摘 要：文章对目前我国大学生校园吸烟较为严重的现象进行了阐述，报告了视频监控技术、红外热成像技术以及烟雾报警技术等几种常见校园控烟方法存在的弊端。针对传统控烟技术的缺陷提出了一种基于人工智能技术应用的校园监控学生吸烟解决方案，前期对吸烟者与未吸烟者大量图片的采集，训练并构建出精准度较高的监测模型以达到自动识别吸烟者的目的，通过多次验证达到了预期的控烟效果。
关键词：频监控技术；
红外热成像技术；
烟雾报警技术；
监控设备
中图分类号：TP18 文献标识码：A 文章编号：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
“实施健康中国战略”方针是习总书记在十九大报告中提出的，着重指出人民健康是民族昌盛和国家富强的重要标志。无烟中国则是健康中国的一种表现，有效控烟是提升人民健康水平的有效措施。据有关部门统计，我国每5个吸烟人群中就有3个是在15至20岁的时候形成吸烟习惯的。大学阶段是青少年成长发育的特殊时期，不良吸烟行为在这个阶段经常发生[1]。但这一个时期形成的烟瘾也相对容易摆脱，正因为如此，我们需要在急迫的在高校开展“无烟校园”建设。国家的未来与希望寄托在大学生们身上，他们肩负着中华民族伟大复兴的历史使命，要求下一代的接班人必须拥有健康的体魄和正确的价值理念。全国各高校作担负着培养祖国接班人的重任，必须主动接过控烟接力棒。
1 背景介绍
1.1 传统校园控烟
传统的校园控烟途径主要是通过视频监控、红外热成像技术、烟雾报警技术等几个方面的技术来实现[2]。视频监控控烟方式主要通过在校园内部署大量监控设备，构建网络视频监控体系。通过网络摄像机采集图像并压缩进入后台存储设备。红外热成像技术控烟是通过利用红外热成像的非接触测温技术，根据被测物温度变化快速检查定位。烟雾报警技术控烟是通过烟雾传感器为烟雾检测元件，以单片机为控制核心，主要根据检测环境的烟雾浓度值报警。但视频监控控烟技术存在着的识别率低与吸烟行为事后处置弊端，而烟雾报警技术、热成像技术又很容易受到外界环境的影响，这几种传统的校园控烟技术都很难做到对吸烟行为进行判别，以及对吸烟者进行精准的识别。针对这些问题，本文提出了一种基于人工智能技术的校园控烟解决方案。
1.2 人工智能控烟
人工智能AI（Artificial Intelligence）[3]是用人工的方法在计算机上实现的智能，或者说人类智能在机器上的模擬或人们使机器具有类似于人的智能。它是在神经生理学、语言哲学、控制论、信息论、计算机科学等学科的基础上发展起来的一门学科。人工智能技术按照其演进的过程又可将分为计算智能、感知智能和认知智能三个阶段。如今人工智能技术已在工业制造、信息安全、金融、医疗、教育、社会生活等各个领域有了成熟的应用。工业领域，人工智能技术具有得天独厚的优势并不断展现出高效率、可靠稳定、重复精度好等特点。在信息安全领域，人工智能技术和生物识别技术两者的深度融合解决了以前受技术发展所限造成的信息泄露等安全问题。医疗领域也能见到人工智能技术应用，例如垂直领域的图像算法和自然语言处理技术已可基本满足医疗行业的需求，这种模式可为病人提供诊前健康状况的初步分析和评估、诊中的病情研判和手术辅助、诊后的预后跟踪等医疗服务。
充分结合人工智能技术独有的先进性，在综合前面提到的三种传统控烟技术基础上进行了创新。此次进行的人工智能控烟方案分为三个部分完成：首先预测数据获取，主要包括依靠校园内视频监控系统提供视频图片以及通过技术手段获取到的数据；
其次是要利用高性能的模型训练平台资料进行大量视频图片的模型训练，其中包括吸烟者和未吸烟者两种状态，从而得到准确率较高的预测模型；
最后实施人工智能控烟系统的整体调试，主要包括预测模型的部署、高性能判断代码开发等。
2 人工智能控烟系统准备
2.1 模型训练平台
人工智能技术应用中一个非常重要的内容就是进行高准确性预测模型的训练，而要得到一个高准确性的模型就必须要依靠高性能的训练平台。EasyDL是百度公司的一款人工智能技术平台，目前携手90万用户、服务20多个行业场景。提供了较为便捷的数据集准备工作、智能标注、模型训练、服务部署等功能，内置多种常见的人工智能预训练模型，支持公有云、本地服务器、设备端等灵活部署模式，已在图像内容识别、视频图像监控、工业生产质检、专业领域研究、零售商品识别、医疗等领域得到了广泛使用与落地。目前与中国南方电网、中国气象、太平洋汽车网、中国专利信息中心、家图网等企业有深入的合作。
2.2 模型训练数据
数据是人工智能领域进行深入研究的前提，扮演者非常重要的角色。数据的获取可以通过常见的网络数据获取技术、摄像头等设备采集数据、知名网站提供的数据集以及我们平时积累的一些数据等。本系统的数据获取主要是采用网络图片数据及校园视频监控图片两种方式获取用于模型训练的数据。通过两种方式共收集到1 300多张图片，分为了吸烟者和未吸烟者两种。其中吸烟者图像数量为710张，未吸烟者数量为595张。根据人工智能数据训练要求将获取到的数据集划分为“吸烟”与“未吸烟”两种标签状态。在接下来介绍到的百度高性能人工智能训练平台EasyDL中对1 300多张图像逐一进行图像标注，部分图片标注结果如图1与图2所示。
2.3 模型训练效果
在完成数据集中吸烟者和未吸烟者图像标注之后，将整个标注结果送到EasyDL平台中利用时下较为流行的图像分类算法进行模型训练工作[4]。模型训练工作在百度提供的云端服务器进行，经过一段时间训练并得到模型后对产生的模型进行校验工作。最终吸烟判断模型训练如图3所示达到了优异程度，接下来可以利用该模型开展各种检测判断工作。
3 人工智能控烟原型系统设计
3.1 系统整体设计
原型系统包括视频监控模块、数据存储模块、图像处理集群、模型预测模块、事务处理集群[5]。视频监控系统获取学生实时图像传送至存储系统，经过图像处理集群工作之后将预处理数据交给已经训练好的预测模型进行判断，判断学生吸烟行为之后进行数据存储再交由事务处理集群与学生管理系统数据进行快速对比，最终确定吸烟者身份[6]。各模塊交互关系图如图4所示。
3.2 核心代码
经过百度EasyDL高性能模型训练平台的训练之后，预测模型的准确率可达到97%。接下来要开发配套的吸烟预测代码[7]，本系统采用目前人工智能领域较为流行的Python开发语言进行核心代码编写。下面为部分核心代码：
import json
import base64
import requests
import matplotlib.pyplot as plt
# 目标图片的 本地文件路径，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：返回的分类数量
PARAMS = {"top_num"：
2}
#服务详情中的接口地址
MODEL_API_URL="https：//aip.baidubce.com/rpc/2.0/ai_custom/v1/classification/smoke_or_not"
#调用API需要ACCESS_TOKEN。若已有ACCESS_TOKEN则于下方填入该字符串
#否则，留空 ACCESS_TOKEN，于下方填入该模型部署的API_KEY以及SECRET_KEY，会自动申请并显示新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（"模型检测结果：＼n{}".format（response_str））
3.3 结果预测
在构建完人工智能技术控烟系统之后，接下来使用吸烟者和未吸烟者的图片进行结果预测[8]，来初步检测预测模型的效果。从图5可以看出以下的两个预测图片都很准确地被识别出来，识别准确率都在93%以上。
通过对网络图片、视频采集图片两种不同数据类型的预测结果对比不难发现人工智能技术控烟方案能够非常出色地完成校园内学生吸烟行为的判断，如表1所示。
4 结 论
将模型投入到高校校园进行具体应用时还需要考虑其他方面的因素，主要是硬件环境配备与软件细化处理两个方面。首先从硬件环境配备入手，校园内要提供识别率较高的摄像头以便在规定频率内获取所监测场所学生的图像，同时还要配备具有足够计算资源及存储资源的服务器以便保证能够及时将获取到的图片进行处理判断。其次从学生管理部门的实际出发在后续的高校控烟系统完善过程中还要考虑到对检测出来的吸烟者进行追踪与警示功能，可以通过设计警示发布系统，定期在平台上公布系统检测出来的校园吸烟者以达到有效控制校园吸烟现象。
参考文献：
[1] 李爱兰，黄悦勤，王燕玲，等.我国青少年學生吸烟行为及其影响因素的初步分析[J].中国公共卫生，2001（1）：79-81.
[2] 刘子琪，沈宝国.关于高校建设无烟校园的思考与建议 [J].现代职业教育，2019（33）：80-81.
[3] 冯秀娟.浅谈人工智能技术在社会中的应用 [J].福建茶叶，2020，42（3）：302.
[4] 周金容，孙诚.人工智能时代的职业冲击与高职人才培养升级 [J].职业技术教育，2019，40（28）：18-24.
[5] 潘广贞，元琴，樊彩霞，等.基于混合高斯模型和帧差法的吸烟检测算法 [J].计算机工程与设计，2015，36（5）：1290-1294+1336.
[6] 彭明超，包姣，叶茂，等.基于形状参数回归的人脸对齐算法 [J].模式识别与人工智能，2016，29（1）：63-71.
[7] 程淑红，马晓菲，张仕军，等.基于多任务分类的吸烟行为检测 [J].计量学报，2020，41（5）：538-543.
[8] 张云雪.人工智能在体育应用中的现状及未来展望 [J].网羽世界，2021（2）：166-167.
作者简介：朱金坛（1981—），男，汉族，陕西渭南人，副教授，硕士，研究方向：大数据及人工智能方向的技术应用。