基于YOLOv5的實時抽煙檢測研究

李昌夏　加文浩　黃政龍　黃文峰　甘恒

摘要：為了實現對公共場合中的抽煙行為的自動識別檢測，提出了利用YOLOv5算法獲取抽煙行為目標的方法。該實驗使用python編程語言在pytorch上建立模型，訓練模型，最終能對吸煙行為進行有效檢測，對抽煙檢測研究具有參考價值。

關鍵詞：YOLOv5;實時抽煙檢測;pytorch;python

中圖分類號 TP391? ? ?文獻標識碼 A

文章編號：1009-3044（2022）08-0100-03

公共場合抽煙的危害很大，國家也相應地出臺了在公共場合禁煙的政策。以前實行相關的政策都是靠工作人員巡邏發現并出言禁止，這樣做效率很低下。計算機視覺領域發展迅速，而抽煙檢測也屬于一種計算機視覺目標檢測的行為，可以采用目標檢測[1]的方法來實現。目前，目標檢測在很多領域都取得顯著成就[2]，但是在抽煙檢測領域方面進行研究卻幾乎沒有。該研究可以有效節省成本，對公共場合禁煙政策的實行有很大的推動作用。

1 YOLOv5算法簡介

YOLO[3]系列是基于深度學習的回歸方法。該系列陸續誕生出YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5。本實驗采用的算法是YOLOv5，它是一種單階段目標檢測的算法，因為該算法可以根據落地要求靈活地通過chaneel和layer的控制因子來配置和調節模型，所以在比賽和落地中應用比較多。同時它有YOLOv5x、YOLOv5l、YOLOv5m、YOLOv5s四種模型。它具有以下優點：1）在pytorch環境下編寫;2）可以很容易編譯成ONNX和Core ML;3）運行速度很快，每秒可以達到140FPS的速度;4）模型精度高;5）集成了YOLOv3和YOLOv4的部分優秀特性，進行了推陳出新的改進。

2 相關技術

2.1 輸入端

2.1.1 Mosaic數據增強

Mosaic數據增強技術[4]采用了四張圖片的隨機縮放、隨機剪裁、隨機排布的方式對數據進行拼接，相比CutMix數據增強多用了兩張圖片。在目標識別過程中，要識別的目標有大目標、中等目標、小目標，并且三種目標的占比例不均衡，其中，小目標的數量是最多的，但是出現的頻率很低，這種情況就會導致在bp時對小目標的優化不足，模型正確識別小目標的難度比識別中、大目標的難度要大很多，于是對于小目標來說很容易出現誤檢和漏檢的情況。Mosaic數據增強技術做出改進后，上述的問題得到有效的解決。該技術的優點是：⑴豐富了數據集，采用“三個隨機”的方式對數據進行拼接豐富了檢測的數據集，尤其是隨機縮放增加了很多小目標，克服了小目標的不足，讓網絡的魯棒性得到提高;⑵減少GPU的使用，在Mosaic增強訓練時，四張圖片拼接在一起，GPU可以直接計算四張圖片的數據，讓Mini-batch的大小減少了很多，這使得一個GPU就可以達到比較可觀的效果。

2.1.2 自適應anchor

自適應anchor是check_anchors函數通過遺傳算法與Kmeans迭代算出的最大可能召回率的anchor組合。在網絡模型的訓練過程中，網絡在初始化的錨框的基礎上輸出預測框，然后與真實框groundtruth進行對比，計算兩個框之間的差值，再根據差值進行反向更新，迭代網絡參數，最后求出最佳的錨框值。自適應的anchor能夠更好地配合網絡訓練，提高模型的精度，減少對anchor的設計難度，具有很好的實用性。

2.1.3 自適應圖片縮放

為了提高模型的推理速度，YOLOv5提出自適應圖片縮放，根據長寬比對圖像進行縮放，并添加最少的黑邊，減少計算量。該方法是用縮放后的長邊減去短邊再對32進行取余運算，求出padding。在訓練時并沒有采用縮減黑邊的方法，該方法只是在測試模型推理的時候才使用，這樣提高了目標檢測的準確率和速度。

2.2 Backbone

2.2.1 Focus結構

該結構采用切片操作，將特征切片成四份，每一份將當成下采樣的特征，然后在channel維度進行concat。例如：原始608*608*3的數據圖片，經過切片操作先變成304*304*12的特征圖，再經過一次32個卷積核的卷積操作，變成304*304*32的特征圖。

2.2.2 CSP結構

YOLOv5中的CSP[5]結構應用于兩處，一處是CSP1_X結構應用于Backbone的主干網絡中，另一處的CSP2_X結構應用于Neck中，用于加強網絡的特征融合的能力。CSPNet主要從網絡結構設計的角度解決推理中從計算量很大的問題。該結構的優點有：1）增強CNN的學習能力，使得模型在輕量化的同時保持較高的準確性;2）減低計算的瓶頸問題;3）減低內存的分險。

2.3 Neck

2.3.1 PFN+PAN結構

這個結構是FPN和PAN的聯合。FPN是自頂向下的，將高層的特征信息通過上采樣的方式進行傳遞融合，得到進行預測的特征圖，而PAN正好與FPN的方向是相反的方向，它是自底向上地采取特征信息。兩個結構各自從不同的主干層對不同的檢測層進行參數聚合。兩個結構的強強聯合讓得到的特征圖的特征更加明顯和清楚。

2.4 Prediction

2.4.1 Bounding box的損失函數

Bounding box損失函數[6]增加了相交尺度的衡量方式，有效緩解了當兩個框不相交和兩個框大小完全相同的兩種特殊情況。因為當預測框和目標框不相交時，IOU=0，無法反應兩個框距離的遠近的時候，此時的損失函數不可導;兩個框大小完全相同，兩個IOU也相同，IOU_LOSS無法區分以上兩種特殊情況。

2.4.2 nms非極大值抑制

在目標檢測過程的后續處理中，對于大量的目標框的篩選問題，通常會進行nms操作，以此來達到一個不錯的效果。YOLOv5算法同樣采用了加權的nms操作。

3 識別吸煙行為實驗

3.1 數據源與處理

為了保證有效的檢測精度，制作了抽煙行為數據集。分別從正視、側視、俯視三個角度對不同人進行抽煙行為視頻錄制，將吸煙行為定義為“somke”類，對錄制的視頻進行截圖、篩選;用LabelImg標記軟件對圖像進行標注，生成 .txt 文件。共獲得1200張有效圖片，其中訓練集包含圖片1000張，測試集200張。將數據集的路徑寫入.yaml文件。

3.2 實驗過程

該實驗采用的算法是YOLOv5的目標檢測算法，該算法具有很高的靈活性和很快的速度，在訓練模型的時候還會對數據進行自動地加工處理，通過自動縮放、色彩空間調整和馬賽克增強三種手段讓目標物體變得更容易識別，提高模型的準確度。同時也正是因為對數據進行上述的處理加工才讓“煙”這種小的目標識別得更加精確。

本實驗用python編程語言在pytorch上構建模型，通過大量的數據集訓練模型，模型訓練結束后評估模型的準確率，最后使用模型進行檢測。檢測方式可以是使用照片、使用視頻和連接攝像頭實時檢測。

3.3 實驗結果分析

如圖5是利用YOLOv5算法下對吸煙行為的檢測情況，圖中的“somke 0.9”是圖中動作與吸煙動作的相似度，從俯視角度的識別結果可以看出該模型能對吸煙行為做出較為精準的識別。

mAP@0.5（mean Average Precision loU=0.5）即對每一類的所有圖片的平均精度再對類求平均，如圖6，本實驗中的mAP@0.5的值在0.65左右表明在系統預測出來標記結果與原圖片的標記重合度為0.5時檢測精度能達到0.65。

4 總結

對于本實驗的抽煙實時檢測采用的是YOLOv5算法，從數據集的制作到模型的選擇和訓練整個實驗過程，得到以下結論：

本實驗對抽煙行為的檢測可以實現對照片、視頻和攝像頭實時進行檢測，但是由于制作數據集的場景比較單一，所以對地點和攝像頭的拍攝角度有要求，攝像頭的放置高度對也會有一定影響，比如攝像頭安置的高度、目標識別距離等。如果太高太遠的話，識別的數據就會很小，識別小目標就會增加難度，所以綜合來說模型還有很大的完善和進步空間。

參考文獻：

[1] 張慧，王坤峰，王飛躍.深度學習在目標視覺檢測中的應用進展與展望[J].自動化學報，2017，43（8）：1289-1305.

[2] 宋彬彬.計算機視覺技術在自動化中的應用探析[J].電子世界，2020（20）：10-11.

[3] 陳輝東，丁小燕，劉艷霞.基于深度學習的目標檢測算法綜述[J].北京聯合大學學報，2021，35（3）：39-46.

[4] 包迪.基于YOLO V4+Word2Vec的試卷問答題評分算法研究[D].昆明：昆明理工大學，2021：33.

[5] 王立輝.基于卷積神經網絡的行人檢測與跟蹤算法研究[D].武漢：武漢科技大學，2021：11.

[6] 沈記全，陳相均，翟海霞.改進交并比邊界框回歸損失的YOLOv3檢測算法[J].計算機工程，2021（4）：4-5.

【通聯編輯：梁書】