CN109829466A - 一种基于机器视觉的吸烟行为人工智能检测方法 - Google Patents
一种基于机器视觉的吸烟行为人工智能检测方法 Download PDFInfo
- Publication number
- CN109829466A CN109829466A CN201910064515.0A CN201910064515A CN109829466A CN 109829466 A CN109829466 A CN 109829466A CN 201910064515 A CN201910064515 A CN 201910064515A CN 109829466 A CN109829466 A CN 109829466A
- Authority
- CN
- China
- Prior art keywords
- cigarette smoking
- cnn
- feature
- artificial intelligence
- machine vision
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000000391 smoking effect Effects 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 235000019504 cigarettes Nutrition 0.000 title claims abstract description 26
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 11
- 210000002569 neuron Anatomy 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 210000000746 body region Anatomy 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000009936 smoking Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种基于机器视觉的吸烟行为人工智能检测方法,包括:构建CNN特征提取算法,该算法通过大量的简单神经元组成,根据非线性关系将底层特征抽象表示为高层特征;构建检测模型,是由三个CNN组成的多尺度的特征提取模型,与现有技术相比,本发明具有如下的有益效果:可以长时间监控,避免人工检测的疏忽、遗漏或者误判安全隐患。
Description
技术领域
本发明是一种基于机器视觉的吸烟行为人工智能检测方法,属于人工智能检测技术领域。
背景技术
在施工现场,吸烟作为一种最常见的人员不安全行为,是产生火灾的重要隐患来源。然而,长期以来,我国施工区作业人员普遍存在综合素质低、安全意识不强的问题,尤其存在侥幸心理,大大增加了现场安全风险。传统的人工监管存在如下缺点:
一、人力成本增加;
二、人工长时间监控易疲劳,致使监控的疏忽、遗漏或者误判安全隐患;
三、人工监控和人员情绪、状态、工作经验、性格和生活条件的影响,容易在监管治理过程中产生矛盾,引发其他不和谐事件的产生。
因此,人工检查存在监管费用高、主观干扰大、不能全程监控等一系列问题。
发明内容
针对现有技术存在的不足,本发明目的是提供一种基于机器视觉的吸烟行为人工智能检测方法,以解决上述背景技术中提出的问题。
为了实现上述目的,本发明是通过如下的技术方案来实现:一种基于机器视觉的吸烟行为人工智能检测方法,包括:
构建CNN特征提取算法,该算法通过大量的简单神经元组成,根据非线性关系将底层特征抽象表示为高层特征;
构建检测模型,是由三个CNN组成的多尺度的特征提取模型。
进一步地,在构建CNN特征提取算法中:深度学习是通过大量的简单神经元组成,根据非线性关系将底层特征抽象表示为高层特征,卷积神经网络是一个多层的神经网络,每层由多个二维平面组成,而每个平面包括多个独立神经元,网络中由一些简单元和复杂元组成,分别记为S-元和C-元。
进一步地,在构建检测模型中,每个CNN模型共有八层,其中有五个卷积层和三个全连接层,对于每一张图片,都会自动的提取三个嵌套的越来越小的矩形窗口的特征,分别为脸部区域、身体区域以及吸烟行为区域,这三个由CNN提取的特征送到两个全连接层,第二个全连接层的输出被送到输出层,最后用线性支持向量机分类器对所有子块进行分类。
本发明的有益效果:本发明的一种基于机器视觉的吸烟行为人工智能检测方法,可以长时间监控,避免人工检测的疏忽、遗漏或者误判安全隐患。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
本发明提供一种技术方案:一种基于机器视觉的吸烟行为人工智能检测方法,包括:
构建CNN特征提取算法,该算法通过大量的简单神经元组成,根据非线性关系将底层特征抽象表示为高层特征;
构建检测模型,是由三个CNN组成的多尺度的特征提取模型。
在构建CNN特征提取算法中:深度学习是通过大量的简单神经元组成,根据非线性关系将底层特征抽象表示为高层特征,卷积神经网络是一个多层的神经网络,每层由多个二维平面组成,而每个平面包括多个独立神经元,网络中由一些简单元和复杂元组成,分别记为S-元和C-元。
在构建检测模型中,每个CNN模型共有八层,其中有五个卷积层和三个全连接层,对于每一张图片,都会自动的提取三个嵌套的越来越小的矩形窗口的特征,分别为脸部区域、身体区域以及吸烟行为区域,这三个由CNN提取的特征送到两个全连接层,第二个全连接层的输出被送到输出层,最后用线性支持向量机分类器对所有子块进行分类
作为本发明的一个实施例:本专利算法训练集包括戴吸烟行为和未吸烟行为各2000张的人员图像,测试集包括戴吸烟行为和未戴吸烟行为各100张的图像。本专利算法共完成人脸检测、身体检测和吸烟行为检测三个部分。其中,对于人脸和身体检测部分,使用检测率(CIR)和漏检率(MIR)来作为系统的评价指标,计算方式如下式所示:
对于人员检测实验,选取6000人员图片用于训练模型。然后选取2000张人员图片作为测试图片,并随机分成10份。平均检测率为93.3%,平均漏检率为6.7%。同时,对比了基于Adaboost算法的人员检测模型,平均检测率为90.6%,平均漏检率为9.4%。
由此可以看出,本文算法在相同的数据库上比Adaboost算法表现更好,具有更低的漏检率和误检率。并且人员检测结果更适合用于后面的身体检测实验。
身体检测实验:选取6000张身体正面身体图片用于训练模型,选取2000张图片作为测试集,并随机分成10份。平均检测率为93.6%,平均漏检率为9.4%。
吸烟行为检测
对于吸烟行为检测部分,使用检测率(CIR)、虚警率(WIR)和漏检率(MIR)作为吸烟行为检测系统的评价指标,计算方式如下式所示:
选取戴吸烟行为和未戴吸烟行为图片各2000张图片用于训练模型。选取2000吸烟行为区域图片作为测试图片,并随机分成10份,每份包含戴吸烟行为图片和未戴吸烟行为图片各100张。通过基于深度学习的吸烟行为检测算法,平均检测率为92.1%,平均虚警率为6.4%,平均漏检率为2.5%。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (3)
1.一种基于机器视觉的吸烟行为人工智能检测方法,其特征在于:包括:
构建CNN特征提取算法,该算法通过大量的简单神经元组成,根据非线性关系将底层特征抽象表示为高层特征;
构建检测模型,是由三个CNN组成的多尺度的特征提取模型。
2.根据权利要求1所述的一种基于机器视觉的吸烟行为人工智能检测方法,其特征在于:在构建CNN特征提取算法中:深度学习是通过大量的简单神经元组成,根据非线性关系将底层特征抽象表示为高层特征,卷积神经网络是一个多层的神经网络,每层由多个二维平面组成,而每个平面包括多个独立神经元,网络中由一些简单元和复杂元组成,分别记为S-元和C-元。
3.根据权利要求1所述的一种基于机器视觉的吸烟行为人工智能检测方法,其特征在于:在构建检测模型中,每个CNN模型共有八层,其中有五个卷积层和三个全连接层,对于每一张图片,都会自动的提取三个嵌套的越来越小的矩形窗口的特征,分别为脸部区域、身体区域以及吸烟行为区域,这三个由CNN提取的特征送到两个全连接层,第二个全连接层的输出被送到输出层,最后用线性支持向量机分类器对所有子块进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910064515.0A CN109829466A (zh) | 2019-01-23 | 2019-01-23 | 一种基于机器视觉的吸烟行为人工智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910064515.0A CN109829466A (zh) | 2019-01-23 | 2019-01-23 | 一种基于机器视觉的吸烟行为人工智能检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109829466A true CN109829466A (zh) | 2019-05-31 |
Family
ID=66862286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910064515.0A Pending CN109829466A (zh) | 2019-01-23 | 2019-01-23 | 一种基于机器视觉的吸烟行为人工智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829466A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636707A (zh) * | 2013-11-07 | 2015-05-20 | 同方威视技术股份有限公司 | 自动检测香烟的方法 |
CN108629282A (zh) * | 2018-03-29 | 2018-10-09 | 福州海景科技开发有限公司 | 一种吸烟检测方法、存储介质及计算机 |
-
2019
- 2019-01-23 CN CN201910064515.0A patent/CN109829466A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636707A (zh) * | 2013-11-07 | 2015-05-20 | 同方威视技术股份有限公司 | 自动检测香烟的方法 |
CN108629282A (zh) * | 2018-03-29 | 2018-10-09 | 福州海景科技开发有限公司 | 一种吸烟检测方法、存储介质及计算机 |
Non-Patent Citations (2)
Title |
---|
焦佳丽等: "基于改进卷积神经网络结合支持向量机的行人检测算法", 《电视技术》 * |
王猛: "基于深度学习的安全带检测系统", 《电脑知识与技术》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109558865A (zh) | 一种基于人体关键点的对需特别看护人员的异常状态检测方法 | |
CN112529329A (zh) | 基于bp算法和seir模型的传染病预测方法 | |
Li et al. | ACSEE: Antagonistic crowd simulation model with emotional contagion and evolutionary game theory | |
CN108294759A (zh) | 一种基于cnn眼部状态识别的驾驶员疲劳检测方法 | |
CN109670446A (zh) | 基于线性动态系统和深度网络的异常行为检测方法 | |
CN105787472B (zh) | 一种基于时空拉普拉斯特征映射学习的异常行为检测方法 | |
CN110425005A (zh) | 矿井下皮带运输人员人机交互行为安全监控与预警方法 | |
CN109637068A (zh) | 智能烟火识别系统 | |
CN109596634A (zh) | 电缆缺陷的检测方法及装置、存储介质、处理器 | |
CN106469302A (zh) | 一种基于人工神经网络的人脸肤质检测方法 | |
CN110674790B (zh) | 一种视频监控中异常场景处理方法及系统 | |
Lalumière et al. | The sensitivity of phallometric measures with rapists | |
CN109255298A (zh) | 一种动态背景中的安全帽检测方法与系统 | |
Han et al. | Can memory and conformism resolve the vaccination dilemma? | |
CN110414400A (zh) | 一种施工现场安全帽穿戴自动检测方法及系统 | |
CN111513732A (zh) | 面向疫病状况下多类人群的心理压力智能评估预警系统 | |
CN110852441A (zh) | 一种基于改进朴素贝叶斯算法的火灾预警方法 | |
CN109063643A (zh) | 一种用于脸部信息部分隐藏条件下的面部表情痛苦度识别方法 | |
CN204926116U (zh) | 一种包含视频分析的安检判图系统 | |
CN101980314B (zh) | 公交专座智能提示装置与方法 | |
CN109214309A (zh) | 一种基于深度学习的茶山采摘人员异常行为监控方法 | |
Yiallourou et al. | On the detection of images containing child-pornographic material | |
CN110040592A (zh) | 基于双路监控视频分析的电梯轿厢载客数检测方法及系统 | |
CN109993124A (zh) | 基于视频反光的活体检测方法、装置及计算机设备 | |
McGilvray | Constant colors in the head |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190531 |
|
RJ01 | Rejection of invention patent application after publication |