买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉广东工业大学申请的专利一种基于深度学习的吸烟行为检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120496179B 。

龙图腾网通过国家知识产权局官网在2025-11-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510575882.2，技术领域涉及：G06V40/20；该发明授权一种基于深度学习的吸烟行为检测方法是由谢国波;马慧聪;刘展宏;王泽玮;罗楷聪;黄小兵;周宇;苏庆;林志毅;刘岩;连凯;何炯星;温诗恒;袁海军;周城平设计研发完成，并于2025-05-06向国家知识产权局提交的专利申请。

本一种基于深度学习的吸烟行为检测方法在说明书摘要公布了：本发明公开的属于吸烟检测技术领域，具体为一种基于深度学习的吸烟行为检测方法，包括具体步骤如下：S1：构建疑似吸烟图像数据集；S2：对疑似吸烟图像数据集中的疑似吸烟图像进行预处理；S3：构建一种基于深度学习的吸烟行为检测模型，将疑似吸烟图像输入上述模型，自动识别疑似吸烟图像中的吸烟行为，得到吸烟行为检测结果；S4：划分疑似吸烟图像数据集，训练并验证吸烟行为检测模型；S5：应用吸烟行为检测模型。本发明可以提高吸烟检测的精度与鲁棒性；相比于传统网络本发明采用三分支检测头架构，结合自适应特征融合技术，显著提升复杂环境下的检测稳定性。

本发明授权一种基于深度学习的吸烟行为检测方法在权利要求书中公布了：1.一种基于深度学习的吸烟行为检测方法，其特征在于，包括具体步骤如下： S1：构建疑似吸烟图像数据集； S2：对疑似吸烟图像数据集中的疑似吸烟图像进行预处理； S3：构建一种基于深度学习的吸烟行为检测模型，将疑似吸烟图像输入上述模型，自动识别疑似吸烟图像中的吸烟行为，得到吸烟行为检测结果； S4：划分疑似吸烟图像数据集，训练并验证吸烟行为检测模型； S5：应用吸烟行为检测模型； 所述S3的具体步骤如下： S31：设计一种TCSEB三重条件卷积注意力模块，通过三种池化策略的并行处理，覆盖烟雾从弥散到稠密的不同形态特征，从而更好地捕获到疑似吸烟图像中的吸烟行为信息，加强了模型对吸烟行为的识别能力； S32：设计一种DSFB深度可分离卷积融合模块，通过双分支深度可分离卷积并行提取疑似吸烟特征图的局部细节与全局扩散特征，结合自适应多尺度池化与特征重组，有效提升模型对吸烟行为的检测能力； S33：设计了一种三分支深度可分离卷积检测头，在保持特征图尺寸的同时，增大了每个卷积核的感受野，有助于从输入的特征图中提取更多上下文信息，并捕获到不同尺度的目标特征，使得检测头能够提取到的丰富特征信息，从而提高吸烟行为检测精度和效率； S34：基于S31设计的TCSEB三重条件卷积注意力模块、S32设计的DSFB深度可分离卷积融合模块和S33设计的三分支深度可分离卷积检测头，构建一种吸烟行为检测模型，通过输入疑似吸烟图像，自动输出吸烟行为检测结果； 所述S31的具体步骤如下： S311：输入尺寸为H×W×C的疑似吸烟特征图到卷积核个数为C、大小为3×3、填充值为2的CBS模块中，得到尺寸为H×W×C疑似吸烟特征图； 其中H表示特征图的高度，W表示特征图的宽度，C表示特征图的通道数以及CBS模块卷积核的个数；在卷积操作中，输出特征图的通道数必须等于卷积操作卷积核的个数，所以均使用C来表示； S312：将尺寸为H×W×C的疑似吸烟特征图，沿通道分裂得到尺寸为H×W×C3的疑似吸烟特征图； S313：将疑似吸烟特征图进行平均池化操作，然后输入条件卷积中，接着进行GN批归一化操作并使用HardSwish激活函数进行非线性变换，得到尺寸为H×W×C3的疑似吸烟特征图； 其中表示平均池化操作，表示条件卷积，表示批归一化，表示激活函数； S314：将疑似吸烟特征图进行最大池化操作，然后输入到条件卷积中，接着进行GN批归一化操作并使用激活函数进行非线性变换，得到尺寸为H×W×C3的疑似吸烟特征图； 其中表示最大池化操作，表示条件卷积，表示批归一化； S315：将疑似吸烟特征图进行混合池化操作，然后输入到条件卷积中，接着进行GN批归一化操作并使用激活函数进行非线性变换，得到尺寸为H×W×C3的吸烟特征图； 其中表示混合池化操作，表示条件卷积，表示批归一化，表示激活函数； S316：将尺寸为H×W×C3的疑似吸烟特征图沿通道进行叠加，得到尺寸为H×W×C的疑似吸烟特征图；将输入到SE模块进行注意力增强得到尺寸为H×W×C的疑似吸烟特征图，然后将输入到卷积核个数为C、大小为3×3、填充值为2的CBS模块中，得到并输出尺寸为H×W×C的疑似吸烟特征图； 所述S32的具体步骤具体如下： S321：输入尺寸为H×W×C的疑似吸烟特征图到卷积核个数为C、大小为3×3、填充值为2的CBS模块中，得到尺寸为H×W×C疑似吸烟特征图; S322：将沿通道分裂得到尺寸均为H×W×C2的疑似吸烟特征图和疑似吸烟特征图; S323：对进行深度可分离卷积，接着进行GN批归一化操作，并使用GeLU激活函数进行非线性变换，得到尺寸为H×W×C2的疑似吸烟特征图;对进行深度可分离卷积，接着进行GN批归一化操作，并使用GeLU激活函数进行非线性变换，得到尺寸为H×W×C2的疑似吸烟特征图; 324：将和沿通道进行叠加得到尺寸为H×W×C的疑似吸烟特征图;然后将输入到两个分支，第一分支对进行自适应平均池化和双线性插值，得到尺寸为H×W×C的疑似吸烟特征图，第二分支对进行自适应最大池化和双线性插值，得到尺寸为H×W×C的疑似吸烟特征图; 其中表示深度可分离卷积计算，表示批归一化，为激活函数表示沿通道叠加，表示自适应平均池化，表示自适应最大池化，表示双线性插值； S325：将和沿通道进行叠加得到尺寸为H×W×2C的疑似吸烟特征图;然后对进行卷积核个数为C、大小为3×3、填充值为1的卷积操作得到尺寸为H×W×C的吸烟特征; 所述S33的具体步骤如下： S331：输入尺寸为H×W×C的疑似吸烟特征图到卷积核个数为C、大小为3×3、填充值为2的CBS模块，得到尺寸为H×W×C的疑似吸烟特征图; S332：将输入至三个分支中，在第一分支中，首先经过卷积核个数为C、大小为3×3、填充值为2的CBS模块得到尺寸为H×W×C的疑似吸烟特征图;然后将输入到卷积核个数为C、大小为1×1的分组卷积层中得到H×W×C的疑似吸烟特征图,经过Softmax归一化计算得到疑似吸烟特征图的目标类别； S333：在第二分支中，将输入至卷积核个数为C、大小为3×3的深度可分离卷积中，再进行GN批归一化和GeLU函数运算，得到尺寸为H×W×C疑似吸烟特征图;在第三分支中，将输入至卷积核个数为C、大小为3×3的深度可分离卷积中，再进行BN批归一化和GeLU函数运算，得到尺寸为H×W×C疑似吸烟特征图;将和进行特征相加得到尺寸为H×W×C的疑似吸烟特征图;接着将分别输入到第三分支和第四分支，在第四分支中将输入到卷积核个数为4、大小为1×1的分组卷积层中得到尺寸为H×W×4的疑似吸烟特征图,经过Sigmoid激活函数计算得到疑似吸烟特征图的吸烟目标回归框；在第五分支中将输入到卷积核个数为1、大小为1×1的分组卷积层中，得到尺寸为H×W×1的疑似吸烟特征图,经过Sigmoid激活函数计算得到疑似吸烟特征图的吸烟目标置信度，表示其位置存在吸烟目标的概率。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人广东工业大学，其通讯地址为：510000 广东省广州市东风东路729号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。