无烟区吸烟行为智能监测预警系统研究

一、绪论

（一）研究背景及意义

随着近几年公众健康意识的提升，无烟环境建设已成为社会共识。然而，传统无烟区管理主要依赖人工巡查，存在监管盲区多、响应滞后、人力成本高等问题，及时性和准确性上的不足越来越明显。

在此背景下，基于计算机视觉的智能监测技术成为解决上述问题的重要路径。YOLO 系列算法凭借实时性强、检测精度高的优势，在行为识别领域应用广泛。其中，YOLO v8 具备更快的推理速度和更强的小目标检测能力，为吸烟行为这类精细化动作识别提供了技术可能。但现有研究中，针对无烟区场景的专项优化较少，尤其缺乏对复杂光照、遮挡干扰等实际问题的解决方案，因此有必要构建一套专门的智能监测预警系统。

该系统的目标是构建从吸烟行为实时监测、精准识别到快速预警的完整流程，以期有效弥补人工巡查的短板，为全天候、全方位的无烟环境监管体系提供技术支撑，进而为保护公众健康、营造洁净无烟的公共环境探索新的路径。

（二）研究方法及内容

本研究针对传统人工巡查在无烟区吸烟监管中的局限，围绕智能监管需求，构建了基于优化 YOLO v8 的吸烟行为智能监测预警系统。研究通过文献分析明确技术路径，自主构建涵盖 12 类无烟场所的专用数据集并进行增强，优化了YOLO v8 核心算法，设计了“监测- 识别-预警 - 处置”闭环流程及跨系统联动机制。系统通过了安全性、兼容性等测试，并针对小目标检测、遮挡、隐私保护等部署难题提出解决方案，最终形成一套可支撑无烟环境智能化监管的技术体系。

二、关键技术分析

（一）图像数据预处理技术

在无烟区吸烟监测中，对收集到的图像数据进行处理的相关操作很关键。只有把图像里的干扰去掉，让图像更清晰，后面才能更准确地认出吸烟行为。这步操作直接影响后续识别的准确性。

1. 去噪算法

采用中值滤波算法对图像进行去噪处理，公式如下：

g（x，y）=median{f（x-i，y-j）|（i，j）∈W}

其中，f（x，y） 为原始图像在 （x，y） 处的像素值，W 为滤波窗口，g（x，y） 为去噪后图像在 （x，y） 处的像素值。中值滤波能有效去除图像中的椒盐噪声，保留图像的边缘信息。

2. 图像增强算法

运用直方图均衡化算法增强图像的对比度，公式为：

其中，rk 为原始图像的灰度级，nj 为灰度级rj 出现的次数，N 为图像总像素数，sk 为增强后图像的灰度级。该算法能使图像的灰度分布更加均匀，提升图像的视觉效果。

（二）YOLO v8 优化算法层

1. 网络结构优化

（1）改进的特征融合模块

在 YOLO v8 原有的特征融合模块基础上，引入注意力机制，增强对关键特征的关注。公式如下：

其中，F 为输入特征图，W1 和 W2 为卷积权重参数， σ 为sigmoid 激活函数，Attention（F） 为经过注意力机制处理后的特征图。

（2）损失函数优化

采用改进的CIoU 损失函数，提高边界框的回归精度，公式为：

其中，IoU 为交并比， ρ²（b，b^v） 为预测框 b 与真实框 中心点的欧氏距离平方，c 为包围两个框的最小外接矩形的对角线长度， α 为权重系数， υ 用于衡量 aspect ratio 的一致性。

2. 模型训练与优化

（1）数据集构建

收集无烟区吸烟行为的图像数据，构建数据集，进行数据增强操作，扩大数据集规模，提高模型的泛化能力。

（2）训练参数设置

设置合适的学习率、batch size 等训练参数。学习率采用余弦退火学习率调度策略，公式为：

其中， η_ι 为第 t 轮的学习率， η_sax 和 η_min 分别为最大和最小学习率，T 为总训练轮数。

（三）行人重识别技术

该系统设计基于跨摄像头协同的行人身份关联技术，实现吸烟行为的追溯与连续监管：

1. 特征提取模块

假设输入行人图像为I，以YOLO ^v8 检测的行人得到边框：

B=[x₁，y₁，x₂，y₂]

通过 PCB+RPP 网络提取行人外貌、行为等判别性特征，生成128 维特征向量。

2. 相似度匹配策略

采用余弦距离度量不同摄像头下行人特征的相似度，结合 K-NN算法实现跨场景身份匹配，匹配精度≥ 92% ：

3. 违规追踪机制

①首次违规特征存储

首 次 吸 烟 时， 系 统 存 储 行 人 特 征 至 违 规 数 据 库， 记 为 并触发警告。

②再次违规匹配

后续检测到疑似特征 Fnew，计算与 D 中特征的余弦距离，若存在 Fviolate，j 满足 Cosine（F_new，F_violoe，j）≥θ （θ 为阈值），判定为重复违规，触发多摄像头轨迹追踪。

三、未来研究方向与发展展望

未来可进一步研究跨场景自适应技术，使系统能够自动适应不同类型的无烟场所的环境特征，无需人工调整参数；探索轻量化模型设计，将检测模型部署在更小型的边缘设备上，降低系统部署成本。

结合控烟管理需求，针对当前系统侧重“检测 - 预警”的定位，可以开发与其配套的管理平台。该平台可实现预警信息智能分发，按管理人员职责与管辖区域精准推送；对吸烟数据多维度统计分析，为管理策略提供支撑；依据分析结果精准推送控烟措施，如向高发区下发巡查计划；还能整合脱敏后的典型吸烟案例，生成宣传素材库，助力提升全民控烟意识，引导公众自觉守规，推动无烟区管理从“被动监管”向“主动控烟”转变，助力打造全民参与的无烟环境。

参考文献

[1] 楚家 ， 肖敏 ， 周迅 ， 等 . 基于改进 YOLO v8 的复杂环境下农田害虫检测算法 [J/OL]. 江苏农业科学 ，1-13[2025-08-08].

[2] 苑迎春 ， 耿俊 ， 许楠 ， 等 . 基于 YOLO v8-TRP 模型的小麦麦穗识别方法研究 [J/OL]. 农业机械学报 ，1-14[2025-08-08].

[3] 武熠明 ， 徐明智 ， 幸贞雄 . 加油站员工不安全行为智能监测预警系统设计 [J]. 应用化工 ，2022，51（S2）：308-311.

[4] 周建新 ， 郭强 . 融合多粒度特征和 Transformer 架构的行人重识别方法 [J]. 制造业自动化 ，2025，47（03）：87-93.

[5] 薛恒俊. 基于先进传感技术的锅炉系统实时监测与故障诊断[J].产品可靠性报告 ，2025，（03）：105-106.