- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI科技大本营的专栏
基于 Python 环境搭建 - YOLO 实现吸烟行为监测
故本项目通过采用深度学习方法实现对吸烟行为的目标检测，使用python语言搭建YOLO算法实现对吸烟行为的实时监测。
1.5K30发布于 2021-09-27 - 来自专栏计算机视觉战队
用于吸烟行为检测的可解释特征学习框架
Propagation，LRP) 来解释基于吸烟行为的网络检测或预测。 不幸的是，吸烟是一种生活方式，不仅会污染环境，而且如果在公共场合吸烟也会伤害非吸烟者。作为肺癌、心脏病、孕产妇疾病、发病率和支气管炎的重要因素，吸烟行为正在增加智慧城市的整体医疗保健成本和环境污染。 第四次工业革命和智慧城市趋势需要可靠的技术方法来检测公共场所的吸烟行为，无论使用的风格或吸烟材料的类型如何，例如香烟、水烟、大麻等。 他们忽略了吸烟方式、模式和行为的各种变化，检测过程是模棱两可的（无法解释）。 上述挑战和机器视觉的进步促使研究者们提出、开发和测试一种可解释的吸烟行为检测解决方案，该解决方案具有可解释和可信赖的检测，以改善智慧城市中的公共卫生监测和监测，以实现更健康的环境。
57910编辑于 2022-01-27 - 来自专栏YOLO大作战
基于YOLOv5的摄像头吸烟行为检测系统（pytoch）
AI工具如何改变生活，本文主要通过YOLOv5技术阐述生活中对摄像头进行监控，并对吸烟危险行为进行识别，详细阐述了如何提升吸烟行为的检测精度。 1.吸烟数据集介绍 通过摄像头采集吸烟行为，共采集1812张图片 进行标注，按照8:1:1进行训练集、验证集、测试集随机区分。 大物体是指大于96*96）； 2）在实际应用场景中，通常更倾向于使用相对于原图的比例来定义：物体标注框的长宽乘积，除以整个图像的长宽乘积，再开根号，如果结果小于3%，就称之为小目标； 2.基于Yolov5的吸烟行为检测性能提升 上图是吸烟检测检测训练，有图可以看出 ，分别是抽烟和background FP。该图在每列上进行归一化处理。则可以看出抽烟检测预测正确的概率为89%。
1.7K10编辑于 2023-11-30 - 来自专栏PyQt+YOLO
【AI加持】基于PyQt5+YOLOv8+DeepSeek的吸烟行为检测系统（详细介绍）
一．前言在现代公共场所和办公环境中，吸烟行为不仅影响公共健康，还可能带来火灾等安全隐患。尤其在电梯、楼道、会议室等封闭或半封闭空间中，吸烟行为的监测与管理显得尤为重要。 6.吸烟行为的影响 吸烟行为对个人健康、公共安全和社会环境均有显著影响。首先，从健康角度来看，吸烟是多种疾病的重要诱因，包括肺癌、口腔癌、心血管疾病和慢性呼吸系统疾病等。 吸烟行为同时带来社会和法律方面的风险。在许多公共场所，吸烟行为属于违法行为，管理部门需要投入人力进行巡查和处罚，增加行政成本。若吸烟引发火灾或健康事故，还可能带来经济赔偿和法律责任，增加社会负担。 吸烟行为还会增加管理成本和监管压力，公共场所需要投入额外的人力进行巡查和防火教育，确保场所内无违规吸烟行为。 我们的检测系统可以用在的应用场景：1.物业管理与办公楼安全监控办公楼、电梯、走廊等区域的吸烟行为，防止火灾及违规行为。实时告警违规吸烟行为，通知管理人员及时干预。
34010编辑于 2025-12-07 - 来自专栏YOLO大作战
基于YOLOv8的摄像头吸烟行为检测系统（Python源码+Pyqt6界面+数据集）
本文主要内容:详细介绍了摄像头下吸烟行为检测系统，在介绍算法原理的同时，给出Pytorch的源码、训练数据集以及PyQt6的UI界面。 1.数据集介绍通过摄像头采集吸烟行为，共采集1812张图片 进行标注，按照8:1:1进行训练集、验证集、测试集随机区分。 大物体是指大于96*96）；2）在实际应用场景中，通常更倾向于使用相对于原图的比例来定义：物体标注框的长宽乘积，除以整个图像的长宽乘积，再开根号，如果结果小于3%，就称之为小目标；2.基于YOLOv8的摄像头吸烟行为检测 摄像头吸烟行为检测系统设计4.1 PySide6介绍 受益于人工智能的崛起，Python语言几乎以压倒性优势在众多编程语言中异军突起，成为AI时代的首选语言。 simple基于PySide6开发GUI程序包含下面三个基本步骤：设计GUI，图形化拖拽或手撸；响应UI的操作（如点击按钮、输入数据、服务器更新），使用信号与Slot连接界面和业务；打包发布； 4.3 摄像头吸烟行为检测系统设计运行
2.8K10编辑于 2024-01-29 - 来自专栏成套网站
基于yolov10的吸烟检测系统
1、研究背景在全球公共健康领域，吸烟行为已成为威胁人类健康的重大问题。世界卫生组织数据显示，全球每年因吸烟相关疾病死亡人数超过800万，二手烟暴露更导致每年120万非吸烟者死亡。 公共场所吸烟行为具有目标尺寸变化大（香烟成像范围0.5-50像素）、姿态多样性（手持/口含/电子烟）、环境光照复杂（昼夜/室内外）等特性。 结合五分类标注体系（香烟/人员/烟雾/电子烟/吸烟动作），系统不仅能识别吸烟相关物体，还能通过多目标关联分析判断行为状态，为禁烟政策执行提供精准数据支持。 基于YOLOv10的吸烟检测系统可实现自动化、实时化监测，精准识别吸烟行为，为公共场所禁烟管理提供有力技术支撑。 还有研究尝试融入烟雾传感器数据，通过多维度信息判断吸烟行为。在实际应用场景方面，吸烟检测已从室内公共场所向室外复杂环境拓展。
25200编辑于 2026-01-12 - 来自专栏我和未来有约会
转向行为 - 寻找行为
寻找行为只是把机车移动到指定点。 现在给出寻找行为的一个例子： <UserControl xmlns="http://schemas.microsoft.com/winfx/2006/xaml/presentation" xmlns:x 仅仅是让场景上一个有转向行为的机车在每帧去寻找鼠标。试着改变机车的最大速率和最大力度，或者改变其质量(mass)来感受一 下这些因素对转向行为的影响。 myStar.seek(new Vector2D(mouseX, mouseY)); myStar.update(); 到此，应该已经见识了转向机车如何寻找鼠标或者另一辆机车，当对这些工作有了很好的理解后，我们进入下一个行为
1.5K70发布于 2018-01-16 - 来自专栏我和未来有约会
转向行为 - 追捕行为
对于追捕行为，它非常类似寻找行为。其实追捕的最后一个动作就是调用寻找。追捕的本质是预测目标所要到达的位置并事先赶到。 那么，该如何预测目标的位置呢？ 而实际上，寻找行为就是一个预测时间为零的追捕行为。 一个策略是基于两机车间的距离来判断预测时间。如果目标太远，需要花一段时间才能赶上，就预测长一点，如果很接近，马上就能达到，就预测短一点。 一个是只顾移动的机车，其作为目标，另外两个转向机车，一个用寻找行为，一个用追捕行为。如果一切正常，追捕者靠着优越的算法会胜出。 接下来的行为是：躲避。
1.6K100发布于 2018-01-16 - 来自专栏我和未来有约会
转向行为 - 到达行为
到达行为在很多场合都可以被当作是寻找行为。实际上，它们之间的算法和处理方式都一样。唯一不同的是，在到达模式中，一辆机车在到达目标的某一距离时，会变成一种精确模式慢慢地靠近目标点。 为了了解到达行为的必要性，可以先运行一下SeekTest类，然后移动鼠标到某处让机车过来“抓住”它。会看到机车快速的越过了鼠标，接着它发现过头了，又返回来，还是过头了....于是会一直循环下去。 到达行为通过减速接近目标，解决了这个问题： public void arrive(Vector2D target) { Vector2D desiredVelocity 最终速度会趋向于0（假设只有一个行为作用于该机车）。 如果愿意可以再试着玩玩增加多辆机车，或者现在就进入下一个行为：追捕。
1.5K60发布于 2018-01-16 - 来自专栏我和未来有约会
转向行为 - 躲避行为
躲避就是追捕的反行为。就像追捕类似于寻找，躲避类似于避开。 本质上讲，是预测出机车将要去到的位置并远离它。在这里所有的原则都和追捕相同。
1.4K80发布于 2018-01-16 - 来自专栏我和未来有约会
转向行为 - 避开行为
避开行为与寻找行为彻底相反。实际上，除了代码最后一行用相减代替了相加以外，其它都一样。 现在我们有了一对正反行为，接下来要做的是为这对行为创建一对机车来看看情况。 我们还可以把两个行为同时用于一辆机车上。下面的例子中，机车A同时寻找和避开机车B，机车B同时寻找和避开机车C，机车C同时的寻找和避开机车A。这三辆机车会因为追捕各自的目标而形成一个圆。 如果这些都没问题了，那就开始探索下一个行为：到达。
1.3K70发布于 2018-01-16 - 来自专栏我和未来有约会
转向行为 - 漫游行为
漫游行为就像它的名字一样，角色在场景中毫无目的的移动。这通常用来模拟巡视和觅食，也有纯粹是为了漫游而漫游的。 漫游行为在实现上不像听起来那么容易。
1.5K80发布于 2018-01-16 - 来自专栏全栈程序员必看
姿态估计与行为识别（行为检测、行为分类）的区别
姿态估计和行为识别作为计算机视觉的两个领域，对于新人来说，较为容易弄混姿态估计和行为识别两个概念。 （Action Detection/Regnition），最终的结果是得到图像或视频段中目标的行为类别。 视频中人体行为识别主要分为两个子方向。 参考文献 行为识别的综述博客： https://blog.csdn.net/neu_chenguangq/article/details/79504214 给出了行为识别的一些概述及资源合集（文章、代码 常用的行为检测的数据集： THUMOS2014：在行为检测任务中只有20类动作的未分割视频是有序行为片段标注的 MEXaction2：骑马和斗牛 ActivityNet：目前最大的数据集，同时包含分类和检测两个任务
3.5K20编辑于 2022-06-24 - 来自专栏全栈程序员必看
行为树
行为树常被用来实现游戏中的AI。每次执行AI ，都会从根节点遍历整个树，父节点执行子节点，子节点执行完后将结果返回父节点。 关于更多关于行为树概念上的东西，大家很容易找到相关的资料，这里不再最赘述，主要是通过一个实际的例子来看行为树在AI上的应用。 下面是用行为树表达的方式： 上面的图让我们能很容易指导我们的代码编写，我们需要完成所有的叶子节点，然后将他们按照图示，放到相应的组合节点中去，然后不停的遍历整个行为树。 我使用AS3完成了下面的demo，去实现上图中的行为树AI（如无法观看请下载最新的FlashPlayer）。 行为树很适合做AI编辑器，我们定义好一些条件和动作，策划人员通过简单的拖拽和设置即可实现复杂的游戏AI。
1.5K10编辑于 2022-09-19 - 来自专栏大数据文摘
或对吸烟危害有保护作用
如今，一项最新研究发现，肠道菌群还可以分解进入小鼠机体的尼古丁，保护其免受吸烟相关脂肪肝疾病的伤害。 尼古丁、非酒精性脂肪肝、肠道菌群 作为人类最常见的不健康行为之一，吸烟已经被世界卫生组织（WHO）列为世界上可预防死亡的主要原因。 然而，对于大多数吸烟者而言，“尼古丁成瘾”使他们很难抑制吸烟的欲望，而且在戒烟阶段也往往会因为逃避“戒断症状”而再度吸烟。 以往研究证实，吸烟行为与非酒精性脂肪肝病的演变有重要关联，而肠道产生的代谢物在通过肠-肝轴的非酒精性脂肪肝病演变中起着关键作用。 （来源：Pixabay） 在此次工作中，研究团队测试了来自 30 名吸烟者和 30 名非吸烟者的粪便和血清样本，发现在尼古丁暴露后肠道有高水平尼古丁累积。
31610编辑于 2023-04-10 - 来自专栏体验主义
如何使用“行为模型”做用户行为养成
但如果探究背后的原因是有行为心理学依据的，这就是大家也许熟知的“福格行为模型”。最新的福格行为模型做了什么改动？如何利用行为模型帮用户养成（好的）习惯？ 新“福格行为模型” 旧版福格行为模型 （Fogg's Behavior Model）表述为B=MAT。 其中，让行为变得微小不是放弃行为，而是降低门槛，循序渐进。通过寻找行为的入门步骤或者缩小行为的规模，开始尝试建立信心，逐步达到理想的行为结果和习惯状态是福格行为模型所推崇的方式。 在已有的行为习惯中，寻找合适的“锚点”，与预期希望的行为建立连接，这样的行为习惯养成更加有效，而不是过分依赖人物和情境的外部提醒。 所以，当用户具备一定的动机和能力时，想让用户做出行为，从提示入手进行行为设计是最容易取得效果的。 使用福格行为模型做用户行为养成 首先我们要明确在我们各自的产品中，行动具体指什么。
2.3K10编辑于 2022-01-21 - 来自专栏机器之心
专栏 | 有趣！用计算机视觉技术与PaddlePaddle打造AI控烟项目
我们先来看训练，主要是对吸烟动作识别的训练。这里用到的是动作识别技术，也叫做人体动作识别，是图像分类技术的一个细分领域，通过对图像中的人物动作来判断其行为，主要可以分为视频识别和静态图像识别。 第二步是训练吸烟动作识别的模型，即通过标注好的数据来让机器学习到什么样的动作可能是吸烟，从而在有新的图像出现时能够判断其是吸烟行为的可能性，模型训练过程是一系列复杂的工作。 最后是模型的评估工作，需要让模型去判断新的图像是否是存在吸烟行为，并记录其表现，在满足一定评估指标后，才能停止优化。经过这样一系列流程，我们会得到一个符合业务目标的吸烟动作识别模型。 从活动对外视频上看，被投放到屏幕的上吸烟员工（虽然面部被处理，但是现场通过体型服饰等特征还是容易被认出来）绝大多数会快速终止其吸烟行为，出现这样的结果在社会学中是有理论依据的，曾有学者做过实验，对于阻止那些需要道德约束的不良行为 其中吸烟动作的识别是通过采集、标注图像中的吸烟行为后，基于 PaddlePaddle 框架直接训练出来的，据官方说法，大概使用了数万张样本数据，经过 40 多轮模型训练得到了一个准确率在 80% 左右的模型
70400发布于 2018-07-30 - 来自专栏IT派
有趣！用计算机视觉技术与PaddlePaddle打造AI控烟项目
我们先来看训练，主要是对吸烟动作识别的训练。这里用到的是动作识别技术，也叫做人体动作识别，是图像分类技术的一个细分领域，通过对图像中的人物动作来判断其行为，主要可以分为视频识别和静态图像识别。 第二步是训练吸烟动作识别的模型，即通过标注好的数据来让机器学习到什么样的动作可能是吸烟，从而在有新的图像出现时能够判断其是吸烟行为的可能性，模型训练过程是一系列复杂的工作。 最后是模型的评估工作，需要让模型去判断新的图像是否是存在吸烟行为，并记录其表现，在满足一定评估指标后，才能停止优化。经过这样一系列流程，我们会得到一个符合业务目标的吸烟动作识别模型。 从活动对外视频上看，被投放到屏幕的上吸烟员工（虽然面部被处理，但是现场通过体型服饰等特征还是容易被认出来）绝大多数会快速终止其吸烟行为，出现这样的结果在社会学中是有理论依据的，曾有学者做过实验，对于阻止那些需要道德约束的不良行为 其中吸烟动作的识别是通过采集、标注图像中的吸烟行为后，基于 PaddlePaddle 框架直接训练出来的，据官方说法，大概使用了数万张样本数据，经过 40 多轮模型训练得到了一个准确率在 80% 左右的模型
59620发布于 2018-08-10 - 来自专栏Ywrby
18-信号量相关问题（吸烟者，读者-写者等）
，在吸烟结束后会提醒供应者放新的材料在桌上 根据题目我们直到，放在桌上的材料一共有三种组合方式 纸和胶水（order1）会被一号吸烟者取走 烟草和胶水（order2）会被二号吸烟者取走 烟草和纸（order3 /供应者进程 provider(){ while(1){ if(i==0){ 将组合一放桌上 V(offer1); //题型一号吸烟者吸烟 将组合三放桌上 V(offer3); //题型三号吸烟者吸烟 } i=(i+1)%3; //实现让三个吸烟者轮流吸烟 P(finish ); //等待吸烟者吸烟完成后继续放组合 } } //一号吸烟者进程 smoker1(){ while(1){ P(offer1); //等待组合一放到桌上 ); //等待组合二放到桌上 从桌上拿走组合二，吸烟 V(finish); //题型供应者提供新组合 } } //三号吸烟者进程 smoker3(){
63120编辑于 2022-10-27 抽烟吸烟检测数据集VOC+YOLO格式1449张1类别
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：1449 标注数量(xml文件个数)：1449 标注数量(txt文件个数)：1449 标注类别数：1 标注类别名称:["smoke"] 每个类别标注的框数： smoke 框数 = 1479 总框数：1479 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
55310编辑于 2025-09-09
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号