基于计算机视觉的口罩检测

基于计算机视觉的口罩检测

董文宇，陈静，丁子轩，乌索夫·叶夫根尼·根纳迪耶维奇

伊尔库茨克国立理工大学   伊尔库茨克，俄罗斯联邦

摘要

本研究利用深度学习中的MobileNetV2模型，对新冠疫情背景下公共场所口罩佩戴情况进行高效检测。该团队首先收集并预处理了包含两种场景的图像数据集，即戴口罩和不戴口罩，并对其进行了标记。对MobileNetV2模型进行训练，并结合数据增强技术，提高模型在各种未知场景下的泛化能力。实验阶段证明了该模型在不同场景下的良好检测性能，并与传统方法进行了对比验证。实验结果表明，基于mobilenetv2的口罩检测系统在准确性和响应速度上具有显著优势，能够快速准确地识别个体是否佩戴口罩。这使得该方法具有广阔的应用前景，尤其适用于公共卫生管理和安全监控，同时该模型在复杂照明和多角度条件下仍然保持鲁棒性，非常适合现实场景部署，有助于提高各种环境下的安全防范水平。（摘要控制在150字的200字之间）

关键词:深度学习，MobileNetV2，面具识别，数据增强，人工智能，人脸识别

引言：在全球范围内，公共卫生安全问题的重要性越来越突出，特别是在传染病大流行等突发公共卫生事件中，使用个人防护装备(PPE)成为预防和控制流行病的关键措施之一。口罩作为一种简单有效的个人防护装备，正确佩戴直接影响到病毒传播的风险[1]。然而，在大型公共场所或人员密集区域，依靠传统的人工监管检查每个人的口罩佩戴情况，耗时长，效率低，容易出现遗漏或误判[2]。

方法（如果是第1段标题的话，标题前面应该有标准格式。比如  一、本研究所用到的方法）

首先，在预处理阶段，对采集到的图像数据进行一系列必要的操作。图像被调整为固定的输入大小(例如224x224像素)，然后通过preprocess_input函数进行归一化。对于MobileNetV2模型，这意味着将RGB图像转换为BGR空间，并从每个通道中减去特定的平均值[103.939,116.779,123.68]，以确保输入数据匹配网络训练所需的规模和分布特征。

最后，模型的最后一层是softmax激活的全连接层，用于将输出转换为概率分布的形式，并根据目标的类别进行判断。

结果

Training results

图 1. 训练结果

从上面的训练结果来看，我们发现该模型准确率很高，准确率高达98.19%，正确率、查全率、f1分数等各项得分均达到0.98，模型准确率很高。只需要两个阶段的快速训练。

上传图片结果

图 2. 运行结果

如上所述，这些实验使用方框和检测概率分数来表示口罩的存在或不存在，口罩的存在为绿色及其概率，口罩的不存在为红色及其概率。非常直观。

讨论

本研究实现了基于MobileNetV2的掩码检测系统，取得了良好的实验效果。在有限的数据集上，模型的准确率高达98.19%，评价指标接近完美，验证了所选模型在实际场景中的可行性和有效性.

总结

在本研究中，MobileNetV2模型成功应用于开发高效准确的口罩检测系统，在有限的数据集上实现了高达98.19%的检测准确率，在现实场景中表现出明显优于传统方法的性能。该系统不仅具有扩展实时视频流检测和报警功能的潜力，而且在不同照明和角度下仍保持良好的鲁棒性，非常适合广泛部署在公共场所，加强疫情防控。因此，基于mobilenetv2的口罩检测技术在公共卫生安全管理和智能监控领域具有很高的应用价值和社会效益。

文献

1. 涂宏伟，甘平，钟若曦，庄雅丽，朱洁敏，何长云……& Song, T..(2022)。新型冠状病毒传播途径及个人防护措施研究进展中国公共卫生(08)，1011-1017.
2. 黄志祥，张义谦。2011中国小蜂属一新种(膜翅目，小蜂科)。(2023)。基于深度学习的目标检测技术综述。科技情报(24)，13-16。doi: 10.16661 / j.cnki.1672 - 3791.2312 - 5042 - 0876。
3. 周，T. Y.……(2022)。基于深度学习的公共场所口罩佩戴检测(硕士论文，华北理工大学)
4. C . C罗,李·B。歌,Y。,太阳,问:Y &叮,h . F . .(2022)。嵌入式设备的轻量级百香果检测模型。农业机械学报(11)，262-269+322。
5. 邢春雨&郑平(2022)。基于Centernet的口罩佩戴检测算法研究。现代信息技术(10)，67-72。doi: 10.042119850 / j.cnki.2096-4706.2022.10.017。

1