智慧工地抽烟识别检测系统 YOLOv8

智慧工地抽烟识别检测系统根据计算机深度学习+边缘视觉分析技术，智慧工地抽烟识别检测系统自动分析识别监控视频画面图片数据，无需人工控制；系统对监控画面中人员的吸烟行为进行识别，及时发现监管画面中人员的违规行为，立即抓拍存档并同步违规信息到后台，有效帮助后台人员及时处理违规行为，最大限度地减少漏报情况，提升现场作业信息化监控水平。智慧工地抽烟识别检测系统可实现火焰尺寸占视频图片总面积3%以上的识别，识别准确性≥97%。

YOLOv8 算法的核心特性和改动可以归结为如下：

提供了一个全新的 SOTA 模型，包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于 YOLACT 的实例分割模型。和 YOLOv5 一样，基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型，用于满足不同场景需求

Backbone:
骨干网络和 Neck 部分可能参考了 YOLOv7 ELAN 设计思想，将 YOLOv5 的 C3 结构换成了梯度流更丰富的 C2f 结构，并对不同尺度模型调整了不同的通道数。

Head： Head部分较yolov5而言有两大改进：1）换成了目前主流的解耦头结构(Decoupled-Head)，将分类和检测头分离 2）同时也从 Anchor-Based 换成了 Anchor-Free

Loss ：1) YOLOv8抛弃了以往的IOU匹配或者单边比例的分配方式，而是使用了Task-Aligned Assigner正负样本匹配方式。2）并引入了 Distribution Focal Loss(DFL)

Train:训练的数据增强部分引入了 YOLOX 中的最后 10 epoch 关闭 Mosiac 增强的操作，可以有效地提升精度

# From Mr. Dinosaur
 
import os
 
 
def listdir(path, list_name):  # 传入存储的list
    for file in os.listdir(path):
        file_path = os.path.join(path, file)
        if os.path.isdir(file_path):
            listdir(file_path, list_name)
        else:
            list_name.append(file_path)
 
 
list_name = []
path = 'D:/PythonProject/data/'  # 文件夹路径
listdir(path, list_name)
print(list_name)
 
with open('./list.txt', 'w') as f:  # 要存入的txt
    write = ''
    for i in list_name:
        write = write + str(i) + '\n'
    f.write(write)

作业现场临时设施多，防火标准低，现场易燃，可燃材料多。现场应位于不同的地形及周围设备，如安全防护网、沼液等，在各种易燃易爆物品区域吸烟，可能造成危险事故。为了保证人员的安全，严禁在现场吸烟。智慧工地抽烟识别检测系统应运而生。

智慧工地抽烟识别检测系统根据智能视频分析和深度神经网络技术，智慧工地抽烟识别检测系统对进入监控画面中出现的人员抽烟行为实时识别预警，人员违规信息可显示在后台，智慧工地抽烟识别检测系统也可将告警信息推送到移动端， 联动音箱提示现场人员及时处置。