孫冰 李好 黃鑫凱 任長寧 鄒啟杰

關鍵詞：吸煙檢測;目標關聯(lián);YOLOv7;目標檢測

0 引言（Introduction）

多數(shù)作業(yè)環(huán)境明令禁止吸煙，諸如物流倉儲、化工工廠、供電單位等，雖然可以通過中央監(jiān)控系統(tǒng)實時監(jiān)控各種作業(yè)場景，但是主要依賴人工監(jiān)查，存在漏報情況，不但不能節(jié)省人力成本，而且會對企業(yè)和工作人員的生命財產(chǎn)安全造成威脅。隨著計算機視覺技術的發(fā)展，目標檢測技術日漸成熟，智能檢測得到廣泛的研究和應用，由此本文提出一項基于YOLOv7[1]的人體關聯(lián)實時吸煙目標檢測方法。

當下不乏實時吸煙行為檢測的相關研究，但是對于實際應用仍有可提升、待完善的地方，具體如下：第一，對于復雜場景小目標（煙）的檢測精度尚有提升空間[2-3];第二，僅對香煙進行檢測，對香煙相似物存在漏檢誤報的情況[4-5];第三，部分研究雖然通過增加姿態(tài)檢測、特征檢測、面部檢測等方式進行優(yōu)化，但是復雜的算法導致模型檢測速度降低[3，6]?；谝陨蠁栴}，本文提出改進方法。首先，通過數(shù)據(jù)增強提升算法小目標檢測能力，從而提高香煙檢測的準確率，并解決過擬合問題;其次，基于當前比較先進的YOLOv7算法同時檢測人和煙，通過設置人和煙的目標關聯(lián)閾值，增加檢測條件的限制，降低誤檢率;最后，經(jīng)過對比實驗和消融實驗驗證方法的有效性和檢測方法性能的提升程度，并用工作現(xiàn)場視頻進行算法的驗證。

1 目標檢測（Object detection）

現(xiàn)有典型的目標檢測方法可以分為單階段目標檢測（YOLO、SSD、RetinaNet等）和多階段目標檢測（R-CNN、FastR-CNN、Mask R-CNN等）（圖1）[7-8]。

1.1 多階段目標檢測算法

多階段目標檢測算法通常包含兩個階段，即生成候選框和分類定位。在第一個階段，算法使用候選框生成器生成多個候選框，每個候選框都與某個物體相對應。在第二階段，候選框中的特征圖將被送入一個分類器和回歸器中，以進一步提取物體的位置和類別信息。常見的多階段目標檢測算法有R-CNN及其變種Fast R-CNN和Mask R-CNN等[8]。多階段目標檢測算法通過使用候選框定位和識別物體，具有更高的準確率和定位精度。但是，與單階段目標檢測算法相比，多階段目標檢測的計算復雜度更高，計算速度較慢，不適用于對實時檢測要求高的作業(yè)環(huán)境。

1.2 單階段目標檢測算法

單階段目標檢測算法通過處理整張圖像預測物體的位置和類別。這種算法速度較快，適合實時應用場景。常見的單階段目標檢測算法有（Single Shot MultiBox Detector，SSD）、RetinaNet、YOLO等[3]。這些算法通常將物體位置和類別信息結(jié)合起來作為網(wǎng)絡輸出，使用較少的候選框定位物體。SSD是以單個CNN為基礎的目標檢測算法，可以同時檢測不同大小和比例的物體。RetinaNet將分類和回歸任務分別交給兩個并行的子網(wǎng)絡來解決分類精度和定位精度不平衡的問題，同時引入損失函數(shù)來調(diào)整難易樣本的權重，故此能夠獲得更好的目標檢測性能。

YOLO是端到端的單階段目標檢測算法，具有快速和高準確率的特點。YOLO將輸入圖像劃分成網(wǎng)格，并對各個網(wǎng)格進行分類、定位，生成每個物體的邊界錨框和概率。YOLO采用卷積神經(jīng)網(wǎng)絡處理整個圖像，以便于實時應用。2020年發(fā)布的YOLOv5具有更小的模型體積和更快的推理速度，同時在目標檢測精度方面也有一定的提升。2022年發(fā)表的YOLOv7算法集成以往YOLO系列的優(yōu)點，并不斷推陳出新，盡管在準確率和運算速度上較以往YOLO系列都有所提升，但存在對小目標檢測精度不夠的問題。在本實驗測試中發(fā)現(xiàn)，YOLOv7比以往YOLO系列更容易出現(xiàn)過擬合現(xiàn)象。相比多階段目標檢測算法，單階段目標檢測算法的處理速度更快、計算復雜度更低，適合實時應用場景。但是，單階段目標檢測算法在一些復雜場景下的準確率可能不如多階段目標檢測算法，因此本文在YOLOv7算法的基礎上做了一些調(diào)整，以適應極小目標（香煙）的檢測。

2 基于YOLOv7的吸煙檢測方法（A smokingdetection method based on YOLOv7）

2.1 YOLOv7模型

YOLOv7算法主要由輸入端（Input）、主干網(wǎng)絡（Backbone）和頭部網(wǎng)絡（Head）構(gòu)成，采用擴展高效長程注意力網(wǎng)絡（EELAN）、基于級聯(lián)模型的模型縮放、卷積重參數(shù)化等策略，在檢測效率與精度之間取得了非常好的平衡[9-10]。輸入端由數(shù)據(jù)增強、自適應錨框計算和自適應圖片放縮構(gòu)成，將輸入圖像縮放至固定的尺寸，實現(xiàn)數(shù)據(jù)增強。主干網(wǎng)絡主要由多個CBS、ELAN、MPConv等模塊組成，用于圖像特征的提取[11]。預測端用于預測，采用聚合特征金字塔網(wǎng)絡結(jié)構(gòu)，將底層信息通過自底向上的路徑傳遞到高層，實現(xiàn)差別層次特征的融合，借助REPcon結(jié)構(gòu)對不同尺度的特性進行通道數(shù)調(diào)整。

如圖2所示，YOLOv7首先對輸入的圖片進行預處理，處理為640×640像素大小的RGB圖片，其次輸入主干網(wǎng)絡，通過主干網(wǎng)絡的三層高效長程注意力網(wǎng)絡進行輸出，并繼續(xù)在頭部網(wǎng)絡層輸出三個不同大小的特征圖，經(jīng)過重參數(shù)化和卷積進行圖像分類、圖像前后背景分類以及邊框預測，輸出最后的結(jié)果。

2.2 數(shù)據(jù)集增強

本實驗通過互聯(lián)網(wǎng)收集了來自安防場景、公共場所、危險場所等現(xiàn)實場景的共計3 628張吸煙行為的圖像，并通過旋轉(zhuǎn)方式進行數(shù)據(jù)集增強，將抽煙行為數(shù)據(jù)集擴充到14 512張，結(jié)合14 508張人體數(shù)據(jù)集，共計29 020張圖像，并按70%、15%和15%的占比分成訓練集、測試集和驗證集，數(shù)據(jù)集劃分見表1。

對數(shù)據(jù)集進行如圖3所示的標簽標注，采用線上標注工具makesense進行目標標注，分別標記為“person”“smoke”，獲得以文本文件形式存儲的標注結(jié)果。

2.3 目標關聯(lián)

吸煙行為的出現(xiàn)一般需要同時具備兩個基本條件———人和煙，故本研究通過YOLOv7模型同時定位人和煙，并進行目標關聯(lián)，在算法中計算人和煙的中心點距離，當二者距離小于設定閾值后，發(fā)出吸煙告警，實現(xiàn)吸煙檢測。

場地人員檢測錨框（x2p -x1p ）×（y2p -y1p ） <50 000時，人的坐標（xp ，yp ）如下：

3 實驗與分析（Experiment and analysis）

3.1 實驗環(huán)境

實驗環(huán)境使用Windows 10操作系統(tǒng)、NVIDIA GeForceRTX 3080顯卡進行運算。具體實驗配置見表2。網(wǎng)絡模型訓練階段，訓練迭代次數(shù)設置為150次，Batch size 設置為8，Imgsize 設置為[640，640]，設置好限定條件后進行訓練。

3.2 性能分析

3.2.1 分析指標

本實驗將查準率（Precision）、召回率（Recall）、平均精度均值（mAP）作為評價指標，生成了三者隨迭代次數(shù)變化的折線圖，并生成Precision-recall曲線圖像作為分析評價的輔助參考。

精確率也稱查準率，該指標用來判斷模型檢測是否準確，是在識別出的物體中正確的正向預測所占的比率。在公式（3）中，TP 表示真的正樣本，F(xiàn)P 表示假的正樣本。

召回率也稱查全率，是指正確識別出的物體占總物體數(shù)的比率，該指標用來判斷模型檢測是否全面，在公式（4）中，F(xiàn)N表示假的負樣本。

AP 代表Precision-recall 曲線下方面積，分類器越好，AP值越高。如公式（5）所示，目標檢測算法中最重要的指標之一mAP 代表多個類別AP 的平均值，大小處于[0，1]內(nèi)，越接近1，表明該目標檢測模型在給定的數(shù)據(jù)集上的檢測效果越好。

3.2.2 結(jié)果分析

將實驗數(shù)據(jù)進行可視化處理，繪制查準率、召回率和平均精度均值的折線圖，如圖4（a）、圖4（b）所示，查準率和召回率均達到90%且圖4（c）中的平均精度均值達到90%以上，說明模型在檢測精度上表現(xiàn)出色。

通過不斷改變識別閾值，使得系統(tǒng)能夠依次識別前N 張圖片，閾值變化的同時會導致Recall 與Precision 值的變化，從而得到Precision-recall 曲線[12]。如圖5所示，本模型測試所得曲線下方的面積較大，并且在Recall 值增長的同時，Precision 的值能保持在一個很高的水平，在Precision 和Recall 之間實現(xiàn)了較好的平衡[12]。

為了驗證本模型性能，將原YOLOv7作為基線模型，通過對YOLOv7模型定位內(nèi)容的修改比對進行如表3所示的消融實驗，分別取實驗中最優(yōu)的模型在制作好的測試集進行驗證。在基于YOLOv7分別進行僅定位香煙和人體關聯(lián)檢測兩種方法中，雖然人體關聯(lián)的方法犧牲了一定的訓練時長，但是將誤檢率降低到了0.001%，較僅定位香煙的方法有6%的性能提升，基本解決了香煙檢測的誤判問題。

3.2.3 性能對比

為了證明本文方法對比于其他方法在檢測準確率、模型精簡度和檢測速度上具有一定優(yōu)勢，選取RetinaNet和YOLOv5兩種算法在同一數(shù)據(jù)集上進行測試，以mAP、訓練時間和幀率作為評價指標進行3種算法的性能對比判斷。

由表4可知，與其他兩種算法相比，本文所提方法的mAP值較RetinaNet算法提升了94.6%，較YOLOv5算法提升了31.5%，訓練時間較RetinaNet算法和YOLOv5算法分別縮短了51.2%、33.9%，幀率分別提高了210.5%、95.1%，性能提升效果顯著。

綜合對比實驗結(jié)果，基于YOLOv7的人體關聯(lián)實時吸煙目標檢測方法較RetinaNet和YOLOv5算法大大提升了吸煙行為的檢測準確率，降低了訓練時間，提高了檢測幀率。

3.3 檢測結(jié)果可視化

使用現(xiàn)場拍攝的安防場景吸煙行為和人員作業(yè)行為的視頻做測試，在低像素、遠距離的情況下，圖6（a）中安防器械場地準確定位了場地作業(yè)人員。圖6（b）中安防辦公場地準確定位了人和煙，判斷滿足距離關系后，以人和煙中心為對角線框出吸煙行為，實現(xiàn)抽煙行為的準確定位，并對吸煙行為發(fā)出告警。

分別在不同光線、不同角度、不同像素情況下進行視頻檢測驗證，結(jié)果如圖7所示，圖7（a）有照明高像素正面視角和圖7（b）無照明低像素側(cè)面視角都成功定位了人和煙，并判斷存在抽煙行為，說明方法具有一定的可靠性和可行性。

4 結(jié)論（Conclusion

本文以復雜背景下小目標檢測為基礎，針對安全要求較高的環(huán)境下的吸煙行為檢測進行研究，提出了基于YOLOv7的人體關聯(lián)的實時吸煙目標檢測方法。通過同時關聯(lián)定位香煙和場地內(nèi)人員，提升吸煙行為檢測的準確度。通過以相同數(shù)據(jù)集為基礎進行驗證發(fā)現(xiàn)，人體關聯(lián)檢測較僅定位香煙檢測，雖然在訓練時間上有一定的犧牲，但是顯著提升了檢測準確度。此外在同一數(shù)據(jù)集驗證發(fā)現(xiàn)，YOLOv7算法與RetinaNet、YOLOv5算法相比，大大縮短了檢測時間，并且檢測準確度和幀率都顯著提升，說明本方法能夠有效提升檢測率，降低漏檢率，具備實時性和高效性。