基于YOLO目标识别技术的基层疫情防控监测系统的开发与应用

吴思娴 周树功 杨泽天

摘 要 在新型冠状病毒疫情防控背景下，基于YOLO深度学习神经网络算法的基层疫情防控系统，可快速、精确地识别出疫情期间在社区特定区域内是否有超额的人数、人员口罩佩戴情况，科学防控疫情。针对疫情防控下人员聚集情况并结合人工智能进行智慧监测，通过YOLO目标识别技术快速精准地识别人员佩戴口罩的佩戴情况，可使物联网可视化，让YOLO 深度学习神经网络算法得到应用和推广。

关键词 AI智能识别 视频感知 视频预测 YOLO目标识别技术 疫情防控

中图分类号：TP18;R1 文献标识码：A 文章编号：1007-0745（2022）02-0001-03

2020年新型冠状病毒（COVID-19）在全国爆发，全国各地响应国家号召，对疫情做出防控。社区防控是疫情防控的关键环节[1]。为了保护城乡社区人民群众生命安全和身体健康，需要对人员密集地区做出科学预警，将感染风险降到最低[2]。当前有很多人流监管系统虽然开发成熟度高，如MoniBox监测系统等人员密集处的监管系统，但由于系统其应用难度较高，必须有专业实施顾问，同时由于大型监测信息系统开发周期长、系统柔性不强、精确度不准确等，给部分用户造成了一定的经济负担。本系统的开发相较于市面其他系统有以下特色：（1）可以根据用户自定义设置人群聚集条件，针对不同场景做出警报判定条件。（2）系统通过现有的摄像头、局域网及计算机设备可直接导入系统，开发成本低。

1 基于YOLO目标识别技术的基层疫情防控监测系统设计与实现

YOLO目标识别技术基于YOLO框架的深度学习算法，利用这个算法可以检测出人员是否有大面积聚集并可依据于此制作报警设备。基于YOLO目标识别技术的基层疫情防控监测系可以根据单位面积、人员数量和口罩数量三个变量的比来判定人员是否无防护措施聚集。如果达到人员聚集标准即可将报警信号发送到音响实现语音报警。目前，基于YOLO目标识别技术在社区人员是否摔倒、小区内积水预警等领域有了广泛的应用。

1.1 基于YOLO的人数和口罩佩戴识别技术框架

具体内容见图1。

1.2 YOLO目标识别技术在疫情防控中的应用

YOLO目标识别技术属于计算机视觉技术领域。为了快速、精確地识别出疫情下一定区域范围内是否有大量的人员聚集，本文提出了一种基于YOLO深度学习神经网络算法的人员聚集报警设备。利用YOLOv3深度学习卷积神经网络框架技术[3]来快速的检测摄像头内人员的数量（可达到每秒56帧以上）。利用YOLOv3深度学习卷积神经网络训练了大约2000张含有各种类型口罩的图片得到了一种复杂光线环境下口罩快速识别网络模型。基于YOLO目标识别技术的基层疫情防控监测系可以根据摄像头的录制面积、利用YOLOv3算法识别出的人员数量和口罩数量三个条件，在报警设备的报警条件模块设置人员聚集的标准（根据摄像头安装的位置和焦距计算出摄像头摄像面积，根据摄像面积[4]识别出的人员数量和口罩数量来设置报警的阀值），摄像头安装后实时采集视频数据，视频数据发送到YOLO的算法[5]处理模块来计算视频中人员数量和口罩数量并根据报警设备的报警条件模块设置人员聚集的标准来决定是否发出报警信号。如果达到人员聚集标准即可将报警信号发送到音响实现语音报警。目前，基于YOLO目标识别技术的基层疫情防控监测系统的难题在于根据实际场景中YOLO的摄像头采集的视频数据处理速度还不够快[6]，如果要提高处理速度并且多点监控，那么对服务器CPU和GPU的硬件要求就会很高，产品成本也随之提高。

1.3 基于YOLO目标识别技术的基层疫情防控监测系统功能模块

（1）人员聚集判定条件设置模块，可实现自定义设置人员聚集的条件，一旦发生聚集，系统将发出提示并响铃进行预警。社区根据应用场景的不同，可以设定不同的标准。一旦超出设定的人数限制，系统就会发出警报。（2）监控识别模块，通过利用YOLOv3深度学习卷积神经网络框架技术和录像设备可快速精准识别复杂光线条件下的人员和口罩数量[7]。可以观察到最近报警时间，累计报警次数等信息，内容详细具体。（3）警报查询模块，能够将聚集信息存储在数据库中，根据关键点进行回溯，实现高效率的跟踪倒查。输入具体时间、地点进行预警信息查询。

2 基于YOLO的基层疫情防控监测系统的应用与推广

由用户设定人员聚集标准条件，在选定场合安装监控摄像头。当人员聚集的时候，通过YOLO计算机视觉技术精准识别人员数量和口罩佩戴情况[8]，并且将视频信息储存到系统中，当该场所达到人员聚集标准时，在客户端发出报警信号，此时工作人员需要减少人员进入。若出现疑似患者或者密切接触者出现在该场所，本系统可通过倒查回放系统中储存的视频信息，协调工作人员找出此人接触的大概人数、是否有佩戴口罩，此人的行踪，减少工作人员的工作负担[9]（系统应用过程图如图2所示）。

2.1 系统特色

（1）成本较低，安装便利。通过现有的摄像头、局域网及计算机设备可直接导入系统。（2）报警条件个性化设置。针对不同场景可自定义人员聚集警报判定条件。（3）跟踪倒查精准识别。系统监测具体到时间、地点、距离、人数和口罩数量，并可根据疫情下的感染情况进行跟踪倒查。

2.2 推广场景

（1）学校。学校是人口密集的地方之一，保护学生安全至关重要。堵塞与排队往往是很多人头疼的问题，这在校园中也不例外。我们经常看到，饭点时食堂摩肩接踵，人满为患的场面，快递街百米长龙，又在临近期末图书馆一座难求的场景。疫情期间，对校园人流量管控更为必要。在水房、食堂、图书馆人流量大，这就增加了学生感染的风险。并且，在很多时候，校园资源会遭到时间或者空间上的限制。为了做到错峰、错流出行，有效地规划自己的行程来节省时间。本产品在学校市场应用前景还是广泛的。（2）商场。随着现代市场经济的高速发展，人们消费水平和生活水平在不断提高，购物已经成为大家一种习以为常的生活享受方式，随着众人对购物欲望的不断攀升，消费者对于购物环境和购物场所的档次要求也越来越高，于是，越来越多的大型消费场所应运而生。然而，规模越大，他们对监控的要求也就越高。大型商场或超市人流量过多，疫情期间更加应该加强防控。（3）景区。现在疫情有所好转，节假日出行的人也越来越多，各个景区的游客数量都在迅速增长，导致景区人流超负荷，给游客的人身安全造成了巨大的威胁。景区限流是一项控制景区游客数量的措施，通过制定景区限定区域内最大人口承载数量，来控制景区内的人口，从而保障游客的生命安全。

安装本系统后，可以检测人员佩戴口罩情况和人员数量，景区管理人员对某区域内人数做出限定标准，当人数超过标准条件时，系统会在操作端发出警报，提醒工作人员人数已超，协助工作人员快速做出应急措施，减少人员进入，避免了踩踏事故的发生、降低人员感染的风险。

2.3 创新思路

（1）基于YOLO神经网络算法能够快速、精准地识别监控下人员数量、佩戴口罩和未佩戴口罩人数，人员是否超标，是否要控制人数。（2）利用摄像头捕捉视频，系统监测具体到时间、地点、距离、人数和口罩数量，方便工作人员倒查视频。（3）结合报警系统，当人数超过用户规定标准后，该系统的客户端会发出警报，提醒人数已经超标，需要削减人数。（4）我们可根据社区内人员聚集程度的不同，设定人员聚集人数的标准。

2.4 市场需求分析

唐山市内有200多家城乡社区，河北省城乡社区更是数不胜数，目前疫情有所好转，但某些城市还会传来有人被感染的消息，为了预防社区内成员聚集，将人们活动时间分开，检测人员是否正确佩戴口罩，降低人员感染风险，减轻社区工作人员的负担，我们的系统不仅可以提供精确识别口罩、人员数量的功能，还可以通过警报系统提醒工作人员人数已达标。因此，本项目产品的推广应用前景广阔。

2.5 市场定位

目前，国内有许多成熟的人流监管系统，能够在景区、地铁站等人流交汇处设置，能够很好的识别人员数量，而我们的系统相较于其他监测系统而言，成本低、增加了人员密度的监测和报警功能、可以识别口罩佩戴情况，能够更有效的在疫情条件下，对人们的活动场所进行防控，分隔全社区人员活动时间，便于引导人员进行疏散。本产品的系统操作简单，并且更新时间短，能够有效在疫情防控下实施人流监测。因此，将本系统市场定位于唐山市及河北省的城乡社区。

2.6 市场机会

（1）系统专注其本身的更新和技术的运用，将产品与服务结合。此系统的应用非常适用于此时疫情状况下的人流监测，极大地防止了在公共场所人员密集导致的交叉传染。（2）本系统以 YOLO 深度学习神经网络算法为基础，能够快速、精确识别出疫情下一定区域范围内是否有大量的人員聚集。人员在使用本系统时具有很强的自由灵活性，可自行决定该地区所限定的标准人数，让其来实现人员聚集报警。（3）本系统所需技术利用 YOLOv3 深度学习卷积神经网络框架技术来快速的检测摄像头内人员的数量，速度可达到每秒 56 帧以上。可支持所在地区工作人员的监测需求，其具有自动报警装置，更有助于在疫情防控期间有效驱散聚集的人员。

3 结论

本文提出了一种基于YOLO算法的疫情防控监测系统的实施与推广的方法[10]，主要目的是用于解决公共场合下，人员流动的检测以及口罩识别佩戴情况，做到科学疫情防控。其次，通过对YOLO技术的不断研究，拓展了技术的应用模式，在社区、学校、景区、商场等地方，都有着良好的应用前景。

参考文献：

[1] 周艳萍，姜怡，饶翮，等.新型冠状病毒肺炎疫情期间公众使用口罩现状调查[J].护理研究，2020，34（11）： 2041-2044.

[2] 虞乔木，郑东桦.新冠肺炎疫情防控常态化研究[J].中国公共安全（学术版），2020（01）：65-68.

[3] 嵩天，礼欣，黄天羽.Python 语言程序设计基础[M].北京：高等教育出版社，2017：35-36.

[4] 杨晋生，杨雁南，李天骄.基于深度可分离卷积的交通标志识别算法[J].液晶与显示，2019，34（12）：1191-1201.

[5] Guo J X， Liu L B， Xu F， et al. Airport Scene Aircraft Detection Method Based on YOLO v3[J].Laser & Optoelectronics Progress，2019，56（19）：191003.

[6] 沈秉乾.基于视频分析的室内人体跌倒检测方法的实现[D].广州：华南理工大学，2013.

[7] 吴晓莉，郭磊贤，郭晓芳.深圳社区疫情防控管理信息平台应用[J].城乡建设，2020（06）：11-13.

[8] GIRSHICK R，DONAHUE J，DARRELL T.Rich feature hierarchies for accurate object detection and semantic seg-mentation[C]//IEEE Conference on Computer Vision and Pattern Recognition（CVPR），2014.

[9] 同[7].

[10] 施辉，陈先桥，杨英.改进 YOLOv3的安全帽佩戴检测方法[J].计算机工程与应用，2019，55（11）：213-220.