YOLOv5-Based Cigarette Detection and Audible Warning System for Public Health and Environmental Sustainability

Abstract

The use of cigarettes causes numerous health issues worldwide, leading to millions of deaths annually. To mitigate the individual and societal impacts of smoking, including passive smoking, "smoke-free zone" initiatives play a crucial role in protecting public health. In this study, the YOLOv5 model was utilized for real-time detection of smoking behavior. A dataset comprising 3,912 images captured under varying lighting, angle, and background conditions was created and augmented to 10,176 images using various data augmentation techniques. The data were labeled on the Roboflow platform and trained using the Ultralytics HUB integrated with the Google Colab Pro environment. During training, the YOLOv5s model achieved a 90.6% precision rate, 73.4% recall, and a 0.825 mAP@0.5. Detected smoking behavior was communicated to users via an auditory warning system. This system played a pre-recorded sound file using the Pygame library whenever a predefined confidence threshold was exceeded. Thus, compliance with smoke-free zone regulations was supported, and the risk of passive smoking was minimized. This study provides valuable insights into protecting human health and improving environmental air quality, thereby making a meaningful contribution to the literature. This study contributes to the Sustainable Development Goal of "Good Health and Well-Being" by offering an innovative technology that serves the public interest. It provides valuable outcomes for human health and environmental air quality, making a meaningful contribution to the literature.

Keywords

• Good Health and Well-Being
• Deep Learning
• Image Processing
• Cigarette Detection
• Sound Alert

Kamu Sağlığı ve Çevresel Sürdürülebilirlik için YOLOv5 Tabanlı Sigara Tespiti ve Sesli Uyarı Sistemi

Abstract

Sigara kullanımı, dünya genelinde çok sayıda sağlık sorununa yol açarak her yıl milyonlarca insanın ölümüne neden olmaktadır. Pasif içicilik de dahil olmak üzere, sigaranın bireysel ve toplumsal etkilerini azaltmak amacıyla geliştirilen “dumansız hava sahası” uygulamalarının halk sağlığını korumada önemli bir rolü vardır. Bu çalışmada, YOLOv5 modeli kullanılarak sigara içme davranışının gerçek zamanlı tespiti hedeflenmiştir. Farklı ışık, açı ve arka plan koşullarında çekilen 3.912 görüntüden oluşan bir veri seti oluşturulmuş ve çeşitli veri artırma teknikleriyle bu sayı 10.176’ya çıkarılmıştır. Veriler Roboflow platformunda etiketlenmiş ve Ultralytics HUB kullanılarak Google Colab Pro ortamında model eğitimi gerçekleşleştirilmiştir. YOLOv5s modeli, eğitim sürecinde %90.6 doğruluk oranı (Precision), %73.4 duyarlılık (Recall) ve 0.825 mAP@0.5 değerlerine ulaşmıştır. Tespit edilen sigara içme davranışı sesli bir uyarı sistemiyle kullanıcıya iletilmiştir. Bu sistem, güven eşiği aşıldığında önceden hazırlanmış bir ses dosyasını Pygame kütüphanesi aracılığı ile çalmaktadır. Böylece bireylerin yasaklı alanlarda yasağa uyum sağlamaları desteklenmiş ve pasif içicilik riski en aza indirilmeye çalışılmıştır. Bu çalışma, sürdürülebilir kalkınma hedeflerinden “Sağlıklı ve Kaliteli Yaşam” hedefine katkıda bulunarak, kamu yararına hizmet eden yenilikçi bir teknoloji sunmaktadır. İnsan sağlığı ve çevresel hava kalitesine yönelik değerli sonuçlar ortaya koyarak literatüre anlamlı bir katkı sağlamaktadır.

Keywords

• Sağlık ve Kaliteli Yaşam
• Derin Öğrenme
• Görüntü İşleme
• Sigara Tespiti
• Sesli Uyarı

References

1. [1] Albayrak Z, Konak Ö. (2022). “Tütün kullanımının çevresel zararları, pasif etkilenim ve üçüncü el sigara dumanı.” Acar T, editör. Tütün Bağımlılığı ve Tedavisi. 1. Baskı. Ankara: Türkiye Klinikleri; p.78-82.
2. [2] WHO global report on trends in prevalence of tobacco use 2000-2025, fourth edition. WHO. [Son Erişim Tarihi: 20 Aralık 2024 https://www.who.int/publications/i/item/9789240039322]
3. [3] Türkiye Cumhuriyeti Sağlık Bakanlığı. (2023). "Hakkımızı Koruyalım." Havanı Koru, [Son Erişim Tarihi: 23 Aralık 2024 https://havanikoru.saglik.gov.tr/hakkimizi-koruyalim.html?utm_source]
4. [4] Halk Sağlığı Genel Müdürlüğü. (2019). “Dumansız hava sahası denetim sistemi nedir?” [Son Erişim tarihi: 23 Aralık 2024 https://tektiklabilgielinde.saglik.gov.tr/tutun-kullanimi/dumansiz-hava-sahasi-denetim-sistemi-nedir.html?utm_source]
5. [5] La Vigne, N. G., Lowry, S. S., Markman, J. A., & Dwyer, A. M. (2011). “Evaluating the use of public surveillance cameras for crime control and prevention.” Urban Institute. [Son Erişim tarihi: 23 Aralık 2024 https://www.urban.org/sites/default/files/publication/27556/412403-evaluating-the-use-of-public-surveillance-cameras-for-crime-control-and-prevention.pdf]
6. [6] Tian, C., Xu, Z., Wang, L., and Liu, Y. (2023). “Arc fault detection using artificial intelligence: Challenges and benefits.” Math. Biosci. Eng. vol. 20, pp 12404–12432. DOI:10.3934/mbe.2023552
7. [7] Wang Z, Lei L, Shi P. (2023). “Smoking behavior detection algorithm based on YOLOv8-MNC.” Front Comput Neurosci, vol. 17, pp 1-14. DOI:10.3389/fncom.2023.1243779
8. [8] Khan, A., Elhassan, M. A. M., Khan, S., & Deng, H. (2025). “Deep learning-based smoker classification and detection: An overview and evaluation.” Expert Systems with Applications, 267:126208. https://doi.org/10.1016/j.eswa.2024.126208.

9. [9] Arıcı, F. N., & Orhan, H. (2024). “Farklı Derin Öğrenme Algoritmalarının Gerçek Zamanlı İHA Tespitine Etkileri.” Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım Ve Teknoloji, 12(2), 691-706. https://doi.org/10.29109/gujsc.1406837 [10] Jang, H.Y.; Hwang, C.H. (2020). “Methodology for DB construction of input parameters in FDS-based prediction models of smoke detector.” J. Mech. Sci. Technol. 34, 5327–5337. DOI:10.1007/s12206-020-1133-0
10. [11] Imtiaz, M.H.; Ramos-Garcia, R.I.; Wattal, S.; Tiffany, S.; Sazonov, E. (2019). “Wearable sensors for monitoring of cigarette smoking in free-living: A systematic review.” Sensors , 19, 4678. DOI:10.3390/s19214678
11. [12] A. I. Khan and S. Al-Habsi, (2020). “Machine Learning in Computer Vision”, Procedia Computer Science, vol. 167, pp 1444-1451. DOI:10.1016/j.procs.2020.03.355
12. [13] Tzu-Chih Chien, Chieh-Chuan Lin, and Chih-Peng Fan, (2020). “Deep Learning Based Driver Smoking Behavior Detection For Driving Safety.” Journal of Image and Graphics, vol. 8, no. 1, pp. 15-20.
13. [14] C. Bahhar et al., (2023). “Wildfire and Smoke Detection Using Staged YOLO Model and Ensemble CNN,” Electronics, vol. 12, no. 1. DOI:10.3390/electronics12010228
14. [15] Yücel, M., & Aksoy, B. (2024). “İnsansız Hava Aracı ile Yangın Bölgesinin Tespiti ve Müdahalesinin Yapay Zekâ ile Tahminlenmesi.” Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 28(3), 559-569. DOI:10.19113/sdufenbed.1545887
15. [16] Huang, Jinfan & Li, Rong. (2023). “Smoking Driving Behavior Detection Based on Deep Learning.” Academic Journal of Science and Technology. 5. 59-62. DOI:10.54097/ajst.v5i2.6049
16. [17] Z. Zhang, H. Chen, R. Xiao, and Q. Li, (2021). “Research on smoking detectionbased on deep learning,” Journal of Physics: Conference Series, vol.2024, no. 1, p. 012042. DOI:10.1088/1742-6596/2024/1/012042
17. [18] Lakatos R, Pollner P, Hajdu A and Joo T (2024). “A multimodal deep learning architecture for smoking detection with a small data approach,” Frontiers in Artificial Intelligence, vol. 7, p. 1326050. DOI:10.3389/frai.2024.1326050
18. [19] D. Zhang, C. Jiao and S. Wang, (2018) "Smoking Image Detection Based on Convolutional Neural Networks," IEEE 4th International Conference on Computer and Communications (ICCC), pp. 1509-1515. DOI:10.1109/CompComm.2018.8781009
19. [20] Y. Ma, J. Yang, Z. Li and Z. Ma, (2022). "YOLO-Cigarette: An effective YOLO Network for outdoor smoking Real-time Object Detection," in 2021 Ninth International Conference on Advanced Cloud and Big Data (CBD), pp. 121-126. DOI:10.1109/CBD54617.2021.00029
20. [21] W. Zhang, A. L. De Ocampo and R. Hernandez, (2024). "Detection of Smoking Behaviors Using Human Key Points and YOLOv8." in 2024 IEEE Cyber Science and Technology Congress (CyberSciTech), pp. 335-340. DOI:10.1109/CyberSciTech64112.2024.00059
21. [22] Xiangkui Jiang (2022). “A smoking behavior detection method based on the YOLOv5 network.” J. Phys.: Conf. Ser. 2232 012001. DOI:10.1088/1742-6596/2232/1/012001
22. [23] C. Bai, Y. Zhou and Q. Guo, (2022), "Application Study of Area-Based and YOLOv4 Smoking Behavior Detection," 2022 4th International Conference on Natural Language Processing (ICNLP), pp. 7-12.
23. [24] Singh, T. (2023). “Real Time Cigarette Detection using Deep Learning Models.” International Journal for Research in Applied Science and Engineering Technology. pp 1946-1948.
24. [25] Roboflow, Roboflow: Build and deploy custom computer vision models. [Son Erişim Tarihi: 1 Aralık 2024, https://roboflow.com]
25. [26] Google Colab, Google Colaboratory, [Son Erişim Tarihi: 2 Aralık 2024, https://colab.research.google.com]
26. [27] A. Khan, S. Khan, B. Hassan, and Z. Zheng, (2022.) “CNN-based smokerclassification and detection in smart city application,” Sensors, vol. 22, no. 3, p. 892.DOI:10.3390/s22030892
27. [28] Python Software Foundation, Python Programming Language. Erişim Tarihi: 30 Kasım 2024, https://www.python.org
28. [29] Bradski, G. (2000) “The OpenCV Library.” Dr. Dobb’s Journal of Software Tools, 120; 122-125.
29. [30] Ultralytics, YOLOv5, [Son Erişim Tarihi: 1 Aralık 2024, https://ultralytics.com]
30. [31] Pygame, Pygame: Python Game Development, [Son Erişim Tarihi: 30 Kasım 2024, https://www.pygame.org]
31. [32] Python Software Foundation, time — Time access and conversions. Python Documentation. [Son Erişim Tarihi: 30 Kasım 2024, https://docs.python.org/3/library/time.html]