基于YOLO 目標識別技術的基層疫情防控監測系統的開發與應用

吳思嫻 周樹功 楊澤天

（唐山師范學院 數學與計算科學學院，河北 唐山 063000）

2020 年新型冠狀病毒（COVID-19）在全國爆發，全國各地響應國家號召，對疫情做出防控。社區防控是疫情防控的關鍵環節[1]。為了保護城鄉社區人民群眾生命安全和身體健康，需要對人員密集地區做出科學預警，將感染風險降到最低[2]。當前有很多人流監管系統雖然開發成熟度高，如MoniBox 監測系統等人員密集處的監管系統，但由于系統其應用難度較高，必須有專業實施顧問，同時由于大型監測信息系統開發周期長、系統柔性不強、精確度不準確等，給部分用戶造成了一定的經濟負擔。本系統的開發相較于市面其他系統有以下特色：（1）可以根據用戶自定義設置人群聚集條件，針對不同場景做出警報判定條件。（2）系統通過現有的攝像頭、局域網及計算機設備可直接導入系統，開發成本低。

1 基于YOLO 目標識別技術的基層疫情防控監測系統設計與實現

YOLO 目標識別技術基于YOLO 框架的深度學習算法，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于此制作報警設備。基于YOLO 目標識別技術的基層疫情防控監測系可以根據單位面積、人員數量和口罩數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送到音響實現語音報警。目前，基于YOLO 目標識別技術在社區人員是否摔倒、小區內積水預警等領域有了廣泛的應用。

1.1 基于YOLO 的人數和口罩佩戴識別技術框架

具體內容見圖1。

圖1 目標檢測技術口罩識別技術框架

1.2 YOLO 目標識別技術在疫情防控中的應用

YOLO 目標識別技術屬于計算機視覺技術領域。為了快速、精確地識別出疫情下一定區域范圍內是否有大量的人員聚集，本文提出了一種基于YOLO 深度學習神經網絡算法的人員聚集報警設備。利用YOLOv3深度學習卷積神經網絡框架技術[3]來快速的檢測攝像頭內人員的數量（可達到每秒56 幀以上）。利用YOLOv3 深度學習卷積神經網絡訓練了大約2000 張含有各種類型口罩的圖片得到了一種復雜光線環境下口罩快速識別網絡模型。基于YOLO 目標識別技術的基層疫情防控監測系可以根據攝像頭的錄制面積、利用YOLOv3 算法識別出的人員數量和口罩數量三個條件，在報警設備的報警條件模塊設置人員聚集的標準（根據攝像頭安裝的位置和焦距計算出攝像頭攝像面積，根據攝像面積[4]識別出的人員數量和口罩數量來設置報警的閥值），攝像頭安裝后實時采集視頻數據，視頻數據發送到YOLO 的算法[5]處理模塊來計算視頻中人員數量和口罩數量并根據報警設備的報警條件模塊設置人員聚集的標準來決定是否發出報警信號。如果達到人員聚集標準即可將報警信號發送到音響實現語音報警。目前，基于YOLO 目標識別技術的基層疫情防控監測系統的難題在于根據實際場景中YOLO 的攝像頭采集的視頻數據處理速度還不夠快[6]，如果要提高處理速度并且多點監控，那么對服務器CPU 和GPU 的硬件要求就會很高，產品成本也隨之提高。

1.3 基于YOLO 目標識別技術的基層疫情防控監測系統功能模塊

（1）人員聚集判定條件設置模塊，可實現自定義設置人員聚集的條件，一旦發生聚集，系統將發出提示并響鈴進行預警。社區根據應用場景的不同，可以設定不同的標準。一旦超出設定的人數限制，系統就會發出警報。（2）監控識別模塊，通過利用YOLOv3深度學習卷積神經網絡框架技術和錄像設備可快速精準識別復雜光線條件下的人員和口罩數量[7]。可以觀察到最近報警時間，累計報警次數等信息，內容詳細具體。（3）警報查詢模塊，能夠將聚集信息存儲在數據庫中，根據關鍵點進行回溯，實現高效率的跟蹤倒查。輸入具體時間、地點進行預警信息查詢。

2 基于YOLO 的基層疫情防控監測系統的應用與推廣

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

圖2 系統應用過程圖

2.1 系統特色

（1）成本較低，安裝便利。通過現有的攝像頭、局域網及計算機設備可直接導入系統。（2）報警條件個性化設置。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。系統監測具體到時間、地點、距離、人數和口罩數量，并可根據疫情下的感染情況進行跟蹤倒查。

2.2 推廣場景

（1）學校。學校是人口密集的地方之一，保護學生安全至關重要。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，這就增加了學生感染的風險。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，有效地規劃自己的行程來節省時間。本產品在學校市場應用前景還是廣泛的。（2）商場。隨著現代市場經濟的高速發展，人們消費水平和生活水平在不斷提高，購物已經成為大家一種習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運而生。然而，規模越大，他們對監控的要求也就越高。大型商場或超市人流量過多，疫情期間更加應該加強防控。（3）景區。現在疫情有所好轉，節假日出行的人也越來越多，各個景區的游客數量都在迅速增長，導致景區人流超負荷，給游客的人身安全造成了巨大的威脅。景區限流是一項控制景區游客數量的措施，通過制定景區限定區域內最大人口承載數量，來控制景區內的人口，從而保障游客的生命安全。

安裝本系統后，可以檢測人員佩戴口罩情況和人員數量，景區管理人員對某區域內人數做出限定標準，當人數超過標準條件時，系統會在操作端發出警報，提醒工作人員人數已超，協助工作人員快速做出應急措施，減少人員進入，避免了踩踏事故的發生、降低人員感染的風險。

2.3 創新思路

（1）基于YOLO 神經網絡算法能夠快速、精準地識別監控下人員數量、佩戴口罩和未佩戴口罩人數，人員是否超標，是否要控制人數。（2）利用攝像頭捕捉視頻，系統監測具體到時間、地點、距離、人數和口罩數量，方便工作人員倒查視頻。（3）結合報警系統，當人數超過用戶規定標準后，該系統的客戶端會發出警報，提醒人數已經超標，需要削減人數。（4）我們可根據社區內人員聚集程度的不同，設定人員聚集人數的標準。

2.4 市場需求分析

唐山市內有200 多家城鄉社區，河北省城鄉社區更是數不勝數，目前疫情有所好轉，但某些城市還會傳來有人被感染的消息，為了預防社區內成員聚集，將人們活動時間分開，檢測人員是否正確佩戴口罩，降低人員感染風險，減輕社區工作人員的負擔，我們的系統不僅可以提供精確識別口罩、人員數量的功能，還可以通過警報系統提醒工作人員人數已達標。因此，本項目產品的推廣應用前景廣闊。

2.5 市場定位

目前，國內有許多成熟的人流監管系統，能夠在景區、地鐵站等人流交匯處設置，能夠很好的識別人員數量，而我們的系統相較于其他監測系統而言，成本低、增加了人員密度的監測和報警功能、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，分隔全社區人員活動時間，便于引導人員進行疏散。本產品的系統操作簡單，并且更新時間短，能夠有效在疫情防控下實施人流監測。因此，將本系統市場定位于唐山市及河北省的城鄉社區。

2.6 市場機會

（1）系統專注其本身的更新和技術的運用，將產品與服務結合。此系統的應用非常適用于此時疫情狀況下的人流監測，極大地防止了在公共場所人員密集導致的交叉傳染。（2）本系統以 YOLO 深度學習神經網絡算法為基礎，能夠快速、精確識別出疫情下一定區域范圍內是否有大量的人員聚集。人員在使用本系統時具有很強的自由靈活性，可自行決定該地區所限定的標準人數，讓其來實現人員聚集報警。（3）本系統所需技術利用 YOLOv3 深度學習卷積神經網絡框架技術來快速的檢測攝像頭內人員的數量，速度可達到每秒 56 幀以上。可支持所在地區工作人員的監測需求，其具有自動報警裝置，更有助于在疫情防控期間有效驅散聚集的人員。

3 結論

本文提出了一種基于YOLO 算法的疫情防控監測系統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，做到科學疫情防控。其次，通過對YOLO 技術的不斷研究，拓展了技術的應用模式，在社區、學校、景區、商場等地方，都有著良好的應用前景。