李昌夏　加文浩　黃政龍　黃文峰　甘恒

摘要：為了實(shí)現(xiàn)對(duì)公共場(chǎng)合中的抽煙行為的自動(dòng)識(shí)別檢測(cè)，提出了利用YOLOv5算法獲取抽煙行為目標(biāo)的方法。該實(shí)驗(yàn)使用python編程語(yǔ)言在pytorch上建立模型，訓(xùn)練模型，最終能對(duì)吸煙行為進(jìn)行有效檢測(cè)，對(duì)抽煙檢測(cè)研究具有參考價(jià)值。

關(guān)鍵詞：YOLOv5;實(shí)時(shí)抽煙檢測(cè);pytorch;python

中圖分類號(hào) TP391? ? ?文獻(xiàn)標(biāo)識(shí)碼 A

文章編號(hào)：1009-3044（2022）08-0100-03

公共場(chǎng)合抽煙的危害很大，國(guó)家也相應(yīng)地出臺(tái)了在公共場(chǎng)合禁煙的政策。以前實(shí)行相關(guān)的政策都是靠工作人員巡邏發(fā)現(xiàn)并出言禁止，這樣做效率很低下。計(jì)算機(jī)視覺領(lǐng)域發(fā)展迅速，而抽煙檢測(cè)也屬于一種計(jì)算機(jī)視覺目標(biāo)檢測(cè)的行為，可以采用目標(biāo)檢測(cè)[1]的方法來實(shí)現(xiàn)。目前，目標(biāo)檢測(cè)在很多領(lǐng)域都取得顯著成就[2]，但是在抽煙檢測(cè)領(lǐng)域方面進(jìn)行研究卻幾乎沒有。該研究可以有效節(jié)省成本，對(duì)公共場(chǎng)合禁煙政策的實(shí)行有很大的推動(dòng)作用。

1 YOLOv5算法簡(jiǎn)介

YOLO[3]系列是基于深度學(xué)習(xí)的回歸方法。該系列陸續(xù)誕生出YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5。本實(shí)驗(yàn)采用的算法是YOLOv5，它是一種單階段目標(biāo)檢測(cè)的算法，因?yàn)樵撍惴梢愿鶕?jù)落地要求靈活地通過chaneel和layer的控制因子來配置和調(diào)節(jié)模型，所以在比賽和落地中應(yīng)用比較多。同時(shí)它有YOLOv5x、YOLOv5l、YOLOv5m、YOLOv5s四種模型。它具有以下優(yōu)點(diǎn)：1）在pytorch環(huán)境下編寫;2）可以很容易編譯成ONNX和Core ML;3）運(yùn)行速度很快，每秒可以達(dá)到140FPS的速度;4）模型精度高;5）集成了YOLOv3和YOLOv4的部分優(yōu)秀特性，進(jìn)行了推陳出新的改進(jìn)。

2 相關(guān)技術(shù)

2.1 輸入端

2.1.1 Mosaic數(shù)據(jù)增強(qiáng)

Mosaic數(shù)據(jù)增強(qiáng)技術(shù)[4]采用了四張圖片的隨機(jī)縮放、隨機(jī)剪裁、隨機(jī)排布的方式對(duì)數(shù)據(jù)進(jìn)行拼接，相比CutMix數(shù)據(jù)增強(qiáng)多用了兩張圖片。在目標(biāo)識(shí)別過程中，要識(shí)別的目標(biāo)有大目標(biāo)、中等目標(biāo)、小目標(biāo)，并且三種目標(biāo)的占比例不均衡，其中，小目標(biāo)的數(shù)量是最多的，但是出現(xiàn)的頻率很低，這種情況就會(huì)導(dǎo)致在bp時(shí)對(duì)小目標(biāo)的優(yōu)化不足，模型正確識(shí)別小目標(biāo)的難度比識(shí)別中、大目標(biāo)的難度要大很多，于是對(duì)于小目標(biāo)來說很容易出現(xiàn)誤檢和漏檢的情況。Mosaic數(shù)據(jù)增強(qiáng)技術(shù)做出改進(jìn)后，上述的問題得到有效的解決。該技術(shù)的優(yōu)點(diǎn)是：⑴豐富了數(shù)據(jù)集，采用“三個(gè)隨機(jī)”的方式對(duì)數(shù)據(jù)進(jìn)行拼接豐富了檢測(cè)的數(shù)據(jù)集，尤其是隨機(jī)縮放增加了很多小目標(biāo)，克服了小目標(biāo)的不足，讓網(wǎng)絡(luò)的魯棒性得到提高;⑵減少GPU的使用，在Mosaic增強(qiáng)訓(xùn)練時(shí)，四張圖片拼接在一起，GPU可以直接計(jì)算四張圖片的數(shù)據(jù)，讓Mini-batch的大小減少了很多，這使得一個(gè)GPU就可以達(dá)到比較可觀的效果。

2.1.2 自適應(yīng)anchor

自適應(yīng)anchor是check_anchors函數(shù)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(wǎng)絡(luò)模型的訓(xùn)練過程中，網(wǎng)絡(luò)在初始化的錨框的基礎(chǔ)上輸出預(yù)測(cè)框，然后與真實(shí)框groundtruth進(jìn)行對(duì)比，計(jì)算兩個(gè)框之間的差值，再根據(jù)差值進(jìn)行反向更新，迭代網(wǎng)絡(luò)參數(shù)，最后求出最佳的錨框值。自適應(yīng)的anchor能夠更好地配合網(wǎng)絡(luò)訓(xùn)練，提高模型的精度，減少對(duì)anchor的設(shè)計(jì)難度，具有很好的實(shí)用性。

2.1.3 自適應(yīng)圖片縮放

為了提高模型的推理速度，YOLOv5提出自適應(yīng)圖片縮放，根據(jù)長(zhǎng)寬比對(duì)圖像進(jìn)行縮放，并添加最少的黑邊，減少計(jì)算量。該方法是用縮放后的長(zhǎng)邊減去短邊再對(duì)32進(jìn)行取余運(yùn)算，求出padding。在訓(xùn)練時(shí)并沒有采用縮減黑邊的方法，該方法只是在測(cè)試模型推理的時(shí)候才使用，這樣提高了目標(biāo)檢測(cè)的準(zhǔn)確率和速度。

2.2 Backbone

2.2.1 Focus結(jié)構(gòu)

該結(jié)構(gòu)采用切片操作，將特征切片成四份，每一份將當(dāng)成下采樣的特征，然后在channel維度進(jìn)行concat。例如：原始608*608*3的數(shù)據(jù)圖片，經(jīng)過切片操作先變成304*304*12的特征圖，再經(jīng)過一次32個(gè)卷積核的卷積操作，變成304*304*32的特征圖。

2.2.2 CSP結(jié)構(gòu)

YOLOv5中的CSP[5]結(jié)構(gòu)應(yīng)用于兩處，一處是CSP1_X結(jié)構(gòu)應(yīng)用于Backbone的主干網(wǎng)絡(luò)中，另一處的CSP2_X結(jié)構(gòu)應(yīng)用于Neck中，用于加強(qiáng)網(wǎng)絡(luò)的特征融合的能力。CSPNet主要從網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的角度解決推理中從計(jì)算量很大的問題。該結(jié)構(gòu)的優(yōu)點(diǎn)有：1）增強(qiáng)CNN的學(xué)習(xí)能力，使得模型在輕量化的同時(shí)保持較高的準(zhǔn)確性;2）減低計(jì)算的瓶頸問題;3）減低內(nèi)存的分險(xiǎn)。

2.3 Neck

2.3.1 PFN+PAN結(jié)構(gòu)

這個(gè)結(jié)構(gòu)是FPN和PAN的聯(lián)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(jìn)行傳遞融合，得到進(jìn)行預(yù)測(cè)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(gè)結(jié)構(gòu)各自從不同的主干層對(duì)不同的檢測(cè)層進(jìn)行參數(shù)聚合。兩個(gè)結(jié)構(gòu)的強(qiáng)強(qiáng)聯(lián)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(shù)

Bounding box損失函數(shù)[6]增加了相交尺度的衡量方式，有效緩解了當(dāng)兩個(gè)框不相交和兩個(gè)框大小完全相同的兩種特殊情況。因?yàn)楫?dāng)預(yù)測(cè)框和目標(biāo)框不相交時(shí)，IOU=0，無法反應(yīng)兩個(gè)框距離的遠(yuǎn)近的時(shí)候，此時(shí)的損失函數(shù)不可導(dǎo);兩個(gè)框大小完全相同，兩個(gè)IOU也相同，IOU_LOSS無法區(qū)分以上兩種特殊情況。

2.4.2 nms非極大值抑制

在目標(biāo)檢測(cè)過程的后續(xù)處理中，對(duì)于大量的目標(biāo)框的篩選問題，通常會(huì)進(jìn)行nms操作，以此來達(dá)到一個(gè)不錯(cuò)的效果。YOLOv5算法同樣采用了加權(quán)的nms操作。

3 識(shí)別吸煙行為實(shí)驗(yàn)

3.1 數(shù)據(jù)源與處理

為了保證有效的檢測(cè)精度，制作了抽煙行為數(shù)據(jù)集。分別從正視、側(cè)視、俯視三個(gè)角度對(duì)不同人進(jìn)行抽煙行為視頻錄制，將吸煙行為定義為“somke”類，對(duì)錄制的視頻進(jìn)行截圖、篩選;用LabelImg標(biāo)記軟件對(duì)圖像進(jìn)行標(biāo)注，生成 .txt 文件。共獲得1200張有效圖片，其中訓(xùn)練集包含圖片1000張，測(cè)試集200張。將數(shù)據(jù)集的路徑寫入.yaml文件。

3.2 實(shí)驗(yàn)過程

該實(shí)驗(yàn)采用的算法是YOLOv5的目標(biāo)檢測(cè)算法，該算法具有很高的靈活性和很快的速度，在訓(xùn)練模型的時(shí)候還會(huì)對(duì)數(shù)據(jù)進(jìn)行自動(dòng)地加工處理，通過自動(dòng)縮放、色彩空間調(diào)整和馬賽克增強(qiáng)三種手段讓目標(biāo)物體變得更容易識(shí)別，提高模型的準(zhǔn)確度。同時(shí)也正是因?yàn)閷?duì)數(shù)據(jù)進(jìn)行上述的處理加工才讓“煙”這種小的目標(biāo)識(shí)別得更加精確。

本實(shí)驗(yàn)用python編程語(yǔ)言在pytorch上構(gòu)建模型，通過大量的數(shù)據(jù)集訓(xùn)練模型，模型訓(xùn)練結(jié)束后評(píng)估模型的準(zhǔn)確率，最后使用模型進(jìn)行檢測(cè)。檢測(cè)方式可以是使用照片、使用視頻和連接攝像頭實(shí)時(shí)檢測(cè)。

3.3 實(shí)驗(yàn)結(jié)果分析

如圖5是利用YOLOv5算法下對(duì)吸煙行為的檢測(cè)情況，圖中的“somke 0.9”是圖中動(dòng)作與吸煙動(dòng)作的相似度，從俯視角度的識(shí)別結(jié)果可以看出該模型能對(duì)吸煙行為做出較為精準(zhǔn)的識(shí)別。

mAP@0.5（mean Average Precision loU=0.5）即對(duì)每一類的所有圖片的平均精度再對(duì)類求平均，如圖6，本實(shí)驗(yàn)中的mAP@0.5的值在0.65左右表明在系統(tǒng)預(yù)測(cè)出來標(biāo)記結(jié)果與原圖片的標(biāo)記重合度為0.5時(shí)檢測(cè)精度能達(dá)到0.65。

4 總結(jié)

對(duì)于本實(shí)驗(yàn)的抽煙實(shí)時(shí)檢測(cè)采用的是YOLOv5算法，從數(shù)據(jù)集的制作到模型的選擇和訓(xùn)練整個(gè)實(shí)驗(yàn)過程，得到以下結(jié)論：

本實(shí)驗(yàn)對(duì)抽煙行為的檢測(cè)可以實(shí)現(xiàn)對(duì)照片、視頻和攝像頭實(shí)時(shí)進(jìn)行檢測(cè)，但是由于制作數(shù)據(jù)集的場(chǎng)景比較單一，所以對(duì)地點(diǎn)和攝像頭的拍攝角度有要求，攝像頭的放置高度對(duì)也會(huì)有一定影響，比如攝像頭安置的高度、目標(biāo)識(shí)別距離等。如果太高太遠(yuǎn)的話，識(shí)別的數(shù)據(jù)就會(huì)很小，識(shí)別小目標(biāo)就會(huì)增加難度，所以綜合來說模型還有很大的完善和進(jìn)步空間。

參考文獻(xiàn)：

[1] 張慧，王坤峰，王飛躍.深度學(xué)習(xí)在目標(biāo)視覺檢測(cè)中的應(yīng)用進(jìn)展與展望[J].自動(dòng)化學(xué)報(bào)，2017，43（8）：1289-1305.

[2] 宋彬彬.計(jì)算機(jī)視覺技術(shù)在自動(dòng)化中的應(yīng)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(xué)習(xí)的目標(biāo)檢測(cè)算法綜述[J].北京聯(lián)合大學(xué)學(xué)報(bào)，2021，35（3）：39-46.

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

[5] 王立輝.基于卷積神經(jīng)網(wǎng)絡(luò)的行人檢測(cè)與跟蹤算法研究[D].武漢：武漢科技大學(xué)，2021：11.

[6] 沈記全，陳相均，翟海霞.改進(jìn)交并比邊界框回歸損失的YOLOv3檢測(cè)算法[J].計(jì)算機(jī)工程，2021（4）：4-5.

【通聯(lián)編輯：梁書】