1. 项目背景与核心价值
去年在帮导师做安防项目时，发现现有监控系统对违规抽烟行为的识别率不足30%。这个毕设选题正是源于这个实际痛点——如何用深度学习技术解决公共场所的智能监管难题。抽烟检测不仅涉及消防安全，在加油站、化工厂等场景更是刚需。
传统方案主要依赖烟雾传感器或人工巡查，前者误报率高，后者成本巨大。基于YOLOv5的视觉检测方案，在普通IPC摄像头硬件上就能实现90%+的准确率，部署成本不到传统方案的1/5。这个毕设最具价值的地方在于：提供了从数据准备到模型部署的完整实现链路，所有关键代码都已开源。
2. 技术方案设计
2.1 算法选型对比
测试过三种主流方案：
- Faster R-CNN：mAP 82.3%，FPS仅8
- SSD300：mAP 76.5%，FPS 25
- YOLOv5s：mAP 89.7%，FPS 48
最终选择YOLOv5s的考量：
- 轻量化（仅14.4MB）
- 支持ONNX/TensorRT加速
- 自带数据增强管道
- 完善的预训练权重
关键参数：输入分辨率640x640，置信度阈值0.5，IOU阈值0.45
2.2 数据工程细节
自建数据集包含：
- 12,843张标注图片（8:1:1划分）
- 覆盖不同：
- 光照条件（强光/逆光/夜间）
- 持烟姿势（左手/右手/遮挡）
- 场景（办公室/楼道/室外）
数据增强策略：
# albumentations配置 transform = A.Compose([ A.RandomBrightnessContrast(p=0.5), A.HorizontalFlip(p=0.5), A.RandomRain(p=0.1), # 模拟雨天干扰 A.CoarseDropout(max_holes=8, max_height=32, max_width=32, p=0.3) ])3. 模型训练关键点
3.1 损失函数优化
在默认CIoU Loss基础上：
- 新增关键点损失（手腕-香烟距离）
- 引入注意力机制（CBAM模块）
- 使用Focal Loss解决样本不平衡
训练曲线显示：
- 验证集mAP从初始62.1%提升至89.7%
- 误检率从18%降至6.3%
3.2 训练参数配置
# hyp.scratch.yaml修改项 lr0: 0.0032 # 初始学习率 lrf: 0.12 # 最终学习率 warmup_epochs: 3.0 box: 0.05 # 调整box损失权重 cls: 0.3 # 分类损失权重4. 部署落地实践
4.1 边缘设备适配
在 Jetson Nano 上的优化技巧：
- 使用TensorRT加速（FP16模式）
- 采用多线程处理：
class AsyncPipeline: def __init__(self): self.queue = Queue(maxsize=3) self.worker = Thread(target=self._inference_loop) def _inference_loop(self): while True: img = self.queue.get() results = model(img, size=640) #...后处理...
4.2 业务逻辑集成
典型报警规则配置：
{ "alert_rules": { "duration_threshold": 5, // 持续5秒触发 "forbidden_areas": [ // 禁烟区域坐标 [[0,0],[0,500],[500,500],[500,0]], ... ] } }5. 常见问题解决方案
5.1 误检场景处理
高频误检类型及对策：
| 误检类型 | 解决方案 | 效果提升 |
|---|---|---|
| 手持笔/筷子 | 增加负样本 | ↓32% |
| 饮水动作 | 时序过滤 | ↓28% |
| 反光物体 | 偏振镜 | ↓45% |
5.2 模型压缩技巧
实测有效的剪枝策略：
- 通道剪枝（30%稀疏度）
- 层融合（Conv+BN）
- 8位量化（精度损失<2%）
python export.py --weights best.pt --include onnx --simplify --dynamic6. 工程优化建议
三个实测有效的调优方向：
- 多模态融合：增加红外特征（解决烟雾干扰）
- 行为分析：结合抬手动作时序判断
- 自适应分辨率：根据检测距离动态调整
在化工厂的实际部署中，通过增加热成像通道，使夜间检测率从71%提升到89%。这个案例说明，业务场景的深度理解比单纯调参更重要。