摘? 要：文章對(duì)目前我國大學(xué)生校園吸煙較為嚴(yán)重的現(xiàn)象進(jìn)行了闡述，報(bào)告了視頻監(jiān)控技術(shù)、紅外熱成像技術(shù)以及煙霧報(bào)警技術(shù)等幾種常見校園控?zé)煼椒ù嬖诘谋锥恕ａ槍?duì)傳統(tǒng)控?zé)熂夹g(shù)的缺陷提出了一種基于人工智能技術(shù)應(yīng)用的校園監(jiān)控學(xué)生吸煙解決方案，前期對(duì)吸煙者與未吸煙者大量圖片的采集，訓(xùn)練并構(gòu)建出精準(zhǔn)度較高的監(jiān)測(cè)模型以達(dá)到自動(dòng)識(shí)別吸煙者的目的，通過多次驗(yàn)證達(dá)到了預(yù)期的控?zé)熜Ч?/p>

關(guān)鍵詞：頻監(jiān)控技術(shù)；紅外熱成像技術(shù)；煙霧報(bào)警技術(shù)；監(jiān)控設(shè)備

中圖分類號(hào)：TP18? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）10-0129-04

Abstract： This paper expounds the serious phenomenon of college students' smoking on campus in China， and reports the shortcomings of several common campus smoking control methods， such as video monitoring technology， infrared thermal imaging technology and smoke alarm technology. Aiming at the defects of traditional smoking control technology， this paper proposes a solution for campus monitoring students' smoking based on the application of Artificial Intelligence technology. In the early stage， a large number of pictures of smokers and non-smokers are collected， and a monitoring model with high accuracy is trained and constructed to achieve the goal of automatic identification of smokers. The expected smoking control effect is achieved through multiple verifications.

Keywords： frequency monitoring technology; infrared thermal imaging technology; smoke alarm technology; monitoring equipment

0? 引? 言

“實(shí)施健康中國戰(zhàn)略”方針是習(xí)總書記在十九大報(bào)告中提出的，著重指出人民健康是民族昌盛和國家富強(qiáng)的重要標(biāo)志。無煙中國則是健康中國的一種表現(xiàn)，有效控?zé)熓翘嵘嗣窠】邓降挠行Т胧?。?jù)有關(guān)部門統(tǒng)計(jì)，我國每5個(gè)吸煙人群中就有3個(gè)是在15至20歲的時(shí)候形成吸煙習(xí)慣的。大學(xué)階段是青少年成長發(fā)育的特殊時(shí)期，不良吸煙行為在這個(gè)階段經(jīng)常發(fā)生[1]。但這一個(gè)時(shí)期形成的煙癮也相對(duì)容易擺脫，正因?yàn)槿绱?，我們需要在急迫的在高校開展“無煙校園”建設(shè)。國家的未來與希望寄托在大學(xué)生們身上，他們肩負(fù)著中華民族偉大復(fù)興的歷史使命，要求下一代的接班人必須擁有健康的體魄和正確的價(jià)值理念。全國各高校作擔(dān)負(fù)著培養(yǎng)祖國接班人的重任，必須主動(dòng)接過控?zé)熃恿Π簟?/p>

1? 背景介紹

1.1? 傳統(tǒng)校園控?zé)?/p>

傳統(tǒng)的校園控?zé)熗緩街饕峭ㄟ^視頻監(jiān)控、紅外熱成像技術(shù)、煙霧報(bào)警技術(shù)等幾個(gè)方面的技術(shù)來實(shí)現(xiàn)[2]。視頻監(jiān)控控?zé)煼绞街饕ㄟ^在校園內(nèi)部署大量監(jiān)控設(shè)備，構(gòu)建網(wǎng)絡(luò)視頻監(jiān)控體系。通過網(wǎng)絡(luò)攝像機(jī)采集圖像并壓縮進(jìn)入后臺(tái)存儲(chǔ)設(shè)備。紅外熱成像技術(shù)控?zé)熓峭ㄟ^利用紅外熱成像的非接觸測(cè)溫技術(shù)，根據(jù)被測(cè)物溫度變化快速檢查定位。煙霧報(bào)警技術(shù)控?zé)熓峭ㄟ^煙霧傳感器為煙霧檢測(cè)元件，以單片機(jī)為控制核心，主要根據(jù)檢測(cè)環(huán)境的煙霧濃度值報(bào)警。但視頻監(jiān)控控?zé)熂夹g(shù)存在著的識(shí)別率低與吸煙行為事后處置弊端，而煙霧報(bào)警技術(shù)、熱成像技術(shù)又很容易受到外界環(huán)境的影響，這幾種傳統(tǒng)的校園控?zé)熂夹g(shù)都很難做到對(duì)吸煙行為進(jìn)行判別，以及對(duì)吸煙者進(jìn)行精準(zhǔn)的識(shí)別。針對(duì)這些問題，本文提出了一種基于人工智能技術(shù)的校園控?zé)熃鉀Q方案。

1.2? 人工智能控?zé)?/p>

人工智能AI（Artificial Intelligence）[3]是用人工的方法在計(jì)算機(jī)上實(shí)現(xiàn)的智能，或者說人類智能在機(jī)器上的模擬或人們使機(jī)器具有類似于人的智能。它是在神經(jīng)生理學(xué)、語言哲學(xué)、控制論、信息論、計(jì)算機(jī)科學(xué)等學(xué)科的基礎(chǔ)上發(fā)展起來的一門學(xué)科。人工智能技術(shù)按照其演進(jìn)的過程又可將分為計(jì)算智能、感知智能和認(rèn)知智能三個(gè)階段。如今人工智能技術(shù)已在工業(yè)制造、信息安全、金融、醫(yī)療、教育、社會(huì)生活等各個(gè)領(lǐng)域有了成熟的應(yīng)用。工業(yè)領(lǐng)域，人工智能技術(shù)具有得天獨(dú)厚的優(yōu)勢(shì)并不斷展現(xiàn)出高效率、可靠穩(wěn)定、重復(fù)精度好等特點(diǎn)。在信息安全領(lǐng)域，人工智能技術(shù)和生物識(shí)別技術(shù)兩者的深度融合解決了以前受技術(shù)發(fā)展所限造成的信息泄露等安全問題。醫(yī)療領(lǐng)域也能見到人工智能技術(shù)應(yīng)用，例如垂直領(lǐng)域的圖像算法和自然語言處理技術(shù)已可基本滿足醫(yī)療行業(yè)的需求，這種模式可為病人提供診前健康狀況的初步分析和評(píng)估、診中的病情研判和手術(shù)輔助、診后的預(yù)后跟蹤等醫(yī)療服務(wù)。

充分結(jié)合人工智能技術(shù)獨(dú)有的先進(jìn)性，在綜合前面提到的三種傳統(tǒng)控?zé)熂夹g(shù)基礎(chǔ)上進(jìn)行了創(chuàng)新。此次進(jìn)行的人工智能控?zé)煼桨阜譃槿齻€(gè)部分完成：首先預(yù)測(cè)數(shù)據(jù)獲取，主要包括依靠校園內(nèi)視頻監(jiān)控系統(tǒng)提供視頻圖片以及通過技術(shù)手段獲取到的數(shù)據(jù)；其次是要利用高性能的模型訓(xùn)練平臺(tái)資料進(jìn)行大量視頻圖片的模型訓(xùn)練，其中包括吸煙者和未吸煙者兩種狀態(tài)，從而得到準(zhǔn)確率較高的預(yù)測(cè)模型；最后實(shí)施人工智能控?zé)熛到y(tǒng)的整體調(diào)試，主要包括預(yù)測(cè)模型的部署、高性能判斷代碼開發(fā)等。

2? 人工智能控?zé)熛到y(tǒng)準(zhǔn)備

2.1? 模型訓(xùn)練平臺(tái)

人工智能技術(shù)應(yīng)用中一個(gè)非常重要的內(nèi)容就是進(jìn)行高準(zhǔn)確性預(yù)測(cè)模型的訓(xùn)練，而要得到一個(gè)高準(zhǔn)確性的模型就必須要依靠高性能的訓(xùn)練平臺(tái)。EasyDL是百度公司的一款人工智能技術(shù)平臺(tái)，目前攜手90萬用戶、服務(wù)20多個(gè)行業(yè)場(chǎng)景。提供了較為便捷的數(shù)據(jù)集準(zhǔn)備工作、智能標(biāo)注、模型訓(xùn)練、服務(wù)部署等功能，內(nèi)置多種常見的人工智能預(yù)訓(xùn)練模型，支持公有云、本地服務(wù)器、設(shè)備端等靈活部署模式，已在圖像內(nèi)容識(shí)別、視頻圖像監(jiān)控、工業(yè)生產(chǎn)質(zhì)檢、專業(yè)領(lǐng)域研究、零售商品識(shí)別、醫(yī)療等領(lǐng)域得到了廣泛使用與落地。目前與中國南方電網(wǎng)、中國氣象、太平洋汽車網(wǎng)、中國專利信息中心、家圖網(wǎng)等企業(yè)有深入的合作。

2.2? 模型訓(xùn)練數(shù)據(jù)

數(shù)據(jù)是人工智能領(lǐng)域進(jìn)行深入研究的前提，扮演者非常重要的角色。數(shù)據(jù)的獲取可以通過常見的網(wǎng)絡(luò)數(shù)據(jù)獲取技術(shù)、攝像頭等設(shè)備采集數(shù)據(jù)、知名網(wǎng)站提供的數(shù)據(jù)集以及我們平時(shí)積累的一些數(shù)據(jù)等。本系統(tǒng)的數(shù)據(jù)獲取主要是采用網(wǎng)絡(luò)圖片數(shù)據(jù)及校園視頻監(jiān)控圖片兩種方式獲取用于模型訓(xùn)練的數(shù)據(jù)。通過兩種方式共收集到1 300多張圖片，分為了吸煙者和未吸煙者兩種。其中吸煙者圖像數(shù)量為710張，未吸煙者數(shù)量為595張。根據(jù)人工智能數(shù)據(jù)訓(xùn)練要求將獲取到的數(shù)據(jù)集劃分為“吸煙”與“未吸煙”兩種標(biāo)簽狀態(tài)。在接下來介紹到的百度高性能人工智能訓(xùn)練平臺(tái)EasyDL中對(duì)1 300多張圖像逐一進(jìn)行圖像標(biāo)注，部分圖片標(biāo)注結(jié)果如圖1與圖2所示。

2.3? 模型訓(xùn)練效果

在完成數(shù)據(jù)集中吸煙者和未吸煙者圖像標(biāo)注之后，將整個(gè)標(biāo)注結(jié)果送到EasyDL平臺(tái)中利用時(shí)下較為流行的圖像分類算法進(jìn)行模型訓(xùn)練工作[4]。模型訓(xùn)練工作在百度提供的云端服務(wù)器進(jìn)行，經(jīng)過一段時(shí)間訓(xùn)練并得到模型后對(duì)產(chǎn)生的模型進(jìn)行校驗(yàn)工作。最終吸煙判斷模型訓(xùn)練如圖3所示達(dá)到了優(yōu)異程度，接下來可以利用該模型開展各種檢測(cè)判斷工作。

3? 人工智能控?zé)熢拖到y(tǒng)設(shè)計(jì)

3.1? 系統(tǒng)整體設(shè)計(jì)

原型系統(tǒng)包括視頻監(jiān)控模塊、數(shù)據(jù)存儲(chǔ)模塊、圖像處理集群、模型預(yù)測(cè)模塊、事務(wù)處理集群[5]。視頻監(jiān)控系統(tǒng)獲取學(xué)生實(shí)時(shí)圖像傳送至存儲(chǔ)系統(tǒng)，經(jīng)過圖像處理集群工作之后將預(yù)處理數(shù)據(jù)交給已經(jīng)訓(xùn)練好的預(yù)測(cè)模型進(jìn)行判斷，判斷學(xué)生吸煙行為之后進(jìn)行數(shù)據(jù)存儲(chǔ)再交由事務(wù)處理集群與學(xué)生管理系統(tǒng)數(shù)據(jù)進(jìn)行快速對(duì)比，最終確定吸煙者身份[6]。各模塊交互關(guān)系圖如圖4所示。

3.2? 核心代碼

經(jīng)過百度EasyDL高性能模型訓(xùn)練平臺(tái)的訓(xùn)練之后，預(yù)測(cè)模型的準(zhǔn)確率可達(dá)到97%。接下來要開發(fā)配套的吸煙預(yù)測(cè)代碼[7]，本系統(tǒng)采用目前人工智能領(lǐng)域較為流行的Python開發(fā)語言進(jìn)行核心代碼編寫。下面為部分核心代碼：

import json

import base64

import requests

import matplotlib.pyplot as plt

# 目標(biāo)圖片的 本地文件路徑，支持jpg/png/bmp格式

IMAGE_FILEPATH = "./nosmoke.jpg"

img = plt.imread（IMAGE_FILEPATH）

plt.imshow（img）

plt.axis（"off"）

plt.show（）

#top_num：返回的分類數(shù)量

PARAMS = {"top_num"： 2}

#服務(wù)詳情中的接口地址

MODEL_API_URL="https：//aip.baidubce.com/rpc/2.0/ai_custom/v1/classification/smoke_or_not"

#調(diào)用API需要ACCESS_TOKEN。若已有ACCESS_TOKEN則于下方填入該字符串

#否則，留空 ACCESS_TOKEN，于下方填入該模型部署的API_KEY以及SECRET_KEY，會(huì)自動(dòng)申請(qǐng)并顯示新ACCESS_TOKEN

ACCESS_TOKEN = ""

API_KEY = "AHaHeLtbGsXHqDTnbmQG0fWX"

SECRET_KEY = "xmTpLOGFq6Vqmc1IXhYOGH2QCKtRq..."（省去后三位）

with open（IMAGE_FILEPATH， 'rb'） as f：

base64_data = base64.b64encode（f.read（））

base64_str = base64_data.decode（'UTF8'）

PARAMS["image"] = base64_str

if not ACCESS_TOKEN：

auth_url = "https：//aip.baidubce.com/oauth/2.0/token？grant_type=client_credentials"＼"&client_id={}&client_secret={}".format（API_KEY，SECRET_KEY）

auth_resp = requests.get（auth_url）

auth_resp_json = auth_resp.json（）

ACCESS_TOKEN = auth_resp_json["access_token"]

else：

print（"使用已有ACCESS_TOKEN"）

request_url = "{}？access_token={}".format（MODEL_API_URL，ACCESS_TOKEN）

response = requests.post（url=request_url，json=PARAMS）

response_json = response.json（）

response_str = json.dumps（response_json，indent=4，ensure_ascii=False）

print（"模型檢測(cè)結(jié)果：＼n{}".format（response_str））

3.3? 結(jié)果預(yù)測(cè)

在構(gòu)建完人工智能技術(shù)控?zé)熛到y(tǒng)之后，接下來使用吸煙者和未吸煙者的圖片進(jìn)行結(jié)果預(yù)測(cè)[8]，來初步檢測(cè)預(yù)測(cè)模型的效果。從圖5可以看出以下的兩個(gè)預(yù)測(cè)圖片都很準(zhǔn)確地被識(shí)別出來，識(shí)別準(zhǔn)確率都在93%以上。

通過對(duì)網(wǎng)絡(luò)圖片、視頻采集圖片兩種不同數(shù)據(jù)類型的預(yù)測(cè)結(jié)果對(duì)比不難發(fā)現(xiàn)人工智能技術(shù)控?zé)煼桨改軌蚍浅３錾赝瓿尚@內(nèi)學(xué)生吸煙行為的判斷，如表1所示。

4? 結(jié)? 論

將模型投入到高校校園進(jìn)行具體應(yīng)用時(shí)還需要考慮其他方面的因素，主要是硬件環(huán)境配備與軟件細(xì)化處理兩個(gè)方面。首先從硬件環(huán)境配備入手，校園內(nèi)要提供識(shí)別率較高的攝像頭以便在規(guī)定頻率內(nèi)獲取所監(jiān)測(cè)場(chǎng)所學(xué)生的圖像，同時(shí)還要配備具有足夠計(jì)算資源及存儲(chǔ)資源的服務(wù)器以便保證能夠及時(shí)將獲取到的圖片進(jìn)行處理判斷。其次從學(xué)生管理部門的實(shí)際出發(fā)在后續(xù)的高?？?zé)熛到y(tǒng)完善過程中還要考慮到對(duì)檢測(cè)出來的吸煙者進(jìn)行追蹤與警示功能，可以通過設(shè)計(jì)警示發(fā)布系統(tǒng)，定期在平臺(tái)上公布系統(tǒng)檢測(cè)出來的校園吸煙者以達(dá)到有效控制校園吸煙現(xiàn)象。

參考文獻(xiàn)：

[1] 李愛蘭，黃悅勤，王燕玲，等.我國青少年學(xué)生吸煙行為及其影響因素的初步分析[J].中國公共衛(wèi)生，2001（1）：79-81.

[2] 劉子琪，沈?qū)殗?關(guān)于高校建設(shè)無煙校園的思考與建議 [J].現(xiàn)代職業(yè)教育，2019（33）：80-81.

[3] 馮秀娟.淺談人工智能技術(shù)在社會(huì)中的應(yīng)用 [J].福建茶葉，2020，42（3）：302.

[4] 周金容，孫誠.人工智能時(shí)代的職業(yè)沖擊與高職人才培養(yǎng)升級(jí) [J].職業(yè)技術(shù)教育，2019，40（28）：18-24.

[5] 潘廣貞，元琴，樊彩霞，等.基于混合高斯模型和幀差法的吸煙檢測(cè)算法 [J].計(jì)算機(jī)工程與設(shè)計(jì)，2015，36（5）：1290-1294+1336.

[6] 彭明超，包姣，葉茂，等.基于形狀參數(shù)回歸的人臉對(duì)齊算法 [J].模式識(shí)別與人工智能，2016，29（1）：63-71.

[7] 程淑紅，馬曉菲，張仕軍，等.基于多任務(wù)分類的吸煙行為檢測(cè) [J].計(jì)量學(xué)報(bào)，2020，41（5）：538-543.

[8] 張?jiān)蒲?人工智能在體育應(yīng)用中的現(xiàn)狀及未來展望 [J].網(wǎng)羽世界，2021（2）：166-167.

作者簡介：朱金壇（1981—），男，漢族，陜西渭南人，副教授，碩士，研究方向：大數(shù)據(jù)及人工智能方向的技術(shù)應(yīng)用。