一种粮库人员吸烟行为检测方法及系统

本发明涉及吸烟检测，具体而言，尤其涉及一种粮库人员吸烟行为检测方法及系统。

背景技术：

1、粮食是人类生存的基本需求之一，也是社会发展的基石。在粮食系统中，粮食安全存储至关重要。然而，粮库存在着各种消防安全隐患，其中包括粮库人员吸烟行为可能引发的火灾事故。由于粮库的运营环境复杂，许多设备需要人员操作和维护，但部分人员缺乏安全意识，存在违规吸烟行为，给消防安全带来了严重隐患。烟草的点燃和燃烧会产生明火或火星，一旦与易燃的粮食接触，火势将迅速蔓延，威胁粮库工作人员的生命安全，同时对粮食本身的安全造成严重影响。因此，实时准确检测工作人员的吸烟行为至关重要，可有效预防火灾事故，保障粮库的消防安全。

2、当前吸烟行为检测系统根据检测原理不同，主要分为基于烟雾检测、基于人体姿态识别和基于目标检测三类。这些系统利用烟雾传感器、摄像头和深度学习算法等先进技术手段，实现对吸烟行为的准确监测和识别。基于烟雾检测的系统利用烟雾传感器识别和检测吸烟产生的烟雾，但受到环境因素干扰，可能影响准确性。基于人体姿态识别的系统通过识别人体姿态检测吸烟行为，但受到个体动作、角度和遮挡等因素影响，准确性可能受损。基于目标检测的系统使用图像处理和深度学习技术，旨在识别和定位场景中的烟支或烟雾，具有一定的鲁棒性和准确性，可有效应对各种环境因素的影响。

3、近年来，深度学习的目标检测算法迅速发展。yolo系列算法作为典型的one-stage目标检测算法得到了广泛应用。yolo系列算法通过将目标检测任务融合为单个神经网络的前向传播过程，实现了快速而准确的目标检测。该算法将图像分割为网格，每个网格负责预测固定数量的边界框和目标类别，从而全局地理解整个图像。相较于传统方法中的多阶段处理，yolo算法采用联合预测方式，能够在单次推理中同时预测所有目标的位置和类别。这种密集预测的方法使得yolo在速度和准确性上取得了良好的平衡，yolov8作为单阶段检测算法yolo系列中最新的目标检测模型，在满足实时性需求的同时，还具有更高的检测精度和较为轻量化的结构。因此更适用于粮库人员吸烟行为检测。

技术实现思路

1、根据上述提出的技术问题，而提供一种粮库人员吸烟行为检测方法及系统。本发明将人员目标检测模型部署在粮库的边缘设备上，将烟支目标检测模型部署在粮库的中央服务器上，能够在真实粮库环境中对吸烟行为进行实时准确的检测。

2、本发明采用的技术手段如下：

3、一种粮库人员吸烟行为检测方法，具体步骤包括：

4、s1、根据数据输入类型选择输入方式，获取输入图像，读取图像中的信息；

5、s2、利用td-yolo人员目标检测网络，构建人员目标检测模型，对图像中的人员目标进行检测；

6、s3、运用clahe技术对提取的人员区域图像进行增强，提升图像质量。

7、s4、利用sb-yolo烟支目标检测网络，构建烟支目标检测模型，对图像中的吸烟行为进行检测；

8、s5、根据烟支目标检测的结果判断是否存在吸烟行为。

9、进一步地，所述步骤s1具体包括：

10、所述数据输入类型包括：图像数据、视频数据和摄像头实时数据，根据不同的数据输入类型，选择不同的输入方式；输入需要检测的图像后，读取输入的数据并处理。

11、进一步地，所述步骤s2具体包括：

12、s21、构建人员目标检测模型，在yolov8模型的基础上将triplet注意力机制引入到主干网络中，并引入轻量高效动态上采样dysample，同时对网络进行适当的修剪；

13、s22、调节人员目标检测模型的学习率、批次大小和迭代次数，当输入待检测图像时，依据人员目标监测模型检测图像中是否有人员。

14、进一步地，所述步骤s3具体包括：

15、clahe通过将图像划分为多个小区域，在每个小区域内进行直方图均衡化，以此增强局部对比度，同时限制对比度过度增强和减少噪声放大，有效提升图像质量。

16、进一步地，所述步骤s4具体包括：

17、s41、构建烟支目标检测模型，在yolov8模型的基础上，将spd-conv模型引入主干网络中，且在颈部网络中加入biformer注意力机制，此外还增加小目标检测层；

18、s42、调节烟支目标检测模型的学习率、批次大小和迭代次数，当提取到的人员区域图像输入到烟支目标检测模型中时，依据烟支目标检测模型检测图像中是否有烟支。

19、进一步地，所述步骤s5具体包括：

20、根据烟支目标检测的结果判断是否存在吸烟行为；若检测到烟支目标，则判断为存在吸烟行为；若没有检测到烟支目标，则判断为不存在吸烟行为。

21、对应本技术中的粮库人员吸烟行为检测方法，本技术还提供了一种粮库人员吸烟行为检测系统，包括：图像读取单元、目标检测单元、图像增强单元、烟支目标检测单元和吸烟行为判断单元，其中：

22、所述图像读取单元，用于根据数据输入类型选择输入方式，获取输入图像，读取图像中的信息；

23、所述目标检测单元，用于利用td-yolo人员目标检测网络，构建人员目标检测模型，对图像中的人员目标进行检测；

24、所述图像增强单元，用于运用clahe技术对提取的人员区域图像进行增强，提升图像质量；

25、所述烟支目标检测单元，用于利用sb-yolo烟支目标检测网络，构建烟支目标检测模型，对图像中的吸烟行为进行检测；

26、所述吸烟行为判断单元，用于根据烟支目标检测的结果判断是否存在吸烟行为。

27、较现有技术相比，本发明具有以下优点：

28、本发明提供的粮库人员吸烟行为检测方法及系统，针对在粮库环境中人员吸烟行为精准检测存在的问题，主要可归纳为两个方面。首先，在真实粮库环境中，直接进行烟支目标检测可能会导致吸烟行为的误判。提出将人员目标检测技术与烟支目标检测技术相结合对粮库人员吸烟行为进行检测。其次，在粮库环境中进行目标检测时，目标可能因背景干扰、低分辨率和小目标等问题而导致检测精度不高。提出基于改进yolov8的人员目标检测模型和烟支目标检测模型。

29、本发明提供的粮库人员吸烟行为检测方法及系统，yolo系列算法通过将目标检测任务融合为单个神经网络的前向传播过程，实现了快速而准确的目标检测。该算法将图像分割为网格，每个网格负责预测固定数量的边界框和目标类别，从而全局地理解整个图像。相较于传统方法中的多阶段处理，yolo算法采用联合预测方式，能够在单次推理中同时预测所有目标的位置和类别。这种密集预测的方法使得yolo在速度和准确性上取得了良好的平衡，yolov8作为单阶段检测算法yolo系列中最新的目标检测模型，在满足实时性需求的同时，还具有更高的检测精度和较为轻量化的结构。

30、本发明提供的粮库人员吸烟行为检测方法及系统，将人员目标检测技术与烟支目标检测技术相结合对粮库人员吸烟行为进行检测，避免了直接进行烟支目标检测可能会导致吸烟行为的误判。此外，基于yolov8改进的td-yolo人员目标检测网络和sb-yolo烟支目标检测网络，有效解决了粮库环境中的背景干扰、低分辨率和小目标问题。优化后的算法不仅显著提高了人员目标的检测精度，减少了背景干扰的影响，还增强了在低分辨率和小目标情况下对烟支的检测能力。综合这些改进，系统在复杂环境中的检测性能和稳定性得到了显著提升，具有较高的实用价值和广泛的应用前景。

31、基于上述理由本发明可在吸烟检测领域广泛推广。