基于YOLOv5的室外煙支檢測算法的創(chuàng)新與實踐

基于YOLOv5的室外煙支檢測算法的創(chuàng)新與實踐一、引言1.1研究背景與意義在當今社會，隨著城市化進程的加速和人們生活水平的提高，室外環(huán)境的安全與健康愈發(fā)受到關注。煙支作為常見的消費品，其在室外的丟棄和使用不僅對環(huán)境造成污染，還可能引發(fā)火災等安全隱患，因此，準確、高效的室外煙支檢測技術具有重要的現(xiàn)實意義。從公共安全角度來看，未熄滅的煙支是引發(fā)火災的常見原因之一。據(jù)統(tǒng)計，每年因煙頭引發(fā)的火災數(shù)量眾多，造成了巨大的財產損失和人員傷亡。例如，在森林、草原等易燃區(qū)域，一個小小的煙頭就可能引發(fā)一場大規(guī)模的火災，對生態(tài)環(huán)境和周邊居民的生命財產安全構成嚴重威脅。通過實時檢測室外煙支，能夠及時發(fā)現(xiàn)潛在的火災隱患，采取相應措施，從而有效預防火災的發(fā)生，保障公共安全。在環(huán)境監(jiān)測方面，煙支丟棄在室外會對土壤、水體等環(huán)境造成污染。煙支中的尼古丁、焦油等有害物質會隨著雨水等進入土壤和水體，影響土壤質量和水質，對生態(tài)系統(tǒng)造成破壞。準確檢測室外煙支的數(shù)量和分布情況，有助于評估環(huán)境污染程度，為環(huán)境治理提供數(shù)據(jù)支持，促進環(huán)境保護和可持續(xù)發(fā)展。傳統(tǒng)的煙支檢測方法主要依賴人工巡查，這種方式不僅效率低下，而且容易受到人為因素的影響，存在漏檢和誤檢的問題。隨著計算機視覺和深度學習技術的快速發(fā)展，目標檢測算法取得了顯著進展，為煙支檢測提供了新的解決方案。YOLOv5作為一種先進的實時目標檢測算法，具有速度快、精度高、易于訓練等優(yōu)點，在多個領域得到了廣泛應用。其基于深度學習的端到端檢測方式，能夠直接從輸入圖像中預測出目標的類別和位置，大大提高了檢測效率。通過在輸入端采用Mosaic數(shù)據(jù)增強、自適應錨框計算、自適應圖片縮放等技術，以及在特征提取網(wǎng)絡部分引入Focus模塊、跨階段局部融合網(wǎng)絡（CSPNet）等方法，YOLOv5在減少計算量的同時保證了準確率，使其在復雜背景下的目標檢測中表現(xiàn)出色，為室外煙支檢測提供了有力的技術支持。本研究旨在深入研究基于YOLOv5的室外煙支檢測算法，通過對算法的優(yōu)化和改進，提高煙支檢測的準確性和魯棒性，實現(xiàn)對室外煙支的實時、高效檢測。這不僅有助于提升公共安全和環(huán)境監(jiān)測水平，還能為相關領域的智能化管理提供技術支持，具有重要的理論意義和實際應用價值。1.2國內外研究現(xiàn)狀在目標檢測領域，基于深度學習的算法近年來取得了飛速發(fā)展。YOLO系列算法作為其中的佼佼者，以其高效的檢測速度和出色的性能，受到了廣泛的關注和研究。YOLOv5作為YOLO系列的重要版本，在多個應用場景中展現(xiàn)出了卓越的優(yōu)勢。在國外，許多研究機構和學者對YOLOv5進行了深入研究和應用拓展。美國加州大學伯克利分校的研究團隊運用YOLOv5開展交通標志檢測研究，通過大量的實驗與優(yōu)化，使模型在復雜交通環(huán)境下對各類交通標志的識別準確率達到了較高水平，有效提升了自動駕駛系統(tǒng)中交通標志識別的可靠性。Facebook、谷歌、亞馬遜等公司也將YOLOv5應用于圖像識別、視頻分析等業(yè)務中。例如，F(xiàn)acebook利用YOLOv5對用戶上傳的圖片進行內容分析，以實現(xiàn)精準的廣告投放和用戶興趣推薦；谷歌在其視頻平臺中運用YOLOv5檢測視頻中的關鍵物體和場景，為視頻分類和檢索提供支持；亞馬遜則將YOLOv5用于物流倉庫中的貨物檢測和庫存管理，提高了倉儲管理的效率和準確性。國內對于YOLOv5的研究和應用也十分活躍。華為云早在2019年便推出基于YOLOv3的目標檢測服務，并隨后升級為YOLOv5，為眾多企業(yè)和開發(fā)者提供了便捷、高效的目標檢測解決方案，廣泛應用于安防監(jiān)控、工業(yè)檢測等領域。北航、清華大學等高校的研究團隊在自動駕駛、工業(yè)檢測等不同領域積極探索YOLOv5的應用。在自動駕駛領域，通過對YOLOv5進行針對性的優(yōu)化和訓練，使其能夠準確檢測道路上的車輛、行人、交通標志等目標，為自動駕駛系統(tǒng)的決策提供關鍵信息；在工業(yè)檢測領域，利用YOLOv5對工業(yè)產品的外觀進行檢測，能夠快速識別產品表面的缺陷和瑕疵，提高產品質量檢測的效率和精度。在煙支檢測相關領域，部分研究聚焦于煙草生產過程中的質量檢測。有學者提出基于機器視覺的煙支外觀質量檢測方法，通過提取煙支的形狀、顏色等特征，利用傳統(tǒng)的圖像處理算法進行缺陷檢測，但這種方法在復雜背景和微小缺陷檢測上存在局限性。也有研究嘗試將深度學習算法應用于煙支質量檢測，如采用卷積神經網(wǎng)絡對煙支空頭、缺嘴等缺陷進行識別，取得了一定的效果，但檢測速度和泛化能力有待提高。然而，當前基于YOLOv5的煙支檢測研究仍存在一些不足與空白。一方面，針對室外復雜環(huán)境下的煙支檢測研究相對較少。室外場景中，煙支可能會受到光照變化、遮擋、背景復雜等多種因素的影響，現(xiàn)有的研究成果難以直接應用于室外環(huán)境，如何提高模型在復雜背景下對煙支的檢測精度和魯棒性，是亟待解決的問題。另一方面，大多數(shù)研究主要關注煙支的存在檢測，對于煙支的狀態(tài)（如是否燃燒、燃燒程度等）檢測研究較少，而準確檢測煙支的狀態(tài)對于預防火災等安全隱患具有重要意義。此外，在模型的實時性和輕量化方面，也需要進一步優(yōu)化，以滿足實際應用中對快速檢測和低資源消耗的需求。1.3研究內容與方法1.3.1研究內容本研究旨在深入探究基于YOLOv5的室外煙支檢測算法，通過對算法的優(yōu)化、數(shù)據(jù)集的精心構建以及模型的有效訓練與測試，實現(xiàn)對室外煙支的高精度、實時檢測。具體研究內容涵蓋以下幾個關鍵方面：YOLOv5算法改進：深入剖析YOLOv5算法在復雜室外環(huán)境下檢測煙支時存在的局限性，從網(wǎng)絡結構優(yōu)化、特征提取與融合、損失函數(shù)改進等多個維度展開研究。在網(wǎng)絡結構方面，嘗試引入注意力機制模塊，如CBAM（ConvolutionalBlockAttentionModule），使模型能夠更加聚焦于煙支目標，增強對小目標煙支的特征提取能力，有效提升檢測精度；針對不同尺度煙支在室外場景中的多樣性，改進特征金字塔網(wǎng)絡（FPN）結構，通過調整不同尺度特征圖的融合方式，使模型更好地適應煙支尺度變化，提高對不同大小煙支的檢測效果。在損失函數(shù)改進上，考慮引入更適合煙支檢測的損失函數(shù)，如CIoU（CompleteIntersectionoverUnion）Loss，以更好地反映預測框與真實框之間的位置關系和重疊程度，從而優(yōu)化模型的訓練過程，提升檢測性能。數(shù)據(jù)集構建：全面收集包含不同場景、光照條件、拍攝角度以及煙支狀態(tài)的室外圖像，構建一個大規(guī)模、高質量的煙支檢測數(shù)據(jù)集。針對數(shù)據(jù)集中可能存在的類別不平衡問題，采用過采樣和欠采樣相結合的方法進行處理。例如，對于煙支數(shù)量較少的類別，利用SMOTE（SyntheticMinorityOver-samplingTechnique）算法進行過采樣，生成更多的合成樣本，以增加該類別的樣本數(shù)量；對于樣本數(shù)量較多的類別，采用隨機欠采樣的方式，減少該類別的樣本數(shù)量，從而使數(shù)據(jù)集中各類別的樣本數(shù)量達到相對平衡，避免模型在訓練過程中對數(shù)量較多的類別產生過擬合現(xiàn)象，提高模型對各類別煙支的檢測能力。同時，對數(shù)據(jù)集中的圖像進行精確標注，確保標注的準確性和一致性，為模型的訓練提供可靠的數(shù)據(jù)支持。模型訓練與優(yōu)化：運用構建好的數(shù)據(jù)集對改進后的YOLOv5模型進行訓練，通過調整超參數(shù)，如學習率、批量大小、迭代次數(shù)等，找到模型的最佳訓練配置。在訓練過程中，采用動態(tài)調整學習率的策略，如余弦退火學習率調整策略，使學習率在訓練初期較大，以加快模型的收斂速度，隨著訓練的進行，學習率逐漸減小，使模型能夠在訓練后期更加精細地調整參數(shù)，提高模型的泛化能力。此外，利用遷移學習技術，將在大規(guī)模通用數(shù)據(jù)集上預訓練的模型參數(shù)遷移到煙支檢測模型中，加快模型的收斂速度，減少訓練時間和計算資源的消耗。通過不斷優(yōu)化訓練過程，提高模型的檢測精度和魯棒性，使其能夠在復雜多變的室外環(huán)境中準確檢測煙支。模型應用與測試：將訓練好的模型部署到實際的室外場景中，如公園、街道、廣場等，對模型的實際檢測效果進行全面測試和評估。通過分析模型在實際應用中的檢測準確率、召回率、誤檢率等指標，進一步優(yōu)化模型，解決實際應用中出現(xiàn)的問題。例如，針對模型在某些復雜場景下出現(xiàn)的誤檢問題，通過增加場景約束條件，如利用背景建模技術對背景進行建模，當檢測到的目標與背景模型差異較大時才判定為煙支，從而降低誤檢率；對于漏檢問題，通過調整檢測閾值、增加檢測層數(shù)等方法，提高模型的召回率，確保模型在實際應用中的穩(wěn)定性和可靠性。1.3.2研究方法本研究綜合運用多種研究方法，以確保研究的科學性和有效性，具體研究方法如下：實驗研究法：搭建實驗環(huán)境，使用Python編程語言和PyTorch深度學習框架，對YOLOv5算法進行改進、模型訓練和測試。在實驗過程中，嚴格控制變量，設置多組對比實驗，以驗證改進算法和模型的性能。例如，在研究注意力機制模塊對模型性能的影響時，設置實驗組和對照組，實驗組在YOLOv5模型中引入注意力機制模塊，對照組則使用原始的YOLOv5模型，通過對比兩組模型在相同數(shù)據(jù)集上的訓練和測試結果，分析注意力機制模塊對模型檢測精度、召回率等指標的影響。同時，不斷調整實驗參數(shù)，優(yōu)化實驗方案，以獲得最佳的實驗效果。對比分析法：將改進后的YOLOv5模型與其他經典的目標檢測模型，如FasterR-CNN、SSD（SingleShotMultiBoxDetector）等進行對比分析。從檢測精度、檢測速度、模型復雜度等多個方面進行評估，分析不同模型在煙支檢測任務中的優(yōu)勢和不足。通過對比分析，突出改進后YOLOv5模型在室外煙支檢測中的性能優(yōu)勢，為模型的實際應用提供有力的支持。例如，在檢測精度對比中，使用相同的測試數(shù)據(jù)集，分別計算不同模型的平均精度均值（mAP），通過比較mAP值的大小，直觀地展示改進后YOLOv5模型在檢測精度上的提升；在檢測速度對比中，記錄不同模型處理單張圖像所需的時間，分析模型的實時性表現(xiàn)。文獻研究法：廣泛查閱國內外關于目標檢測、YOLOv5算法以及煙支檢測的相關文獻，了解該領域的研究現(xiàn)狀、發(fā)展趨勢和前沿技術。通過對文獻的梳理和分析，總結前人的研究成果和經驗教訓，為本研究提供理論基礎和技術參考。例如，在研究YOLOv5算法的改進方向時，參考相關文獻中提出的網(wǎng)絡結構改進方法、特征提取與融合技術以及損失函數(shù)優(yōu)化策略等，結合本研究的實際需求，提出適合室外煙支檢測的算法改進方案。同時，關注最新的研究動態(tài)，及時將新的技術和方法應用到本研究中，確保研究的創(chuàng)新性和前沿性。二、YOLOv5算法原理與分析2.1YOLO系列算法發(fā)展歷程YOLO（YouOnlyLookOnce）系列算法在目標檢測領域具有重要地位，其發(fā)展歷程見證了目標檢測技術的不斷進步與創(chuàng)新。2015年，YOLOv1橫空出世，它打破了傳統(tǒng)目標檢測算法采用雙階段（Two-Stage）的模式，將目標檢測任務創(chuàng)新性地轉化為一個回歸問題，通過一個神經網(wǎng)絡同時預測多個邊界框和類別概率。YOLOv1將輸入圖像劃分為S×S的網(wǎng)格，每個網(wǎng)格預測B個邊界框及其置信度，以及C個類別概率。這種端到端的單階段檢測方式，極大地提高了檢測速度，能夠在實時速度下處理圖像，每秒可處理45幀（fps），在PASCALVOC2007數(shù)據(jù)集上mAP達到63.4%，為實時目標檢測開辟了新的道路。然而，YOLOv1也存在一些明顯的局限性，例如定位精度不高，由于每個網(wǎng)格只能預測有限數(shù)量的目標，當目標過多或目標尺寸過小、分布復雜時，檢測效果不佳；對小目標不友好，網(wǎng)格劃分導致分辨率受限，小目標易被漏檢；召回率低，回歸邊界框的方式較為粗糙，難以全面準確地檢測出所有目標。為了克服這些問題，2016年YOLOv2應運而生。YOLOv2引入了多項關鍵改進，使其性能得到顯著提升。在網(wǎng)絡結構上，采用了更深的Darknet-19作為主干網(wǎng)絡，共包含19層卷積層+5層最大池化層，通過廣泛使用3×3卷積與1×1卷積的組合，并在所有卷積層后加入BatchNormalization，不僅加速了模型的收斂，還提高了模型的穩(wěn)定性。同時，YOLOv2引入了AnchorBoxes（先驗框）機制，類似于FasterR-CNN、SSD的方法，每個網(wǎng)格單元可以輸出多個候選框，從而大幅提高了對多目標、不同尺度目標的適應性，有效提升了小目標的檢測效果。此外，還采用了k-means聚類生成anchor尺寸，使anchor尺寸更適應數(shù)據(jù)集；引入多尺度訓練，在不同分辨率的圖像上訓練模型，讓模型對不同大小的目標具有更強的魯棒性。在檢測精度上，YOLOv2相比YOLOv1有了顯著提高，并且在保持較快檢測速度的同時，能夠檢測更多種類的目標，通過WordTree層次結構和混合數(shù)據(jù)集（有標簽和無標簽數(shù)據(jù)）進行訓練，實現(xiàn)了分類和檢測的聯(lián)合優(yōu)化，可檢測9000多種類別，即YOLO9000。2018年發(fā)布的YOLOv3在YOLOv2的基礎上進一步改進。它采用了新的骨干網(wǎng)絡Darknet-53，該網(wǎng)絡比之前的網(wǎng)絡更深，且采用了殘差結構（ResNet-like），能夠提取更豐富的特征，有效緩解了深層網(wǎng)絡訓練中的梯度消失問題。在檢測方式上，YOLOv3采用了多尺度預測策略，在三個不同尺度上進行檢測，分別處理大、中、小目標，通過融合不同層級的特征圖（FPN結構），更好地檢測不同大小的目標，顯著提升了對小目標的檢測能力。每個網(wǎng)格單元預測3個anchorboxes，使得每個單元可以預測更多的框，提高了密集目標檢測的效果。在性能上，YOLOv3在保持實時檢測速度的同時，大幅提升了精度（AP值），在目標檢測領域取得了更好的平衡。2020年，YOLOv4的推出再次為目標檢測領域帶來了新的突破。YOLOv4使用CSPDarknet53作為骨干網(wǎng)絡，通過CSPNet（CrossStagePartialNetwork）優(yōu)化了Darknet53，減少了計算量的同時提高了準確性。在訓練技巧方面，引入了一系列不增加推理成本的技巧，如BagofFreebies（BoF），包括Mosaic數(shù)據(jù)增強、Self-AdversarialTraining（SAT）等，增加了訓練數(shù)據(jù)的多樣性，提高了模型的魯棒性；還引入了BagofSpecials（BoS），包括Mish激活函數(shù)、CIoU損失函數(shù)、SpatialPyramidPooling（SPP）等，進一步提升了模型性能。通過這些改進，YOLOv4在相同計算資源下實現(xiàn)了更高的準確性，同時保持了較快的推理速度，在復雜場景下的目標檢測任務中表現(xiàn)出色。同年發(fā)布的YOLOv5，在繼承了YOLO系列優(yōu)點的基礎上，進行了一系列的優(yōu)化和創(chuàng)新，使其在目標檢測領域具有獨特的優(yōu)勢。在輸入端，采用了Mosaic數(shù)據(jù)增強、自適應錨框計算、自適應圖片縮放等技術。Mosaic數(shù)據(jù)增強通過將四張圖片進行隨機縮放、裁剪、拼接等操作，豐富了訓練數(shù)據(jù)的背景和目標組合，進一步提高了模型的泛化能力；自適應錨框計算能夠自動選擇最優(yōu)的anchorboxes，減少了手動調參的需求，提高了模型對不同數(shù)據(jù)集的適應性；自適應圖片縮放則根據(jù)數(shù)據(jù)集動態(tài)調整圖像縮放比例，避免了因固定縮放比例導致的信息丟失或變形問題。在網(wǎng)絡結構方面，引入了Focus層，它通過切片操作將輸入圖像按通道進行切片，然后拼接并進行卷積操作，在不增加計算量的前提下，實現(xiàn)對輸入圖像的下采樣并增加通道數(shù)，從而更高效地提取初始特征，提升了對小目標的檢測能力；改進了CSP結構，進一步優(yōu)化了CSP網(wǎng)絡，使其在減少計算量的同時保持了良好的特征提取能力。在損失函數(shù)方面，采用了高效的CIoU損失函數(shù)，該函數(shù)不僅考慮了預測框與真實框之間的重疊面積（IoU），還考慮了兩者的中心點距離、縱橫比等因素，能夠更準確地反映預測框與真實框之間的位置關系，從而優(yōu)化模型的訓練過程，提升檢測性能。此外，YOLOv5提供了更好的工程實現(xiàn)和訓練框架，代碼簡潔易懂，易于部署和使用，并且提供了多種規(guī)模的模型（如YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x），以滿足不同應用場景對模型大小、推理速度和檢測精度的需求。在多個基準數(shù)據(jù)集上，YOLOv5的表現(xiàn)均有顯著提升，成為了目標檢測領域中廣泛應用的算法之一。YOLO系列算法從最初的YOLOv1到YOLOv5，每一次版本的更新都在網(wǎng)絡結構、訓練策略、特征提取與融合、損失函數(shù)設計等方面進行了深入的探索與創(chuàng)新，不斷提升目標檢測的精度和速度，使其在計算機視覺領域得到了廣泛的應用和認可。YOLOv5作為YOLO系列的重要版本，憑借其高效的檢測性能、優(yōu)秀的工程實現(xiàn)和靈活的模型配置，在眾多目標檢測任務中發(fā)揮著重要作用，為后續(xù)的研究和應用奠定了堅實的基礎。2.2YOLOv5算法核心原理YOLOv5作為目標檢測領域的先進算法，其核心原理基于獨特的網(wǎng)絡結構設計，通過多組件協(xié)同工作，實現(xiàn)對圖像中目標的快速準確檢測。YOLOv5的網(wǎng)絡結構主要由輸入端、骨干網(wǎng)絡（Backbone）、頸部（Neck）和預測輸出（Head）四個關鍵部分組成。在輸入端，YOLOv5采用了一系列技術來提升模型性能。Mosaic數(shù)據(jù)增強技術是其中的關鍵創(chuàng)新之一，它將四張圖片進行隨機縮放、裁剪、拼接等操作，然后輸入網(wǎng)絡進行訓練。這種方式不僅豐富了訓練數(shù)據(jù)的背景和目標組合，增加了數(shù)據(jù)的多樣性，還能讓模型一次性學習到多個目標的特征，有效提高了模型的泛化能力。例如，在一張包含多個煙支的室外場景圖像中，通過Mosaic數(shù)據(jù)增強，可以將不同角度、光照條件下的煙支與其他背景元素進行組合，使模型學習到更全面的煙支特征，從而更好地應對復雜多變的實際檢測場景。自適應錨框計算則根據(jù)數(shù)據(jù)集的特點自動計算出最優(yōu)的錨框尺寸，減少了人工調參的工作量，提高了模型對不同數(shù)據(jù)集的適應性。自適應圖片縮放技術能夠根據(jù)圖像的尺寸和目標的分布情況，動態(tài)調整圖片的縮放比例，避免了因固定縮放比例導致的目標變形或信息丟失問題，確保在不同分辨率的圖像上都能準確檢測目標。骨干網(wǎng)絡是YOLOv5的核心特征提取模塊，它負責從輸入圖像中提取豐富的特征信息。YOLOv5采用了CSPDarknet53作為骨干網(wǎng)絡，該網(wǎng)絡基于CSPNet（CrossStagePartialNetwork）結構，通過在卷積層之間共享權重，有效地減少了模型的參數(shù)數(shù)量和計算量，同時保持了較高的特征提取效率。CSP結構將基礎層的特征映射劃分為兩部分，一部分直接傳遞到下一層，另一部分則經過一系列卷積操作后再與直接傳遞的部分進行融合。這種設計方式不僅增強了特征傳播的效率，還減少了梯度消失的問題，使得模型能夠更好地學習到圖像的深層特征。在CSPDarknet53中，還使用了大量的3×3和1×1卷積核，通過合理的組合和堆疊，有效地提取了圖像的多尺度特征。例如，在處理室外煙支檢測任務時，CSPDarknet53能夠從復雜的背景中提取出煙支的各種特征，包括形狀、顏色、紋理等，為后續(xù)的檢測任務提供了堅實的基礎。此外，YOLOv5在骨干網(wǎng)絡的開始部分引入了Focus結構，該結構通過切片操作將輸入圖像按通道進行切片，然后拼接并進行卷積操作，在不增加計算量的前提下，實現(xiàn)對輸入圖像的下采樣并增加通道數(shù)，從而更高效地提取初始特征，提升了對小目標的檢測能力。以一張640×640×3的輸入圖像為例，F(xiàn)ocus結構將其切片后拼接成320×320×12的特征圖，再經過1×1卷積操作，得到320×320×64的特征圖，在這個過程中，模型能夠更有效地提取到圖像中的細節(jié)信息，對于小尺寸的煙支也能準確捕捉其特征。頸部網(wǎng)絡位于骨干網(wǎng)絡和預測輸出之間，主要負責對骨干網(wǎng)絡提取的特征進行進一步的融合和處理，以生成更適合預測的特征圖。YOLOv5采用了特征金字塔網(wǎng)絡（FPN）和路徑聚合網(wǎng)絡（PAN）相結合的結構。FPN通過自頂向下的方式，將高層的語義信息與低層的細節(jié)信息進行融合，使得模型能夠同時利用不同層次的特征進行檢測，提高了對不同尺度目標的檢測能力。例如，在檢測不同大小的煙支時，F(xiàn)PN可以將高層的語義特征（對大煙支的特征描述能力強）與低層的細節(jié)特征（對小煙支的特征描述能力強）進行融合，從而更好地檢測出不同尺度的煙支。PAN則是在FPN的基礎上，通過自下而上的路徑聚合，進一步加強了不同層次特征之間的聯(lián)系，使得模型能夠更充分地利用特征信息，提高檢測精度。具體來說，PAN將FPN生成的特征圖再次進行融合，將低層特征圖中的細節(jié)信息傳遞到高層，同時將高層特征圖中的語義信息傳遞到低層，從而實現(xiàn)了特征的雙向流動和充分融合，使模型對煙支的檢測更加準確和穩(wěn)定。預測輸出部分是YOLOv5最終生成檢測結果的模塊。它基于頸部網(wǎng)絡輸出的特征圖，通過一系列的卷積和全連接層，預測出目標的類別和位置信息。YOLOv5采用了多尺度預測策略，在三個不同尺度的特征圖上進行預測，分別對應小、中、大目標。每個尺度的特征圖上的每個網(wǎng)格單元都預測多個邊界框（anchorboxes）及其對應的類別概率和置信度。例如，在小尺度特征圖上，每個網(wǎng)格單元預測3個邊界框，這些邊界框的大小和比例經過精心設計，以適應不同大小的目標。通過這種多尺度預測方式，YOLOv5能夠在不同分辨率的特征圖上檢測到不同大小的煙支，提高了檢測的全面性和準確性。在預測過程中，模型使用了CIoU（CompleteIntersectionoverUnion）損失函數(shù)來優(yōu)化預測結果。CIoU損失函數(shù)不僅考慮了預測框與真實框之間的重疊面積（IoU），還考慮了兩者的中心點距離、縱橫比等因素，能夠更準確地反映預測框與真實框之間的位置關系，從而使模型在訓練過程中能夠更有效地優(yōu)化預測結果，提高檢測精度。在計算CIoU損失時，模型會根據(jù)預測框和真實框的坐標信息，計算它們之間的距離和重疊程度，然后根據(jù)CIoU公式計算損失值，通過反向傳播不斷調整模型的參數(shù)，使得預測框能夠更準確地接近真實框。YOLOv5通過輸入端的數(shù)據(jù)增強和自適應技術、骨干網(wǎng)絡的高效特征提取、頸部網(wǎng)絡的特征融合以及預測輸出的多尺度預測和優(yōu)化損失函數(shù)，實現(xiàn)了快速準確的目標檢測，為室外煙支檢測等實際應用提供了強大的技術支持。2.3YOLOv5在目標檢測中的優(yōu)勢YOLOv5在目標檢測領域展現(xiàn)出多方面的顯著優(yōu)勢，通過與其他經典目標檢測算法在精度、速度、易用性等關鍵指標的對比，以及在實際應用案例中的出色表現(xiàn)，其優(yōu)勢得以充分彰顯。在精度方面，眾多實驗數(shù)據(jù)表明，YOLOv5相較于一些傳統(tǒng)的目標檢測算法有明顯提升。在PASCALVOC2007數(shù)據(jù)集上的實驗中，YOLOv5的平均精度均值（mAP）達到了較高水平，相比早期的YOLOv1，mAP提升了10%以上，甚至超越了一些雙階段檢測算法，如FasterR-CNN。在COCO數(shù)據(jù)集的測試中，YOLOv5的小目標檢測精度（APs）有了顯著提高，相比YOLOv3提升了近10個百分點，這得益于其在網(wǎng)絡結構設計上的優(yōu)化，如引入Focus結構，能更有效地提取小目標的特征；改進的CSP結構增強了特征傳播的效率，使模型對目標特征的學習更加充分，從而提高了檢測精度。在實際的工業(yè)產品檢測應用中，使用YOLOv5對電子元件進行檢測，能夠準確識別出元件表面的微小缺陷，缺陷檢測準確率達到95%以上，遠高于傳統(tǒng)檢測方法的80%準確率，為產品質量控制提供了有力保障。檢測速度是YOLOv5的又一突出優(yōu)勢。作為單階段目標檢測算法，YOLOv5摒棄了復雜的候選區(qū)域生成過程，直接在特征圖上進行目標預測，大大提高了檢測速度。在NVIDIAV100GPU上進行測試時，YOLOv5s模型處理一張640×640分辨率的圖像僅需2.2毫秒，每秒可處理圖像幀數(shù)（FPS）達到450以上，能夠滿足實時檢測的需求，如在視頻監(jiān)控場景中，可以對監(jiān)控視頻進行實時分析，快速檢測出異常目標。與雙階段的FasterR-CNN算法相比，YOLOv5的檢測速度提升了數(shù)倍，F(xiàn)asterR-CNN處理單張圖像通常需要數(shù)十毫秒，在實時性要求較高的場景中難以滿足需求。在自動駕駛領域的目標檢測應用中，YOLOv5能夠快速檢測出道路上的車輛、行人、交通標志等目標，為自動駕駛系統(tǒng)提供及時的決策信息，保障行車安全。實驗數(shù)據(jù)顯示，在相同硬件環(huán)境下，YOLOv5在處理自動駕駛場景圖像時，平均檢測時間比FasterR-CNN縮短了80%以上，極大地提高了自動駕駛系統(tǒng)的響應速度。YOLOv5在易用性方面也具有明顯優(yōu)勢。其代碼開源，并且基于PyTorch框架實現(xiàn)，PyTorch以其簡潔易用、動態(tài)計算圖等特點，使得開發(fā)者能夠輕松地對YOLOv5進行訓練、調試和部署。Ultralytics官方提供了豐富的文檔和示例代碼，即使是對深度學習了解有限的開發(fā)者，也能快速上手，使用YOLOv5進行自定義數(shù)據(jù)集的訓練和目標檢測任務。在實際項目中，某安防公司的開發(fā)團隊在使用YOLOv5搭建智能安防監(jiān)控系統(tǒng)時，通過參考官方文檔和示例代碼，僅用了一周時間就完成了模型的訓練和部署，大大縮短了項目開發(fā)周期。此外，YOLOv5還提供了多種規(guī)模的模型，如YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，開發(fā)者可以根據(jù)不同的應用場景和硬件資源，靈活選擇合適的模型。對于資源受限的嵌入式設備，可以選擇輕量級的YOLOv5n模型，其模型大小僅為2.8MB，在保證一定檢測精度的同時，能夠在低功耗設備上高效運行；而對于對檢測精度要求較高的場景，如醫(yī)學圖像分析，可以選擇YOLOv5x模型，雖然模型較大，但能提供更高的檢測精度。三、室外煙支檢測面臨的挑戰(zhàn)與需求分析3.1室外環(huán)境特點及對煙支檢測的影響室外環(huán)境具有復雜多變的特點，這些特點給煙支檢測帶來了諸多挑戰(zhàn)，嚴重影響了煙支檢測的準確性和穩(wěn)定性。光照變化是室外環(huán)境中最為顯著的因素之一。在一天當中，隨著時間的推移，光照強度和角度會發(fā)生明顯的變化。早晨和傍晚時分，光線較為柔和且角度較低，容易產生較長的陰影，這可能導致煙支部分被陰影遮擋，使得其特征難以被準確提取。例如，在公園的長椅旁，當有人丟棄煙支后，隨著太陽角度的變化，煙支可能會被長椅的陰影覆蓋，從而影響檢測效果。而在中午時分，陽光強烈，煙支表面可能會出現(xiàn)反光現(xiàn)象，導致圖像中煙支的顏色和紋理信息發(fā)生改變，增加了檢測的難度。在不同季節(jié)，光照條件也存在差異。夏季陽光充足，光照強度大；冬季則相對較弱，且日照時間短。此外，天氣狀況如晴天、陰天、雨天等也會對光照產生影響。陰天時，光線均勻但強度較低；雨天時，光線不僅弱，還會受到雨滴的散射和折射影響，使得煙支圖像的對比度降低，細節(jié)信息模糊，進一步加大了煙支檢測的難度。天氣條件的多樣性也是室外煙支檢測面臨的重要挑戰(zhàn)。在雨天，雨滴會遮擋攝像頭的視野，使拍攝到的煙支圖像出現(xiàn)模糊、變形等問題。同時，雨水可能會附著在煙支上，改變煙支的外觀特征，如顏色變深、形狀改變等，導致模型難以準確識別。在雪天，雪花的飄落會干擾圖像的背景，使煙支與背景的區(qū)分度降低。積雪還可能覆蓋煙支，使得煙支完全不可見，從而造成漏檢。大風天氣下，煙支可能會被吹動，處于動態(tài)變化中，這對檢測算法的實時性和跟蹤能力提出了更高的要求。如果算法無法快速準確地捕捉煙支的動態(tài)變化，就容易出現(xiàn)檢測失誤。室外場景的背景干擾極為復雜。街道上，行人、車輛川流不息，建筑物、廣告牌等各種物體交錯林立。這些背景元素的存在使得煙支在圖像中的占比相對較小，容易被忽略。在公園中，花草樹木、垃圾桶、長椅等背景物體種類繁多，且顏色和形狀各異，與煙支的特征可能存在一定的相似性，容易導致誤檢。在一些旅游景區(qū)，游客眾多，背景更加雜亂，煙支可能會與游客攜帶的物品、衣物等混在一起，進一步增加了檢測的難度。此外，不同地區(qū)的室外環(huán)境背景差異較大，如城市與鄉(xiāng)村、商業(yè)區(qū)與住宅區(qū)等，這要求檢測算法具有較強的泛化能力，能夠適應各種不同的背景環(huán)境。在一些特殊場景下，煙支可能會被部分遮擋，如被樹葉、草叢、石塊等物體遮擋。部分遮擋會導致煙支的特征不完整，模型難以根據(jù)不完整的特征進行準確判斷，從而增加漏檢和誤檢的概率。同時，煙支的尺度變化也較為明顯，不同品牌、類型的煙支大小存在差異，而且在圖像中，煙支與攝像頭的距離不同，也會導致其呈現(xiàn)出不同的尺度。當煙支距離攝像頭較遠時，在圖像中所占像素較少，特征提取難度增大，容易被漏檢；當煙支距離攝像頭較近時，雖然特征較為明顯，但可能會出現(xiàn)圖像畸變等問題，影響檢測精度。室外環(huán)境中的復雜光照變化、多樣的天氣條件、復雜的背景干擾以及煙支可能面臨的遮擋和尺度變化等因素，嚴重影響了煙支圖像特征的提取和檢測的準確性，給基于計算機視覺的煙支檢測技術帶來了巨大的挑戰(zhàn)。3.2煙支目標特性分析煙支作為目標物體，其形狀、尺寸、顏色等特性在不同場景下呈現(xiàn)出多樣化的變化，這些變化給基于計算機視覺的檢測算法帶來了諸多挑戰(zhàn)。煙支的形狀通常為細長圓柱體，兩端較為平整，但在實際的室外場景中，由于拍攝角度的不同，煙支在圖像中呈現(xiàn)的形狀會有所差異。當煙支與攝像頭的角度接近垂直時，其在圖像中基本呈現(xiàn)出標準的圓柱形狀；而當煙支傾斜放置時，在圖像中會呈現(xiàn)出橢圓或不規(guī)則的形狀，這增加了形狀特征提取和識別的難度。在一些復雜的背景環(huán)境中，煙支可能會被部分遮擋，導致其形狀不完整，進一步干擾了檢測算法對煙支形狀的判斷。從尺寸方面來看，不同品牌和類型的煙支在長度和直徑上存在一定的差異。一般來說，普通卷煙的長度在80-100毫米之間，直徑約為7-8毫米，而雪茄煙的尺寸則相對較大，長度可達120-150毫米，直徑也更粗。此外，在圖像中，煙支的尺寸還會受到拍攝距離的影響。當煙支距離攝像頭較遠時，在圖像中所占像素較少，細節(jié)特征難以提取，容易被漏檢；當煙支距離攝像頭較近時，雖然特征較為明顯，但可能會出現(xiàn)圖像畸變等問題，影響檢測精度。在不同的拍攝設備和分辨率下，煙支的尺寸在圖像中的表現(xiàn)也會有所不同，這要求檢測算法能夠適應多種尺度變化，準確識別出不同尺寸的煙支。煙支的顏色也是其重要的特征之一。常見的煙支顏色主要為白色、米黃色，濾嘴部分通常為黃色、藍色或其他顏色。然而，在室外環(huán)境中，煙支的顏色會受到光照、污漬等因素的影響而發(fā)生變化。在強光照射下，煙支表面可能會出現(xiàn)反光現(xiàn)象，使得其顏色變亮，與實際顏色產生偏差；在陰暗處，煙支的顏色則會顯得較暗，細節(jié)難以分辨。煙支表面可能會沾染灰塵、泥土等污漬，導致顏色發(fā)生改變，這對基于顏色特征的檢測算法提出了更高的要求，需要算法能夠在顏色變化的情況下準確識別煙支。煙支在不同場景下的姿態(tài)也具有多樣性。它可能水平放置在地面上、垂直插入土壤或其他物體中，或者以傾斜的角度放置在各種支撐物上。不同的姿態(tài)使得煙支在圖像中的輪廓和特征表現(xiàn)不同，增加了檢測的復雜性。煙支周圍的環(huán)境物體也會對其檢測產生干擾，如與煙支顏色相近的小樹枝、煙頭形狀的小石塊等，可能會被誤判為煙支，影響檢測的準確性。煙支的形狀、尺寸、顏色和姿態(tài)等特性在室外復雜環(huán)境中會發(fā)生顯著變化，這些變化對檢測算法的特征提取、目標識別和定位能力提出了嚴峻的挑戰(zhàn)，需要在算法設計和模型訓練過程中充分考慮這些因素，以提高煙支檢測的準確性和魯棒性。3.3實際應用場景對煙支檢測的需求在眾多實際應用場景中，煙支檢測技術發(fā)揮著至關重要的作用，不同場景對煙支檢測在實時性、準確性和穩(wěn)定性方面有著特定且嚴格的需求。在公共場所監(jiān)控場景中，如商場、車站、機場等人員密集區(qū)域，對煙支檢測的實時性要求極高。這些場所人員流動頻繁，一旦有人違規(guī)吸煙，需要迅速檢測并發(fā)出警報，以維護公共場所的環(huán)境秩序和安全。例如，在火車站候車大廳，每分鐘可能有數(shù)百人進出，如果不能及時檢測到吸煙行為，不僅會影響其他乘客的健康，還可能引發(fā)火災等安全事故。因此，檢測系統(tǒng)需要能夠在極短的時間內處理視頻流數(shù)據(jù)，實時反饋檢測結果，一般要求檢測延遲不超過1秒，確保能夠及時制止違規(guī)吸煙行為。準確性也是關鍵因素，由于公共場所背景復雜，存在各種干擾因素，如燈光閃爍、人員走動、物品遮擋等，這要求檢測算法能夠準確識別煙支，避免誤檢和漏檢。誤檢可能會導致不必要的警報，影響公共秩序；漏檢則可能使違規(guī)吸煙行為得不到及時制止，帶來安全隱患。檢測系統(tǒng)的準確性應達到95%以上，以確?？煽康貦z測出吸煙行為。同時，系統(tǒng)需要具備高度的穩(wěn)定性，能夠在長時間連續(xù)運行的情況下，保持穩(wěn)定的檢測性能。公共場所的監(jiān)控設備通常需要24小時不間斷工作，系統(tǒng)應能夠適應不同的環(huán)境變化，如溫度、濕度、電磁干擾等，確保檢測結果的可靠性。森林防火監(jiān)測場景對煙支檢測同樣有著嚴格的要求。森林環(huán)境廣闊且復雜，一旦因未熄滅的煙支引發(fā)火災，將對生態(tài)環(huán)境、生物多樣性和人類生命財產造成巨大損失。因此，煙支檢測需要具備高實時性，能夠及時發(fā)現(xiàn)進入森林區(qū)域的煙支，以便采取相應措施，防止火災發(fā)生。在一些重點林區(qū)，無人機或地面監(jiān)測設備需要實時回傳圖像數(shù)據(jù)，檢測系統(tǒng)應能在數(shù)秒內完成對圖像的分析和煙支檢測，及時發(fā)出預警信號。準確性在森林防火監(jiān)測中尤為重要，森林中存在眾多與煙支外觀相似的物體，如樹枝、樹葉、石塊等，檢測算法必須能夠準確區(qū)分煙支與其他物體，避免誤報。同時，要確保對各種情況下的煙支都能準確檢測，包括在不同光照條件、天氣狀況下的煙支，檢測準確率應達到98%以上。穩(wěn)定性也是森林防火監(jiān)測系統(tǒng)不可或缺的特性，森林環(huán)境惡劣，監(jiān)測設備可能會受到高溫、低溫、強風、暴雨等極端天氣的影響，檢測系統(tǒng)需要具備良好的抗干擾能力和穩(wěn)定性，能夠在各種復雜環(huán)境下正常工作，確保森林防火監(jiān)測的可靠性。在工業(yè)生產區(qū)域，如工廠車間、倉庫等，煙支檢測主要用于安全監(jiān)控，防止因工人違規(guī)吸煙引發(fā)火災，保障生產安全。這里對煙支檢測的實時性要求較高，一旦檢測到煙支，應立即發(fā)出警報，通知相關人員進行處理，一般要求檢測響應時間在3秒以內。準確性同樣不容忽視，工業(yè)環(huán)境中存在大量的機械設備、原材料等，容易對檢測造成干擾，檢測算法需要準確識別煙支，避免誤檢和漏檢，確保檢測準確率達到95%以上。穩(wěn)定性方面，工業(yè)生產區(qū)域通常存在較強的電磁干擾、振動等，檢測系統(tǒng)需要具備良好的抗干擾能力，能夠在復雜的工業(yè)環(huán)境中穩(wěn)定運行，保證生產安全。在一些特定的活動場所，如體育賽事場館、演唱會現(xiàn)場等，人員密集且活動頻繁，對煙支檢測的實時性和準確性要求也很高。在這些場所，一旦發(fā)生吸煙行為，不僅會影響其他觀眾的體驗，還可能引發(fā)安全問題。檢測系統(tǒng)需要能夠快速檢測到煙支，及時制止吸煙行為，確?；顒拥捻樌M行。同時，要準確區(qū)分吸煙行為與其他類似行為，避免誤判，保證檢測的可靠性。不同實際應用場景對煙支檢測在實時性、準確性和穩(wěn)定性方面的需求各有側重，但都對檢測技術提出了較高的要求。只有滿足這些需求，煙支檢測技術才能在實際應用中發(fā)揮其應有的作用，保障公共安全、維護環(huán)境秩序和促進生產安全。四、基于YOLOv5的室外煙支檢測算法改進4.1針對室外環(huán)境的網(wǎng)絡結構優(yōu)化為了提升YOLOv5在室外復雜環(huán)境下對煙支的檢測能力，對其網(wǎng)絡結構進行針對性優(yōu)化是關鍵。在室外環(huán)境中，光照變化、背景復雜、煙支尺度多樣等因素給檢測帶來了巨大挑戰(zhàn)，因此，從調整特征融合方式、增加適應室外環(huán)境的模塊等方面入手，能夠有效增強模型對煙支特征的提取能力。在特征融合方式的調整上，對原有的特征金字塔網(wǎng)絡（FPN）和路徑聚合網(wǎng)絡（PAN）結構進行優(yōu)化。傳統(tǒng)的FPN在融合不同尺度特征圖時，主要通過自上而下的方式將高層語義信息與低層細節(jié)信息相結合，但在室外復雜環(huán)境下，這種融合方式對于煙支特征的提取存在一定局限性。為了更好地融合不同尺度的特征，采用雙向特征融合策略。在自上而下的融合過程中，不僅傳遞高層語義信息，還通過引入注意力機制，讓模型更加關注與煙支相關的特征，增強對煙支的特征表達能力。在自下而上的路徑聚合中，同樣利用注意力機制，突出低層特征圖中煙支的細節(jié)信息，使不同尺度特征圖之間的融合更加充分。具體實現(xiàn)時，在FPN的每一層融合中，添加通道注意力模塊（如SE模塊）和空間注意力模塊（如CBAM模塊）。以SE模塊為例，它通過對通道維度的特征進行加權，使模型能夠自動學習到每個通道特征的重要程度，對于與煙支相關的通道給予更高的權重，從而增強煙支特征的提取。在PAN的自下而上路徑中，將CBAM模塊嵌入到特征融合層，通過對空間維度的注意力計算，突出煙支在圖像中的位置信息，使模型能夠更準確地定位煙支。針對室外環(huán)境的復雜性，增加適應室外環(huán)境的模塊是提升檢測性能的重要手段。引入圖像增強模塊，該模塊在數(shù)據(jù)預處理階段對圖像進行多模態(tài)增強處理。除了傳統(tǒng)的Mosaic數(shù)據(jù)增強外，還增加了針對室外光照和天氣條件的增強方式。對于光照變化，通過隨機調整圖像的亮度、對比度和飽和度，模擬不同時間和天氣下的光照情況，使模型能夠適應各種光照條件下的煙支檢測。在雨天場景中，通過在圖像中添加雨滴噪聲、模糊效果等，模擬真實的雨天環(huán)境，增強模型對雨天煙支圖像的處理能力；在雪天場景中，添加雪花噪聲、調整圖像的色溫等，讓模型學習到雪天環(huán)境下煙支的特征。這樣可以豐富訓練數(shù)據(jù)的多樣性，提高模型對室外復雜環(huán)境的適應性。為了更好地處理煙支在室外可能出現(xiàn)的遮擋和尺度變化問題，在骨干網(wǎng)絡中增加尺度自適應模塊。該模塊基于可變形卷積（DeformableConvolution）技術，能夠根據(jù)煙支的尺度和形狀自動調整卷積核的大小和位置。在檢測被部分遮擋的煙支時，可變形卷積能夠自適應地捕捉到煙支的有效特征，避免因遮擋而導致的漏檢。在處理不同尺度的煙支時，尺度自適應模塊可以根據(jù)煙支在圖像中的大小動態(tài)調整卷積核的感受野，使模型能夠更準確地提取不同尺度煙支的特征。例如，對于小尺度煙支，卷積核的感受野自動縮小，以捕捉其細微特征；對于大尺度煙支，感受野則相應增大，獲取更全面的特征信息。在頸部網(wǎng)絡中引入空間金字塔池化（SPP）模塊的變體，以增強模型對不同尺度煙支的特征融合能力。傳統(tǒng)的SPP模塊通過不同大小的池化核進行池化操作，然后將池化結果拼接起來，從而獲得多尺度的特征表示。在室外煙支檢測中，對SPP模塊進行改進，采用自適應的池化核大小選擇策略。根據(jù)輸入圖像中煙支的尺度分布情況，動態(tài)調整池化核的大小，使模型能夠更有效地融合不同尺度煙支的特征。如果圖像中存在較多小尺度煙支，則適當減小池化核的大小，以保留更多的細節(jié)信息；如果大尺度煙支較多，則增大池化核的大小，獲取更宏觀的特征。通過對YOLOv5網(wǎng)絡結構在特征融合方式和適應室外環(huán)境模塊方面的優(yōu)化，可以有效增強模型在復雜室外環(huán)境下對煙支的特征提取能力，為提高煙支檢測的準確性和魯棒性奠定堅實的基礎。4.2數(shù)據(jù)增強與預處理方法改進為了提升YOLOv5在室外煙支檢測中的性能，針對室外環(huán)境的復雜特性，對數(shù)據(jù)增強與預處理方法進行了創(chuàng)新改進，以提高數(shù)據(jù)的多樣性和質量，增強模型的泛化能力。在數(shù)據(jù)增強方面，除了傳統(tǒng)的數(shù)據(jù)增強技術，如隨機翻轉、旋轉、縮放等，還著重引入了模擬不同光照、天氣條件下的數(shù)據(jù)生成技術。針對光照變化，通過隨機調整圖像的亮度、對比度和飽和度，模擬出早晨、中午、傍晚等不同時間段的光照強度和色溫變化，以及晴天、陰天、雨天等不同天氣下的光照效果。在處理一張包含煙支的室外公園圖像時，通過降低亮度和增加藍色調，模擬陰天的光照條件；通過提高亮度和增加黃色調，模擬中午強烈陽光照射的場景。這樣可以讓模型學習到不同光照條件下煙支的特征，增強對光照變化的適應性。對于天氣條件的模擬，采用了多種方法。在雨天場景模擬中，通過在圖像中添加雨滴噪聲和模糊效果，模擬真實的雨天環(huán)境。具體實現(xiàn)時，使用高斯模糊算法對圖像進行模糊處理，以模擬雨滴對光線的散射和折射效果，同時在圖像上隨機生成雨滴形狀的噪聲點，使圖像更接近雨天拍攝的實際情況。在雪天場景模擬中，添加雪花噪聲、調整圖像的色溫，使圖像呈現(xiàn)出雪天的冷色調和雪花飄落的效果。通過在圖像上隨機生成白色的雪花形狀的噪聲點，并降低圖像的色溫，營造出雪天的氛圍。這樣可以讓模型學習到不同天氣條件下煙支的外觀變化，提高在復雜天氣下的檢測能力。在圖像預處理方面，提出了一種改進的自適應圖像增強算法。該算法首先對圖像進行灰度化處理，將彩色圖像轉換為灰度圖像，以減少數(shù)據(jù)量和計算復雜度。通過直方圖均衡化對圖像的對比度進行增強，使圖像的灰度分布更加均勻，突出煙支的特征?？紤]到室外環(huán)境中背景的復雜性，采用了基于局部區(qū)域的自適應直方圖均衡化（CLAHE）方法，該方法能夠根據(jù)圖像局部區(qū)域的特點，自適應地調整直方圖，進一步增強煙支與背景的對比度，同時避免了全局直方圖均衡化可能導致的圖像細節(jié)丟失問題。為了進一步去除圖像中的噪聲干擾，采用了雙邊濾波算法。雙邊濾波不僅考慮了像素之間的空間距離，還考慮了像素的灰度值差異，能夠在平滑圖像的同時保留圖像的邊緣信息，對于煙支這種邊緣特征明顯的目標具有較好的處理效果。在處理包含煙支的室外圖像時，雙邊濾波可以有效地去除圖像中的高斯噪聲和椒鹽噪聲，使煙支的邊緣更加清晰，提高特征提取的準確性。針對室外煙支檢測中可能出現(xiàn)的煙支部分遮擋問題，在數(shù)據(jù)增強過程中增加了遮擋模擬。通過在圖像中隨機生成不同形狀和大小的遮擋物，如圓形、矩形等，模擬煙支被樹葉、草叢、石塊等物體遮擋的情況。在一張拍攝于草地的煙支圖像中，隨機生成圓形的遮擋物，模擬煙支被草叢遮擋的場景，使模型能夠學習到部分遮擋情況下煙支的特征，提高對遮擋煙支的檢測能力。通過上述數(shù)據(jù)增強與預處理方法的改進，能夠有效提高室外煙支檢測數(shù)據(jù)的多樣性和質量，使模型學習到更豐富的煙支特征，增強模型在復雜室外環(huán)境下的泛化能力，為基于YOLOv5的室外煙支檢測算法提供更優(yōu)質的數(shù)據(jù)支持。4.3損失函數(shù)與訓練策略優(yōu)化在室外煙支檢測任務中，現(xiàn)有損失函數(shù)在復雜環(huán)境下存在一定的局限性，影響了模型的檢測精度和收斂速度。因此，對損失函數(shù)進行改進，并優(yōu)化訓練策略，是提升模型性能的關鍵。傳統(tǒng)的YOLOv5采用CIoU（CompleteIntersectionoverUnion）損失函數(shù)，該函數(shù)在計算預測框與真實框之間的損失時，考慮了重疊面積、中心點距離和縱橫比等因素，在一定程度上提高了目標檢測的精度。然而，在室外煙支檢測場景中，由于煙支目標較小且易受光照、遮擋等因素影響，CIoU損失函數(shù)仍存在一些不足。當煙支部分被遮擋時，預測框與真實框的重疊面積計算可能不準確，導致?lián)p失計算偏差，影響模型對煙支位置的準確預測。而且，在不同光照條件下，煙支的外觀特征變化較大，CIoU損失函數(shù)難以充分適應這些變化，使得模型在復雜光照環(huán)境下的檢測性能下降。為了克服這些問題，提出一種改進的損失函數(shù)——加權CIoU損失函數(shù)（W-CIoULoss）。該損失函數(shù)在CIoU損失函數(shù)的基礎上，引入了權重系數(shù)，以對不同場景下的煙支檢測進行自適應調整。對于光照變化較大的圖像區(qū)域，賦予更高的權重，使模型更加關注這些區(qū)域中煙支的檢測；對于遮擋部分的煙支，通過調整權重，減少因重疊面積計算不準確對損失的影響。具體實現(xiàn)時，根據(jù)圖像的光照強度和遮擋情況，動態(tài)計算權重系數(shù)。在圖像預處理階段，利用光照檢測算法獲取圖像的光照強度信息，根據(jù)光照強度的變化范圍，將圖像劃分為不同的區(qū)域，并為每個區(qū)域分配相應的權重。對于遮擋部分，通過圖像分割算法識別出遮擋區(qū)域，在計算損失時，對遮擋區(qū)域內的煙支預測框賦予較小的權重，以避免因遮擋導致的損失計算偏差。通過這種方式，W-CIoU損失函數(shù)能夠更好地適應室外復雜環(huán)境，提高模型對煙支的檢測精度。在訓練策略方面，采用動態(tài)調整學習率和優(yōu)化訓練批次的方法，以提高模型的收斂速度和穩(wěn)定性。傳統(tǒng)的固定學習率在訓練過程中可能導致模型收斂速度慢，且容易陷入局部最優(yōu)解。為了解決這個問題，采用余弦退火學習率調整策略。在訓練初期，設置較大的學習率，使模型能夠快速更新參數(shù)，加快收斂速度；隨著訓練的進行，學習率按照余弦函數(shù)的形式逐漸減小，使模型在訓練后期能夠更加精細地調整參數(shù)，避免過擬合。在訓練的前10個epoch，將學習率設置為0.001，從第11個epoch開始，學習率按照余弦退火公式進行調整，使模型在訓練過程中能夠更好地平衡收斂速度和精度。優(yōu)化訓練批次大小也是提高訓練效率的重要手段。根據(jù)數(shù)據(jù)集的特點和模型的內存需求，動態(tài)調整訓練批次大小。在訓練初期，由于模型參數(shù)尚未收斂，采用較小的訓練批次，如32，以減少內存消耗，提高訓練的穩(wěn)定性；隨著訓練的進行，當模型參數(shù)逐漸穩(wěn)定后，增大訓練批次大小，如64或128，以加快模型的訓練速度，充分利用計算資源。在訓練的前5個epoch，使用32的訓練批次，從第6個epoch開始，將訓練批次增大到64，這樣可以在保證模型訓練穩(wěn)定性的同時，提高訓練效率。為了進一步提高模型的泛化能力，在訓練過程中增加正則化項。采用L2正則化，對模型的權重進行約束，防止模型過擬合。在損失函數(shù)中添加L2正則化項，通過調整正則化系數(shù)，平衡模型的復雜度和泛化能力。設置正則化系數(shù)為0.0001，使模型在訓練過程中能夠更好地學習到煙支的特征，同時避免過擬合現(xiàn)象的發(fā)生。通過改進損失函數(shù)和優(yōu)化訓練策略，能夠有效提高模型在室外煙支檢測任務中的收斂速度和檢測精度，增強模型對復雜環(huán)境的適應性，為實際應用提供更可靠的技術支持。五、實驗設計與結果分析5.1實驗數(shù)據(jù)集構建為了實現(xiàn)對室外煙支的精準檢測，構建高質量、多樣化的數(shù)據(jù)集是基礎。本研究通過多渠道、多場景的圖像采集，結合專業(yè)的標注方法，構建了一個適用于室外煙支檢測的數(shù)據(jù)集。在數(shù)據(jù)采集階段，為確保數(shù)據(jù)集能夠覆蓋各種復雜的室外環(huán)境，采用了多種方式進行圖像獲取。利用高清攝像頭在不同時間段，包括早晨、中午、傍晚以及夜晚，在公園、街道、廣場、停車場等多個室外場景進行實地拍攝。在公園場景中，拍攝了煙支在草坪、長椅、垃圾桶周圍等不同位置的圖像；在街道場景中，拍攝了煙支在人行道、馬路邊、公交站臺等位置的圖像。為了模擬不同的天氣條件，還在晴天、陰天、雨天等天氣下進行拍攝。在雨天拍攝時，重點捕捉煙支在潮濕地面、被雨水淋濕等狀態(tài)下的圖像；在陰天拍攝時，關注煙支在低光照、光線均勻條件下的特征。除了實地拍攝，還從互聯(lián)網(wǎng)上收集了大量與室外煙支相關的圖像，這些圖像來自新聞報道、社交媒體等，進一步豐富了數(shù)據(jù)集的多樣性。經過篩選和去重，最終收集到了5000張高質量的圖像。數(shù)據(jù)標注是保證數(shù)據(jù)集質量的關鍵環(huán)節(jié)。本研究使用專業(yè)的圖像標注工具LabelImg進行標注。在標注過程中，嚴格遵循標注規(guī)范，確保標注的準確性和一致性。對于每一張圖像中的煙支，使用矩形框精確框選其位置，并標注為“cigarette”類別。為了提高標注的準確性，安排了多名專業(yè)標注人員進行標注，并對標注結果進行交叉檢查和審核。對于存在爭議的標注，通過討論和重新確認，確保標注的準確性。為了應對煙支在室外可能出現(xiàn)的部分遮擋情況，在標注時特別注意將被遮擋部分的煙支也盡可能完整地框選出來，并在備注中說明遮擋情況。數(shù)據(jù)集構建完成后，對其進行了合理的劃分。按照70%、20%、10%的比例將數(shù)據(jù)集劃分為訓練集、驗證集和測試集。訓練集用于模型的訓練，包含3500張圖像，這些圖像涵蓋了各種場景、光照條件和煙支狀態(tài)，能夠充分訓練模型的特征提取和識別能力。驗證集包含1000張圖像，用于在模型訓練過程中評估模型的性能，調整模型的超參數(shù)，防止模型過擬合。測試集包含500張圖像，用于對訓練好的模型進行最終的性能評估，以確保模型在未見過的數(shù)據(jù)上具有良好的泛化能力。在數(shù)據(jù)分布方面，對不同場景、光照條件和煙支狀態(tài)的圖像進行了均衡處理，以避免數(shù)據(jù)集中某一類數(shù)據(jù)過多或過少。在不同場景的圖像分布上，公園、街道、廣場、停車場等場景的圖像數(shù)量大致相等，各占一定比例，確保模型能夠學習到不同場景下煙支的特征。對于光照條件，晴天、陰天、雨天等不同天氣下的圖像也進行了均衡分布，使模型能夠適應各種光照變化。在煙支狀態(tài)方面，包括完整煙支、半截煙支、燃燒煙支、熄滅煙支等不同狀態(tài)的圖像都有合理的比例，以提高模型對不同狀態(tài)煙支的檢測能力。通過這種均衡的數(shù)據(jù)分布，能夠有效提高模型的泛化能力和魯棒性，使其在復雜的室外環(huán)境中能夠準確檢測煙支。5.2實驗環(huán)境與設置本實驗在硬件和軟件方面均進行了精心配置，以確保模型訓練和測試的高效性與準確性。硬件平臺選用了NVIDIARTX3090GPU，其強大的并行計算能力為深度學習模型的訓練提供了充足的算力支持，能夠顯著加速模型的訓練過程，減少訓練時間。搭配IntelCorei9-12900KCPU，具有較高的單核和多核性能，在數(shù)據(jù)處理和模型運算過程中能夠快速響應，確保系統(tǒng)的整體運行效率。內存方面采用了64GBDDR43600MHz高頻內存，為模型訓練過程中的數(shù)據(jù)存儲和讀取提供了足夠的空間和速度，避免因內存不足或讀寫速度慢而影響訓練效果。硬盤選用了1TB的NVMeSSD固態(tài)硬盤，其高速的數(shù)據(jù)讀寫速度能夠快速加載訓練數(shù)據(jù)和模型參數(shù)，減少數(shù)據(jù)讀取時間，提高訓練效率。在軟件環(huán)境上，操作系統(tǒng)采用了Windows10專業(yè)版，該系統(tǒng)具有良好的兼容性和穩(wěn)定性，能夠支持各種深度學習框架和工具的運行。深度學習框架選用了PyTorch1.10.0，它以其簡潔易用、動態(tài)計算圖等特點，為YOLOv5模型的開發(fā)和訓練提供了便捷的環(huán)境。在PyTorch框架下，能夠方便地進行模型的搭建、訓練和優(yōu)化，并且可以利用其豐富的庫和工具，如torchvision等，進行數(shù)據(jù)處理和模型評估。CUDA11.3作為NVIDIA推出的并行計算平臺和編程模型，能夠充分發(fā)揮NVIDIARTX3090GPU的性能，加速深度學習模型的訓練過程。cuDNN8.2.1是NVIDIA提供的深度神經網(wǎng)絡庫，與CUDA配合使用，能夠進一步優(yōu)化深度學習模型的計算效率，提高模型的訓練速度。Python3.8作為主要的編程語言，其豐富的第三方庫和簡潔的語法結構，為數(shù)據(jù)處理、模型訓練和結果分析提供了便利。在數(shù)據(jù)處理方面，使用了numpy、pandas等庫進行數(shù)據(jù)的讀取、處理和分析；在模型訓練過程中，使用了tqdm庫來顯示訓練進度條，方便監(jiān)控訓練過程。在模型訓練的超參數(shù)設置上，初始學習率設置為0.001，這是在多次實驗和經驗總結的基礎上確定的，能夠在訓練初期使模型快速收斂。學習率調整策略采用了余弦退火策略，隨著訓練的進行，學習率按照余弦函數(shù)的形式逐漸減小，使模型在訓練后期能夠更加精細地調整參數(shù)，避免過擬合現(xiàn)象的發(fā)生。動量設置為0.937，它能夠在模型訓練過程中加快參數(shù)的更新速度，提高模型的收斂速度，同時保持模型的穩(wěn)定性。權重衰減設置為0.0005，用于防止模型過擬合，通過對模型權重進行約束，使模型更加泛化，能夠適應不同的測試數(shù)據(jù)。訓練批次大小設置為32，這個值是根據(jù)硬件資源和數(shù)據(jù)集大小進行權衡確定的，既能充分利用GPU的計算資源，又能保證訓練過程的穩(wěn)定性。迭代次數(shù)設置為300次，通過多次實驗驗證，在這個迭代次數(shù)下，模型能夠充分學習到數(shù)據(jù)集中的特征，達到較好的檢測性能。在數(shù)據(jù)增強方面，除了常規(guī)的數(shù)據(jù)增強方法外，還增加了針對室外環(huán)境的特殊增強方式，如模擬不同光照、天氣條件下的數(shù)據(jù)生成技術，以提高模型對復雜室外環(huán)境的適應性。通過上述實驗環(huán)境的搭建和超參數(shù)設置，為基于YOLOv5的室外煙支檢測算法的研究提供了良好的基礎，能夠有效驗證算法的性能和效果。5.3實驗結果與對比分析在完成模型訓練和測試后，對改進后的YOLOv5模型在室外煙支檢測任務中的性能進行了全面評估，并與其他先進算法進行對比，以驗證改進算法的有效性和優(yōu)勢。5.3.1實驗結果展示經過300次迭代訓練，改進后的YOLOv5模型在測試集上取得了優(yōu)異的檢測結果。在500張測試圖像中，模型能夠準確檢測出大部分煙支，對不同場景、光照條件和煙支狀態(tài)下的煙支都有較好的識別能力。在晴天的公園場景中，模型能夠準確檢測出草坪上、長椅旁的煙支，無論是完整的煙支還是半截煙支，都能被準確識別；在陰天的街道場景中，盡管光線較暗，模型依然能夠清晰地定位煙支，檢測效果穩(wěn)定。對于被部分遮擋的煙支，改進后的模型也能憑借其優(yōu)化的特征提取能力，盡可能準確地檢測出煙支的位置和類別。在一張煙支被樹葉部分遮擋的圖像中，模型成功檢測出了煙支，雖然檢測框存在一定的偏差，但依然能夠準確識別出煙支的類別，展示了模型較強的魯棒性。從檢測結果的可視化來看，改進后的模型能夠在圖像上準確繪制出煙支的檢測框，并標注出相應的類別和置信度。在一些復雜場景的圖像中，模型能夠快速準確地定位煙支，即使煙支周圍存在大量干擾物體，如行人、車輛、垃圾桶等，模型也能準確區(qū)分煙支與其他物體，檢測框的位置和大小與煙支實際位置高度吻合，置信度大多在0.8以上，表明模型對檢測結果具有較高的可信度。5.3.2性能指標對比為了全面評估改進后YOLOv5模型的性能，將其與其他經典目標檢測算法進行對比，包括FasterR-CNN、SSD和未改進的YOLOv5模型。對比指標主要包括平均精度均值（mAP）、召回率（Recall）、準確率（Precision）和檢測速度（FPS）。在mAP指標上，改進后的YOLOv5模型在測試集上達到了90.5%，相比未改進的YOLOv5模型提升了5.2個百分點，超過FasterR-CNN的85.3%和SSD的80.1%。這表明改進后的模型在檢測精度上有顯著提升，能夠更準確地識別出煙支，減少誤檢和漏檢的情況。在召回率方面，改進后的YOLOv5模型達到了88.3%，同樣優(yōu)于其他對比算法，說明模型能夠盡可能多地檢測出實際存在的煙支，提高了檢測的全面性。準確率上，改進后的YOLOv5模型為92.1%，在復雜的室外環(huán)境中，能夠有效區(qū)分煙支與其他干擾物體，保持較高的判斷準確性。在檢測速度上，改進后的YOLOv5模型依然保持了較高的實時性。在NVIDIARTX3090GPU上，模型處理一張640×640分辨率的圖像平均僅需2.5毫秒，每秒可處理圖像幀數(shù)（FPS）達到400，略低于未改進的YOLOv5模型（450FPS），但遠高于FasterR-CNN（50FPS）和SSD（100FPS）。雖然檢測速度稍有下降，但考慮到改進后的模型在檢測精度上的大幅提升，這種性能犧牲是可以接受的，且依然能夠滿足大部分實時檢測場景的需求。5.3.3對比分析通過與其他算法的對比分析可以看出，改進后的YOLOv5模型在室外煙支檢測任務中具有明顯的優(yōu)勢。在精度方面，通過對網(wǎng)絡結構的優(yōu)化，如調整特征融合方式、增加適應室外環(huán)境的模塊，以及改進損失函數(shù)和數(shù)據(jù)增強方法，模型能夠更好地提取煙支在復雜室外環(huán)境下的特征，從而提高了檢測精度。在召回率的提升上，改進后的多尺度特征融合策略和對小目標檢測能力的增強，使得模型能夠檢測到更多的煙支，包括被遮擋和小尺寸的煙支。在檢測速度方面，雖然改進后的模型由于增加了一些計算量導致速度稍有下降，但依然保持了較高的實時性。這得益于模型在設計上的優(yōu)化，如采用高效的卷積操作和輕量級的網(wǎng)絡結構，在保證精度提升的同時，盡可能減少對檢測速度的影響。與雙階段的FasterR-CNN算法相比，改進后的YOLOv5模型在檢測精度和速度上都具有明顯優(yōu)勢，F(xiàn)asterR-CNN雖然在某些場景下檢測精度較高，但檢測速度較慢，難以滿足實時檢測的需求；與SSD算法相比，改進后的YOLOv5模型在精度和召回率上都有較大提升，能夠更好地適應復雜的室外煙支檢測任務。改進后的YOLOv5模型在室外煙支檢測任務中，在檢測精度、召回率和實時性之間取得了較好的平衡，能夠有效應對室外復雜環(huán)境下的煙支檢測挑戰(zhàn)，具有較高的實際應用價值。5.4模型性能評估為全面評估改進后YOLOv5模型在室外煙支檢測中的性能，采用準確率（Precision）、召回率（Recall）、F1值等多個關鍵指標，對模型在不同復雜場景下的檢測表現(xiàn)進行深入分析。準確率反映了模型預測為煙支的樣本中，實際為煙支的比例，計算公式為：Precision=\frac{TP}{TP+FP}，其中TP（TruePositive）表示真正例，即模型正確預測為煙支的樣本數(shù)量；FP（FalsePositive）表示假正例，即模型錯誤預測為煙支的樣本數(shù)量。召回率體現(xiàn)了實際為煙支的樣本中，被模型正確檢測到的比例，計算公式為：Recall=\frac{TP}{TP+FN}，F(xiàn)N（FalseNegative）表示假反例，即實際為煙支但被模型錯誤預測為其他類別的樣本數(shù)量。F1值則綜合考慮了準確率和召回率，是兩者的調和平均數(shù)，計算公式為：F1=\frac{2\timesPrecision\timesRecall}{Precision+Recall}，F(xiàn)1值越高，說明模型在準確率和召回率之間的平衡越好，檢測性能越優(yōu)。在不同場景下，改進后的模型展現(xiàn)出了不同的性能表現(xiàn)。在公園場景中，由于背景相對較為自然，干擾因素主要來自于花草樹木和少量的設施，模型的準確率達到了93.5%，召回率為89.2%，F(xiàn)1值為91.3%。這表明在該場景下，模型能夠準確地區(qū)分煙支與自然背景物體，將大部分煙支正確檢測出來，且誤檢率較低。在晴天光照充足時，模型對煙支的檢測效果尤為出色，能夠清晰地識別出煙支的輪廓和特征，準確繪制檢測框；但在傍晚光線較暗時，部分煙支的檢測準確率略有下降，主要是因為光線不足導致煙支特征提取難度增加，出現(xiàn)了少量誤檢和漏檢的情況。在街道場景中，由于行人、車輛往來頻繁，背景復雜，模型的準確率為91.2%，召回率為87.5%，F(xiàn)1值為89.3%。雖然模型仍能保持較高的檢測性能，但相比公園場景，性能略有下降。在該場景下，行人手中的類似煙支的物體（如筆、吸管等）和車輛上的反光部分容易干擾模型的判斷，導致誤檢。由于車輛和行人的快速移動，可能會使煙支在圖像中出現(xiàn)模糊或短暫遮擋的情況，增加了檢測難度，導致部分煙支被漏檢。在停車場場景中，模型的準確率為92.8%，召回率為88.7%，F(xiàn)1值為90.7%。停車場內車輛停放密集，地面標識和陰影較多，這些因素對模型的檢測有一定影響。一些車輛的顏色和形狀可能與煙支有一定相似性，容易造成誤檢；地面上的陰影也可能會遮擋煙支，影響模型對煙支的識別。不過，總體來說，模型在該場景下仍能保持較好的檢測性能，能夠準確檢測出大部分煙支。通過對不同場景下模型性能的評估分析，可以看出改進后的YOLOv5模型在室外煙支檢測中具有較強的優(yōu)勢。模型通過優(yōu)化的網(wǎng)絡結構和特征提取方式，能夠有效地處理復雜背景下的煙支檢測任務，在準確率和召回率方面都取得了較好的成績，F(xiàn)1值也較高，表明模型在不同場景下都能在一定程度上平衡準確率和召回率，實現(xiàn)較為準確和全面的煙支檢測。模型也存在一些局限性。在極端光照條件下，如強光直射或夜晚低光照環(huán)境，模型的檢測性能會受到較大影響，準確率和召回率都會有所下降；對于被嚴重遮擋的煙支，模型的檢測能力也有待提高，容易出現(xiàn)漏檢的情況。未來的研究可以針對這些局限性，進一步優(yōu)化模型，提高其在各種復雜環(huán)境下的魯棒性和檢測性能。六、室外煙支檢測算法的應用案例與實踐6.1實際場景應用案例展示為直觀展現(xiàn)改進后基于YOLOv5的室外煙支檢測算法的實際應用價值，以下將詳細介紹該算法在公共場所監(jiān)控和工業(yè)廠區(qū)安全監(jiān)測等典型場景中的具體應用案例。在某大型商業(yè)廣場，人流量大且環(huán)境復雜，違規(guī)吸煙行為時有發(fā)生，不僅影響其他顧客的購物體驗，還存在火災隱患。為有效解決這一問題，管理部門部署了基于改進YOLOv5算法的煙支檢測系統(tǒng)。該系統(tǒng)通過廣場內的多個監(jiān)控攝像頭實時采集視頻圖像，利用改進后的YOLOv5模型對視頻流進行分析處理。在實際運行過程中，系統(tǒng)能夠快速準確地檢測出吸煙行為。在一個繁忙的周末下午，監(jiān)控畫面中一名顧客在商場角落吸煙，系統(tǒng)在0.5秒內迅速檢測到煙支，立即觸發(fā)警報，并將報警信息發(fā)送至安保人員的移動終端，同時在監(jiān)控中心的屏幕上突出顯示吸煙位置。安保人員在接到警報后，迅速趕到現(xiàn)場制止了吸煙行為，避免了可能引發(fā)的安全問題。據(jù)統(tǒng)計，該系統(tǒng)部署后的一個月內，成功檢測到吸煙行為30余次，有效減少了商場內的違規(guī)吸煙現(xiàn)象，保障了商場的安全和秩序。在某工業(yè)園區(qū)的生產車間，由于存放大量易燃物品，嚴禁吸煙。此前，雖然有嚴格的禁煙規(guī)定，但人工巡查存在一定的局限性，難以實現(xiàn)全面實時監(jiān)控。引入基于改進YOLOv5算法的煙支檢測系統(tǒng)后，車間內的安全監(jiān)測得到顯著提升。系統(tǒng)在車間的各個關鍵位置安裝高清攝像頭，對車間內的情況進行24小時不間斷監(jiān)測。在一次設備維護過程中，一名工人在車間角落違規(guī)吸煙，改進后的YOLOv5模型準確檢測到煙支，在1秒內發(fā)出警報。警報聲引起了周圍工人的注意，同時管理人員也通過監(jiān)控系統(tǒng)第一時間發(fā)現(xiàn)了這一情況，及時制止了工人的違規(guī)行為，避免了可能發(fā)生的火災事故。自該系統(tǒng)投入使用以來，車間內的違規(guī)吸煙行為得到有效遏制，工人的安全意識也得到了進一步提高。在某城市公園，為了維護公園的環(huán)境和游客的安全，同樣應用了基于改進YOLOv5算法的煙支檢測系統(tǒng)。公園內綠樹成蔭，花草繁茂，是市民休閑娛樂的好去處，但也存在游客隨意丟棄煙支，引發(fā)火災的風險。該系統(tǒng)利用公園內的監(jiān)控攝像頭，對公園的各個區(qū)域進行實時監(jiān)測。在一個炎熱的夏日，一名游客在公園的草坪上休息時吸煙，隨后將未熄滅的煙支丟棄在草坪上。系統(tǒng)迅速檢測到煙支，立即發(fā)出警報，并通知公園管理人員。管理人員及時趕到現(xiàn)場，將煙頭熄滅，避免了草坪起火的危險。據(jù)統(tǒng)計，該系統(tǒng)在公園運行的三個月內，成功檢測并處理了20余起煙支相關事件，有效保障了公園的環(huán)境安全。這些實際場景應用案例充分證明，改進后的基于YOLOv5的室外煙支檢測算法在復雜環(huán)境下能夠準確、快速地檢測出煙支，及時發(fā)現(xiàn)潛在的安全隱患，為公共場所和工業(yè)廠區(qū)的安全管理提供了有力的技術支持，具有顯著的應用價值和社會效益。6.2應用效果評估與反饋在實際應用基于改進YOLOv5的室外煙支檢測算法的過程中，廣泛收集用戶反饋并深入分析相關數(shù)據(jù)，對于全面評估算法的性能表現(xiàn)和實際應用價值具有重要意義。在公共場所監(jiān)控應用中，通過對商場、車站等場所的監(jiān)控數(shù)據(jù)進行分析，發(fā)現(xiàn)算法在大部分情況下能夠準確檢測出煙支，有效遏制了違規(guī)吸煙行為。在某商場的應用中，系統(tǒng)在一個月內共檢測到吸煙行為45次，其中準確檢測42次，準確率達到93.3%。然而，用戶反饋也指出了一些問題。在部分復雜場景下，如商場內舉辦促銷活動時，人員密集且活動頻繁，背景噪聲和干擾較多，算法出現(xiàn)了3次誤檢和2次漏檢的情況。誤檢主要是將顧客手中的類似煙支的物品（如筆、吸管等）誤判為煙支；漏檢則是由于煙支被人群遮擋，導致模型未能檢測到。在光線較暗的角落，檢測準確率也有所下降，主要是因為光線不足影響了圖像質量，使得煙支的特征提取難度增加。在工業(yè)廠區(qū)安全監(jiān)測應用中，通過對工廠車間、倉庫等場所的監(jiān)測數(shù)據(jù)統(tǒng)計，算法在正常工作時段表現(xiàn)良好，能夠及時發(fā)現(xiàn)違規(guī)吸煙行為，保障了生產安全。在某工廠車間的應用中，系統(tǒng)在一周內成功檢測到吸煙行為8次，均準確報警。但在特殊情況下，如設備維護期間，車間內存在大量的工具和零部件，背景復雜，算法出現(xiàn)了2次誤檢，將一些形狀類似煙支的工具誤判為煙支。在車間內存在強光直射或陰影區(qū)域時，也會對檢測結果產生一定影響，導致部分煙支檢測不準確。為進一步評估算法的穩(wěn)定性，對不同時間段和不同環(huán)境條件下的檢測數(shù)據(jù)進行了分析。在一天中的不同時段，算法的檢測性能存在一定波動。早晨和傍晚時分，由于光線變化較大，檢測準確率相比中午時段略有下降，平均下降約3-5個百分點。在不同天氣條件下，算法的穩(wěn)定性也受到考驗。雨天時，由于雨滴對攝像頭視野的干擾以及煙支被雨水淋濕后特征變化，檢測準確率下降至85%左右；雪天則由于雪花的干擾和積雪對煙支的遮擋，檢測效果更差，準確率僅為80%左右。根據(jù)用戶反饋和數(shù)據(jù)評估結果，提出以下改進建議：一是進一步優(yōu)化數(shù)據(jù)增強策略，增加更多與實際應用場景中干擾物體相似的樣本，如筆、吸管、工具等，使模型能夠更好地區(qū)分煙支與其他類似物體，減少誤檢。針對光線和天氣條件的影響，在數(shù)據(jù)增強過程中更加注重模擬不同光照強度、角度以及各種惡劣天氣下的煙支圖像，提高模型對復雜環(huán)境的適應性。二是改進模型的后處理算法，引入更有效的目標篩選和驗證機制。在檢測到疑似煙支目