一种基于机器视觉的吸烟行为人工智能检测方法专利检索-烟支卷烟有烟烟草烟草制品及加工专利检索查询-专利查询网

一种基于机器视觉的吸烟行为人工智能检测方法

阅读：567发布：2022-07-04

专利汇可以提供一种基于机器视觉的吸烟行为人工智能检测方法专利检索，专利查询，专利分析的服务。并且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。，下面是一种基于机器视觉的吸烟行为人工智能检测方法专利的具体信息内容。

权利要求

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。

说明书全文

一种基于机器视觉的吸烟行为人工智能检测方法

技术领域

[0001] 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

[0002] 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：

[0003] 一、人力成本增加；

[0004] 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；

[0005] 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。

[0006] 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

[0007] 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。

[0008] 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：

[0009] 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；

[0010] 构建检测模型，是由三个CNN组成的多尺度的特征提取模型。

[0011] 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。

[0012] 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。

[0013] 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

[0014] 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。

[0015] 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：

[0016] 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；

[0017] 构建检测模型，是由三个CNN组成的多尺度的特征提取模型。

[0018] 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。

[0019] 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[0020] 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：

[0021] 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％。

[0022] 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。

[0023] 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％。

[0024] 吸烟行为检测

[0025] 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：

[0026] 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％。

[0027] 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。

[0028] 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。

标题	发布/更新时间	阅读量
一种工厂正常光照条件下烟支流提取方法	2020-05-08	134
节能环保锅炉	2020-05-08	161
一种用于卡车底板切割加工的智能控制装置及其使用方法	2020-05-08	405
一种用于提升烟草烘丝机生产稳定性的系统及方法	2020-05-08	921
防止未成年人使用的电子烟及其控制方法	2020-05-08	440
一种中频电炉	2020-05-08	342
一种能对香料加热保温的喷涂装置	2020-05-08	327
一种卷烟商标纸压平装置	2020-05-11	105
一种竖炉前室装置	2020-05-08	830
一种烟气回收循环锅炉	2020-05-08	783

一种基于机器视觉的吸烟行为人工智能检测方法

一种基于机器视觉的吸烟行为人工智能检测方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：