā)展，人們消費水平和生活水平在不斷提高，購物已經(jīng)成為大家一種習(xí)以為常的生活享受方式，隨著眾人對購物欲望的不斷攀升，消費者對于購物環(huán)境和購物場所的檔次要求也越來越高，于是，越來越多的大型消費場所應(yīng)運而生。然而，規(guī)模越大，他們對監(jiān)控的要求也就越高。大型商場或超市人流量過多，疫情期間更加應(yīng)該加強防控。（3）景區(qū)。現(xiàn)在疫情有所好轉(zhuǎn)，節(jié)假日出行的人也越來越多，各個景區(qū)的游客數(shù)量都在迅速增長，導(dǎo)致景區(qū)人流超負荷，給游客的人身安全造成了巨大的威脅。景區(qū)限流是一項控制景區(qū)游客數(shù)量的措施，通過制定景區(qū)限定區(qū)域內(nèi)最大人口承載數(shù)量，來控制景區(qū)內(nèi)的人口，從而保障游客的生命安全。

安裝本系統(tǒng)后，可以檢測人員佩戴口罩情況和人員數(shù)量，景區(qū)管理人員對某區(qū)域內(nèi)人數(shù)做出限定標準，當人數(shù)超過標準條件時，系統(tǒng)會在操作端發(fā)出警報，提醒工作人員人數(shù)已超，協(xié)助工作人員快速做出應(yīng)急措施，減少人員進入，避免了踩踏事故的發(fā)生、降低人員感染的風(fēng)險。

2.3 創(chuàng)新思路

（1）基于YOLO神經(jīng)網(wǎng)絡(luò)算法能夠快速、精準地識別監(jiān)控下人員數(shù)量、佩戴口罩和未佩戴口罩人數(shù)，人員是否超標，是否要控制人數(shù)。（2）利用攝像頭捕捉視頻，系統(tǒng)監(jiān)測具體到時間、地點、距離、人數(shù)和口罩數(shù)量，方便工作人員倒查視頻。（3）結(jié)合報警系統(tǒng)，當人數(shù)超過用戶規(guī)定標準后，該系統(tǒng)的客戶端會發(fā)出警報，提醒人數(shù)已經(jīng)超標，需要削減人數(shù)。（4）我們可根據(jù)社區(qū)內(nèi)人員聚集程度的不同，設(shè)定人員聚集人數(shù)的標準。

2.4 市場需求分析

唐山市內(nèi)有200多家城鄉(xiāng)社區(qū)，河北省城鄉(xiāng)社區(qū)更是數(shù)不勝數(shù)，目前疫情有所好轉(zhuǎn)，但某些城市還會傳來有人被感染的消息，為了預(yù)防社區(qū)內(nèi)成員聚集，將人們活動時間分開，檢測人員是否正確佩戴口罩，降低人員感染風(fēng)險，減輕社區(qū)工作人員的負擔(dān)，我們的系統(tǒng)不僅可以提供精確識別口罩、人員數(shù)量的功能，還可以通過警報系統(tǒng)提醒工作人員人數(shù)已達標。因此，本項目產(chǎn)品的推廣應(yīng)用前景廣闊。

2.5 市場定位

目前，國內(nèi)有許多成熟的人流監(jiān)管系統(tǒng)，能夠在景區(qū)、地鐵站等人流交匯處設(shè)置，能夠很好的識別人員數(shù)量，而我們的系統(tǒng)相較于其他監(jiān)測系統(tǒng)而言，成本低、增加了人員密度的監(jiān)測和報警功能、可以識別口罩佩戴情況，能夠更有效的在疫情條件下，對人們的活動場所進行防控，分隔全社區(qū)人員活動時間，便于引導(dǎo)人員進行疏散。本產(chǎn)品的系統(tǒng)操作簡單，并且更新時間短，能夠有效在疫情防控下實施人流監(jiān)測。因此，將本系統(tǒng)市場定位于唐山市及河北省的城鄉(xiāng)社區(qū)。

2.6 市場機會

（1）系統(tǒng)專注其本身的更新和技術(shù)的運用，將產(chǎn)品與服務(wù)結(jié)合。此系統(tǒng)的應(yīng)用非常適用于此時疫情狀況下的人流監(jiān)測，極大地防止了在公共場所人員密集導(dǎo)致的交叉?zhèn)魅尽＃?）本系統(tǒng)以 YOLO 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)算法為基礎(chǔ)，能夠快速、精確識別出疫情下一定區(qū)域范圍內(nèi)是否有大量的人員聚集。人員在使用本系統(tǒng)時具有很強的自由靈活性，可自行決定該地區(qū)所限定的標準人數(shù)，讓其來實現(xiàn)人員聚集報警。（3）本系統(tǒng)所需技術(shù)利用 YOLOv3 深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)框架技術(shù)來快速的檢測攝像頭內(nèi)人員的數(shù)量，速度可達到每秒 56 幀以上。可支持所在地區(qū)工作人員的監(jiān)測需求，其具有自動報警裝置，更有助于在疫情防控期間有效驅(qū)散聚集的人員。

3 結(jié)論

本文提出了一種基于YOLO算法的疫情防控監(jiān)測系統(tǒng)的實施與推廣的方法[10]，主要目的是用于解決公共場合下，人員流動的檢測以及口罩識別佩戴情況，做到科學(xué)疫情防控。其次，通過對YOLO技術(shù)的不斷研究，拓展了技術(shù)的應(yīng)用模式，在社區(qū)、學(xué)校、景區(qū)、商場等地方，都有著良好的應(yīng)用前景。

參考文獻：

[1] 周艷萍，姜怡，饒翮，等.新型冠狀病毒肺炎疫情期間公眾使用口罩現(xiàn)狀調(diào)查[J].護理研究，2020，34（11）： 2041-2044.

[2] 虞喬木，鄭東樺.新冠肺炎疫情防控常態(tài)化研究[J].中國公共安全（學(xué)術(shù)版），2020（01）：65-68.

[3] 嵩天，禮欣，黃天羽.Python 語言程序設(shè)計基礎(chǔ)[M].北京：高等教育出版社，2017：35-36.

[4] 楊晉生，楊雁南，李天驕.基于深度可分離卷積的交通標志識別算法[J].液晶與顯示，2019，34（12）：1191-1201.

[5] Guo J X， Liu L B， Xu F， et al. Airport Scene Aircraft Detection Method Based on YOLO v3[J].Laser & Optoelectronics Progress，2019，56（19）：191003.

[6] 沈秉乾.基于視頻分析的室內(nèi)人體跌倒檢測方法的實現(xiàn)[D].廣州：華南理工大學(xué)，2013.

[7] 吳曉莉，郭磊賢，郭曉芳.深圳社區(qū)疫情防控管理信息平臺應(yīng)用[J].城鄉(xiāng)建設(shè)，2020（06）：11-13.

[8] GIRSHICK R，DONAHUE J，DARRELL T.Rich feature hierarchies for accurate object detection and semantic seg-mentation[C]//IEEE Conference on Computer Vision and Pattern Recognition（CVPR），2014.

[9] 同[7].

[10] 施輝，陳先橋，楊英.改進 YOLOv3的安全帽佩戴檢測方法[J].計算機工程與應(yīng)用，2019，55（11）：213-220.