摘要：随着烟草专卖监管数字化转型的深入推进，传统人工稽查方式已难以满足高效、精准的执法需求。全省系统工作会议要求，推动数字化转型在专卖监管工作方面取得新成效。本文基于 YOLOv8 技术数智模型构建及应用研究，依托车载卡口高清摄像头捕捉视线范围内车辆的图像，并采集车辆、轨迹等信息建成自有“车脸”数据库，通过视觉技术深度学习进行车辆检测、跟踪和信息分析，从而实现自动识别车牌、记录车辆特征，并对重点布控车辆进行实时分析、及时预警，为专卖监管提供情报研判支撑，用数智化武装为基层带来新质生产力。实验表明，该模型在自建数据集上的平均精度（mAP）达 81.12% ，检测速度达51FPS，显著提升了专卖监管的智能化水平。

关键词：专卖监管；YOLOv8；数智预警；目标检测

0 引言

在烟草专卖监管中，车辆轨迹追踪与异常行为识别是打假破网的关键环节。近年来，随着行业打击涉烟违法犯罪活动的力度不断增大，有效遏制了非法烟草制品的泛滥势头。然而，受高额利润的诱惑，卷烟制假售假与走私贩私等不法行为如同顽疾，依然潜伏于市场暗流之中，长期存在且难以根除。鉴于此类犯罪活动展现出的高度隐蔽性、频繁发生以及跨地区操作等特点，传统依赖人工观察或公安协查的方式存在效率低、响应慢、覆盖范围有限等问题，难以应对日益复杂的涉烟违法活动，亟需创新手段与策略以应对复杂多变的形势。

随着计算机视觉技术的快速发展，深度学习在目标检测领域取得了突破性进展，特别是以 YOLO（You Only Look Once）系列为代表的目标检测算法，凭借其高速度、高精度和轻量化优势，在安防监控、智能交通、工业质检等领域得到广泛应用。

南阳市作为河南省重要的烟草生产和销售区域，涉烟违法运输行为屡禁不止，给专卖执法带来了巨大挑战。传统稽查手段依赖人工布控和随机抽查，不仅耗费大量人力物力，还难以实现精准拦截。针对这一现状，本文结合南阳市烟草专卖局的实际监管需求，提出一种基于 YOLOv8 的车载卡口数智模型。该模型通过部署在执法车辆上的高清摄像头实时采集道路车辆信息，利用深度学习算法实现车牌识别、车辆特征提取和轨迹分析，并结合历史数据构建涉烟违法车辆数据库，实现自动比对和实时预警。实验表明，该模型能够有效提升烟草专卖监管的智能化水平，为基层执法提供高效、精准的技术支撑。

1. 相关工作

1.1 目标检测算法发展

目标检测是计算机视觉领域的核心任务之一，其发展历程经历了从传统方法到深度学习的重大变革。根据检测流程的差异，现代目标检测算法主要可分为两类：两阶段检测算法和一阶段检测算法。这两类算法在精度和速度上各具优势，适用于不同的应用场景。

两阶段检测算法因其”先候选框生成，后分类回归”的特点而得名。最具代表性的工作是 Mask R-CNN 将卷积神经网络引入目标检测领域，采用选择性搜索生成候选区域，然后使用 CNN 提取特征，最后通过 SVM 进行分类。虽然精度显著提升，但存在重复计算、速度慢等问题。

一阶段检测算法将目标检测视为回归问题，直接在网络中预测目标类别和位置，具有显著的速度优势。代表性算法如YOLO 系列算法。YOLOv1 开创性地提出单阶段检测框架，将检测任务转化为单个回归问题。YOLOv8 进一步优化网络架构，在保持高速度的同时，mAP 达到 82.1% ，推理速度达 120FPS 。表 1-1 展示了主流目标检测算法在Pascal VOC 数据集上的性能对比：

表1-1 主流目标检测算法对比

从表中可以看出，YOLOv8 在保持高精度的同时，具有显著的推理速度优势，这使其成为实时检测任务的理想选择。

1.2 车载场景的挑战

在烟草专卖监管的实际应用中，车载卡口系统面临着诸多独特的挑战，这些挑战对目标检测算法提出了更高的要求。

1.2.1 图像质量挑战

执法车辆在移动过程中拍摄的画面容易出现运动模糊，特别是在高速行驶时，使得目标边缘变得不清晰，严重影响特征提取的效果。实际执法环境的光照条件复杂多变，强光照射导致的过曝、夜间或隧道内的低光照、天气因素造成的能见度降低等，并且受限于执法记录仪的硬件，图像分辨率通常不高，这使得小尺寸目标的检测变得困难。

1.2.2 目标特性挑战

车辆在道路上的姿态千变万化，不同视角和不同程度的偏转角度使得同一类目标的表观特征差异巨大。

在远距离拍摄时，车辆和车牌在图像中只占很小比例。特别是在高速公路场景下，目标可能只有几十个像素大小。在交通拥堵或停车场等场景，车辆密集排列，存在严重的遮挡问题，传统的检测算法容易出现漏检或误检。

1.2.3 实时性要求

烟草执法对系统的响应速度有严格要求：从发现嫌疑车辆到发出预警需要在短时间内完成，并且需要在有限的计算资源下保持稳定的性能

针对上述挑战，YOLOv8 在执法场景中主要展现出以下独特优势：

1. 全局推理能力：YOLOv8 在预测时会考虑整张图像的上下文信息，这使其能够更好地区分目标和背景干扰，减少因局部特征导致的误检

2. 实时性能：其单阶段设计和高效率网络架构使其能够在普通GPU 上达到实时检测，适应移动端的部署需求。

3. 多尺度预测：通过特征金字塔结构，YOLOv8 可以有效检测不同尺度的目标，提升小目标的识别率。如图 1-1 所示，展示了 YOLO系统多尺度目标检测的过程。

所述，针对烟草专卖监管中的车辆检测任务，YOLOv8 在精度、速度和适应性等方面都展现出显著优势，因此被选为本研究的基准模型。在后续章节中，我们将详细介绍如何针对具体应用场景对YOLOv8 进行优化和改进。

2. 方法设计

2.1 数据准备与增强策略

2.1.1 数据采集与标注

针对烟草专卖监管场景的特殊需求，本研究构建了一个专业的多模态数据集。数据采集过程严格遵循以下规范，数据来源为南阳市烟草专卖局不分执法记录仪视频、高速公路卡口监控视频和人工采集的街景图像，覆盖城区、乡镇等不同执法场景，采集早中晚不同时段的监控视频，并针对典型场景进行补充拍摄，确保涵盖逆光、雨雾等各类特殊条件。

数据标注规范主要分为三方面，一是车辆标注，采用最小外接矩形框标注，要求框体紧贴车辆边缘，对部分遮挡车辆进行特殊标记。二是车牌标注，除常规矩形框外，增加四点标注法（标注车牌四角坐标），支持倾斜车牌检测。三是违法特征标注：对改装车辆、遮挡车牌等典型违法特征进行专项标注。构建后的数据集如表2-1 所示：

表2-1 数据集详细构成

2.1.2 数据增强策略

为提高模型泛化能力，设计了一套层次化的数据增强流程：

1. 基础增强模块：通过颜色扰动对 HSV 空间随机调整（ H±30^∘ ，S±50% ， V±30% ）和通过噪声注入高斯噪声（ ）和椒盐噪声（密度 =0.005 ）。具体代码如图2-2 所示：

图2-2 基础增强模块代码

2. 场景自适应增强策略：基于物理渲染模型生成不同光照条件如强光过曝（模拟正午阳光）、低照度（模拟夜间场景）、动态光影（模拟树荫等复杂光照）

3. 违法特征增强：专门设计针对烟草违法特征的增强方法如车牌遮挡模拟（随机位置、随机遮挡比例 10‰ ）、车辆改装模拟（通过GAN生成可疑改装特征）和可疑装载模拟（在货车货箱添加异常轮廓）。具体流程如图2-3 所示：

图2-3 数据增强流程

本数据方案通过多层次、智能化的增强策略，有效提升了模型在复杂执法环境下的适应能力，为后续模型训练奠定了坚实的数据基础。所有增强过程均保持标注信息的同步变换，确保训练数据的准确性。

2.2 模型架构优化模型网络架构如图2-4 所示：

我们采用 CSPDarknet53 作为基础结构，对骨干网络进行优化并引入SE 注意力模块，见公式2-1：

本方案通过系统性的方法设计，在保持YOLOv8 高效特性的同时，针对烟草专卖场景进行了全方位优化，为后续实验验证奠定了基础。具体流程如图2-5 所示：

3. 实验与结果分析

3.1 实验环境配置

本文实验的硬件环境包括：NVIDIA GeForce GTX 3080ti GPU，IIntel（R） Core（TM） i7-10750H CPU 。软件环境包括深度学习框架 PyTorch 启用 AMP 自动混合精度训练，UDA 优化采用 TensorCore 加速计算，内存管理使用NVIDIA 的Unified Memory 技术。如图3-1所示：

3.2 性能对比分析

3.2.1 定量评估结果

通过在自建烟草专卖数据集上的性能对比，如表3-1 所示：

表3-1 模型性能对比（测试集）

图3-2 不同模型在测试集性能对比

通过上图和上表我们可以发现，在精度提升方面，通过 SE 注意力机制使 mAP 提升 1.8% ，BiFPN 结构贡献 1.4% 提升。在速度方面，因增加特征保留路径，FPS 降低约 12% ，但仍保持实时性。在内存效率方面，模型大小仅增加 5% ，远小于精度提升幅度。

3.2.2 跨场景泛化测试

为了验证在不同执法场景下的表现，我们对模型场景适应性进行了测试，如下表所示。我们可以看出，模型基本在车辆检测 AP 和车牌识别准确率基本满足需求，平均误检率在 5% 左右。

表3-2 场景适应性测试

3.3 错误案例分析

通过对测试集 1532 个错误案例的系统分析，我们建立了详细的错误分类体系，结果如图3-3 和表3-3 所示：

图3-3 错误类型分布饼图

表3-3 错误类型详细统计

针对上述错误类型，我们下一步将通过模型迭代进行改进，通过遮挡补偿开发基于 transformer 的局部 - 全局特征融合模块和动态采样策略在训练过程中自动识别困难样本来动态调整样本权重，达到遮挡问题随网络深度增加逐步改善和特殊车牌错误在数据增强后显著下降。

4. 结论与展望

本研究基于 YOLOv8 框架构建的烟草专卖车载卡口数智预警系统，通过系统性优化实现了显著的技术突破。在算法性能方面，系统在自建烟草执法数据集上达到 81.12% 的 mAP ，较基准模型提升 3.2个百分点，同时保持 51 FPS 的实时处理能力，展现了优异的工程适用性。在实际应用层面，该系统已成功识别隐蔽运输案件，充分验证了方案的实用价值。后续研究中我们将探索区块链技术在执法证据存证中的应用，通过不可篡改的特性确保证据链完整性，最终实现全天候、高精度的智能化监管目标，为构建新一代智慧执法体系提供关键技术支撑。

参考文献

[1] 陈韩英 ， 胡熔曦 . 深度学习技术在刑侦图像处理中的应用研究[J]. 湖南警察学院学报 ，2024，36（04）：75-84.

[2] 李猛坤 ， 柯正轩 ， 于定荣 ， 等 . 基于移动边缘计算的车联网车 牌 号 码 识 别 算 法 [J]. 计 算 机 工 程 与 设 计 ，2021，42（11）：3151-3157.DOI：10.16208/j.issn1000-7024.2021.11.020.

[3] 薛艺璇 . 执法记录仪场景下基于深度学习的目标检测算法研究[D]. 西安电子科技大学 ，2020.DOI：10.27389/d.cnki.gxadu.2020.002492.

[4] Yaseen M. What is YOLOv8： An In-Depth Exploration of the Internal Features of the Next-Generation Object Detector[J/OL].

[5]Redmon J， Divvala S， Girshick R， et al. You Only Look Once： Unified， Real-Time Object Detection[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016： 779-788.

[6]Lin T Y， Goyal P， Girshick R， et al. Focal Loss for Dense Object Detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2020， 42（2）： 318-327.

[7]Ren S， He K， Girshick R， et al. Faster R-CNN： Towards Real-Time Object Detection with Region Proposal Networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（6）： 1137-1149.

[8] 刘婷 . 执法仪场景下车牌识别系统的设计与实现 [D]. 西安电子科技大学 ，2021.DOI：10.27389/d.cnki.gxadu.2021.002546.

第一

作者简介：梁天冕，男，新野县烟草专卖局（分公司），打假打私稽查员

第二

作者简介：崔晓霁、男、南阳市河南油田烟草专卖局、一级烟草专卖管理师