类型a：这篇文档报告了一项原创研究，以下是针对该研究的学术报告。
作者与机构信息
本研究由谭梦颖（讲师，博士）、王祥和聂磊（教授，博士）完成，他们均来自湖北工业大学机械工程学院。该研究发表于2024年9月的《安全与环境学报》（Journal of Safety and Environment），文章编号为1009-6094(2024)09.3522.10。
研究背景
吸烟行为在隧道、煤矿井等高风险施工环境中具有极大的安全隐患，因为火星可能引发火灾或爆炸，严重威胁施工人员的生命财产安全。因此，实时监测吸烟行为对于预防事故发生至关重要。然而，在低照明复杂环境下，如隧道中，光照强度低、光线分布混杂、点光源过曝光等问题导致烟支检测精度较低。目前，基于深度学习的目标检测技术逐渐成为吸烟行为检测的主流方法，但在低照度条件下，小目标（如烟支）的检测仍然面临挑战。为此，本研究提出了一种基于改进YOLOv5s（You Only Look Once version 5s）的吸烟行为检测模型，旨在提高低照明复杂环境下的烟支检测精度。
研究流程
本研究包括四个主要步骤：数据获取及标注、图像增强、模型优化及训练、吸烟检测。
数据获取及标注
研究团队利用智能安全头盔在地铁隧道、地下车库等低照明复杂施工环境中采集了多角度、多背景的吸烟图像数据。随后对采集到的图像进行了精细化标注，构建了一个包含2750张图片的吸烟行为数据集，其中训练集和测试集的比例为8:2。
图像增强
针对低照明度复杂环境的图像特征，研究设计了一种结合限制对比度自适应直方图均衡（Contrast Limited Adaptive Histogram Equalization, CLAHE）和自适应伽马变换（Adaptive Gamma Transform, AGT）的图像增强方法。首先，将图像从RGB空间转换到HSV空间，并在V通道上应用CLAHE算法以提升局部区域亮度分布的均匀性，抑制过曝光现象。其次，通过AGT动态调整像素值，增强暗部和高光部分的细节表现。实验表明，当CLAHE的cliplimit参数设置为3时，图像增强效果最佳。
模型优化及训练
在原YOLOv5s模型的基础上，研究引入了卷积块注意力模块（Convolutional Block Attention Module, CBAM），并在主干网络的核心特征提取模块C3中嵌入CBAM，以增强模型对烟支目标区域内容信息和位置信息的聚焦能力。此外，研究改进了多尺度检测头，增加了一个更小的目标检测层，以提高模型对烟支小目标的检测能力。最终，经过图像增强预处理的数据集被输入到改进后的模型中进行训练，经过多轮迭代与优化，得到了一个针对低照明复杂环境的吸烟行为检测模型。
吸烟检测
将智能安全头盔采集到的视频上传至云服务器，通过训练好的模型对隧道施工过程中的吸烟行为进行实时检测并预警。
研究结果
1. 图像增强的效果
实验结果表明，使用本文提出的图像增强方法后，烟支检测的精度（Precision, P）较初始对照组提升了3.2个百分点，从93.5%提升至96.7%；平均精度（Average Precision, AP）提升了2.7个百分点，从91.8%提升至94.5%。这表明图像增强方法显著改善了低照度复杂环境下的图像质量。
模型改进的效果
消融实验结果显示，引入CBAM注意力机制后，模型的P提高了1.7个百分点，召回率（Recall, R）提高了1.9个百分点，AP提高了2.1个百分点；增加小目标检测层后，P提高了2.0个百分点，R提高了1.5个百分点，AP提高了1.7个百分点。综合使用图像增强方法和模型改进策略后，改进后的YOLOv5s模型在烟支检测上的整体性能显著提升：P从93.5%提高至97.5%，R从90.4%提高至93.7%，AP从91.8%提高至95.9%。
对比实验
对比实验表明，本文的改进模型在检测精度上明显优于YOLOv3-tiny、YOLOv7-tiny、YOLOv8s等主流目标检测算法，且综合性能也较优。
研究结论
本研究提出了一种基于改进YOLOv5s的吸烟行为检测模型，特别适用于低照明复杂环境。通过设计基于CLAHE的图像增强方法和引入CBAM注意力机制及小目标检测层，显著提升了模型在低照度复杂环境下的烟支检测精度。实验结果表明，改进后的模型在P、R和AP指标上均取得了显著提升，证明了该方法的有效性。
研究意义与价值
1. 科学价值
本研究为低照度复杂环境下的目标检测提供了新的思路，特别是在小目标检测方面，提出了结合图像增强和注意力机制的解决方案，为相关领域的研究提供了参考。
研究亮点
1. 创新性方法
提出了结合CLAHE和AGT的图像增强方法，有效解决了低照度环境下图像质量差的问题。
新颖的技术整合
在YOLOv5s模型中引入CBAM注意力机制和小目标检测层，显著提升了模型对烟支小目标的检测能力。
显著的性能提升
改进后的模型在P、R和AP指标上均取得了显著提升，表明该方法在低照明复杂环境下的优越性。
其他有价值的内容
研究团队还探讨了不同图像增强算法对模型性能的影响，并验证了CLAHE和AGT组合方法的优势。此外，消融实验详细分析了各项改进策略对模型性能的具体贡献，为后续研究提供了重要参考。