1. 项目概述与背景
在公共场所禁烟管理、安全生产监控等场景中,传统的人工巡查方式存在效率低下、覆盖范围有限等问题。我们基于YOLOv8算法开发了一套吸烟行为智能识别系统,能够自动检测香烟、烟雾、电子烟等目标,并识别吸烟动作。这套系统在实际测试中达到了92.3%的mAP(平均精度),单帧处理速度在RTX 3060显卡上可达45FPS,完全满足实时监控需求。
系统创新性地采用多目标协同检测策略,不仅识别香烟本体,还通过检测烟雾扩散形态和人体持烟动作来提高识别准确率。这种综合判断方法有效降低了误报率(实测<3%),特别是在复杂环境下的识别鲁棒性显著优于单一目标检测方案。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 系统架构设计
2.1 整体技术方案
系统采用经典的"前端采集+后端分析"架构:
code复制摄像头/视频流 → 图像预处理 → YOLOv8检测 → 结果可视化 → 报警触发
↑
模型服务加载
关键组件说明:
- 输入模块:支持USB摄像头、RTSP流、视频文件和静态图片
- 预处理模块:自动调整图像尺寸(保持640×640比例),归一化像素值
- 核心检测模块:基于YOLOv8s的5分类检测器
- 后处理模块:非极大值抑制(NMS)阈值动态调整
- 输出模块:带检测框的可视化结果+结构化JSON数据
2.2 YOLOv8模型选型
我们测试了YOLOv8全系列模型在吸烟检测任务上的表现:
| 模型类型 | 参数量(M) | mAP@0.5 | 推理速度(FPS) | 适用场景 |
|---|---|---|---|---|
| yolov8n | 3.2 | 0.874 | 120 | 嵌入式设备 |
| yolov8s | 11.2 | 0.923 | 45 | 主流配置PC |
| yolov8m | 25.9 | 0.931 | 28 | 高性能服务器 |
| yolov8l | 43.7 | 0.935 | 18 | 云端服务 |
最终选择yolov8s作为基础模型,因其在精度和速度间取得了最佳平衡。实测在COCO pretrain基础上进行迁移学习,训练500epoch后mAP提升12.6%。
3. 数据集构建与增强
3.1 数据采集策略
我们构建了行业首个多场景吸烟行为数据集,包含12,486张标注图像,具有以下特点:
-
场景多样性:
- 室内场所(办公室、餐厅、走廊)
- 室外环境(公园、街道、停车场)
- 特殊场景(低光照、烟雾干扰、多人聚集)
-
目标形态覆盖:
- 香烟:不同品牌、持握角度、燃烧程度
- 烟雾:扩散初期到消散全过程
- 电子烟:各种设备形态和使用姿势
- 人体:不同肤色、衣着、姿态
-
标注规范:
yaml复制<object-class> <x_center> <y_center> <width> <height>
示例:
0 0.412 0.573 0.056 0.112 # Cigarette
1 0.501 0.602 0.312 0.784 # Person
3.2 数据增强方案
为提高模型泛化能力,采用了以下增强策略:
python复制# Albumentations增强管道
transform = A.Compose([
A.HorizontalFlip(p=0.5),
A.RandomBrightnessContrast(p=0.3),
A.RandomFo
