基于改进目标检测算法的吸烟行为检测

赵冬

（国华投资有限公司河北分公司 河北省张家口市 075000）

1 引言

吸烟严重危害着全世界人民的生命财产安全，吸烟引发的火灾和癌症不计其数[1]。近年来，人工智能和深度学习发展迅速。计算机视觉也已应用于交通安全、危险物品检测和公共环境安全领域[2]。传统的烟雾报警、人工巡检等吸烟行为检测方式，不仅耗费人力财力，而且效果不佳。本文提出了一种基于YOLOv5s 算法的检测方法，以实现对吸烟行为更好的实时检测。由于YOLOv5s 算法对小目标检测并不友好，所以本文提出一种改进的YOLOv5s 算法，通过K-means算法和增加检测层的方法进行吸烟行为检测。

本文组织结构如下：第二节详细描述了YOLOv5s 目标检测原理；第三节介绍了改进的YOLOv5s+检测方法；第四节给出了本文试验结果分析；第五部分对全文进行总结。

2 YOLOV5S目标检测原理

YOLOv5s 是YOLOv5 系列中最小的网络。如图1所示，YOLOv5s 由四部分组成：输入部分、骨干部分、头部部分和检测部分。

图1：YOLOv5s 网络结构

2.1 输入部分

Input 部分主要包括数据增强、自适应锚框计算、自适应图像缩放。初始锚点是先验学习的基础，针对数据集它们是[10,13,16,30, 33,23][30,61, 62,45, 59,119][116,90, 156,198, 373,326]。设置合适的锚点会得到更高的IOU(Intersection over Union，是一种测量在特定数据集中检测相应物体准确度的一个标准)，有助于提高模型的准确率。在训练过程中，先验学习模块可以更好地学习适应不同待测物体的形状信息。

2.2 骨干部分

在骨干部分，YOLOv5s 使用了CSPNet(Cross Stage Partial Networks)，主要用于解决较大卷积层中梯度重复的问题。基于Densnet 的思想，包括Partial Dense Block 和Partial Transition Block。Partial Dense Block 主要用于添加梯度路径，平衡每一层的计算，减少内存消耗。……