口罩佩戴检测和社交安全距离预警巡查车设计

本文设计了 一辆口罩佩戴检测和社交安全距离预警自主巡查车,上位机以树莓派4B作为巡查车系统的运算和控制中心,通过外接摄像头采集周围视频信息,利用PyramidBox模型检测视频中的人脸是否佩戴口罩,同时进行YOLOv3行人检测,计算行人间距离,从而提醒保持安全社交距离.驱动控制层则以STM32为核心,利用蓝牙作为直接控制信号,可以自动按照预定路线或者手动控制方式巡查.实验结果证明,该车不但能够检测行人是否正确佩戴口罩,而且能够检测人们之间的社交距离并及时进行声光预警.     

基于多尺度优化感知网络的口罩检测方法

佩戴口罩是全球医学专家公认最有效的预防新冠肺炎感染的方法之一。基于视觉的智能口罩检测技术对于督促人们在公共场合佩戴口罩具有重要的作用。然而,目前专用口罩检测算法较为缺乏,通用目标检测算法对于多尺度、多角度和外观多样的戴口罩人脸目标识别仍然无法满足检测精度的要求。针对该问题,提出了一种基于多尺度优化感知网络的口罩检测方法——PyramidMask。首先,PyramidMask从骨干网络的不同尺度获取图像的多层特征;然后设计尺度感知分支进行不同层的高密度先验框独立预测,以端到端的方式对图像中多尺度的人脸进行精准定位和佩戴口罩检测。此外,为了提高模型对复杂环境的鲁棒性,在训练阶段以图像拼接的方式对训练样本进行数据增强。实验结果表明,在公开的口罩检测数据集上,PyramidMask优于当前主流方法。相较于基准方法,PyramidMask在检测戴与未戴口罩的召回率上分别有5.4%和12.5%的提升,精确率上分别有6.0%和4.1%的提升。     

OpenStack对象存储身份和访问控制管理的安全性分析与改进

随着云计算技术的蓬勃发展,Open Stack作为"云"家族中的新兴成员正在逐步成为该领域的核心技术。作为公有云和私有云的共同技术基础,Open Stack不但可以提供基础平台层的服务,而且能够实现统一的云管理平台自动化。然而,Open Stack作为一种新型的、动态的云服务,目前在安全性方面仍不完善。本文重点对Open Stack的对象存储进行安全性分析,发现Open Stack对象存储中身份认证、访问管理两个方面存在安全隐患。针对这些安全问题,本文提出相应的改进方案,提高了Open Stack对象存储的安全等级,为用户提供更为安全的平台服务。     

基于改进SSD的口罩佩戴检测算法

新冠疫情近年来在全球肆虐,新冠病毒具有极强的传染性,在公共场所佩戴口罩可以阻断病毒的传播途径,有效遏止疫情的蔓延。利用计算机视觉技术对公共场合佩戴口罩行为进行检测具有重要意义,在疫情防控常态化条件下,需要对人脸口罩佩戴进行正确识别,同时要识别口罩佩戴是否正确。在实际检测环境中,口罩佩戴检测任务中的场景复杂多样,佩戴口罩的人脸目标尺度不一,正确与错误佩戴口罩特征差异小,难以检测。提出一种改进SSD算法的口罩佩戴检测算法。以SSD检测算法为基础,引入特征融合网络及协调注意力机制,重构特征提取网络,增强对细节信息的学习和处理能力。同时,将算法的分类预测分数和IoU分数进行合并表示,使用Quality Focal Loss函数调节正负样本的权重。在自制口罩佩戴检测数据集上的实验结果表明,该算法的平均精度均值达到96.28%,与原始算法相比提高了5.62%,对口罩佩戴检测具有良好的准确性和实用性,可满足疫情防控下的实际需求。     

改进YOLOv7与DeepSORT的佩戴口罩行人跟踪

针对视频序列中因脸部遮挡、漏检而造成的无法正确判断行人是否佩戴口罩的问题,提出一种基于改进YOLOv7与DeepSORT的佩戴口罩行人跟踪算法。该算法将口罩检测、行人检测与跟踪相结合,通过在YOLOv7的主干网络中添加注意力机制,增加浅层特征图,加强网络对小目标的感知能力,提高口罩检测与行人检测精度;帧内关系模块利用匈牙利算法进行帧内目标关联,对行人进行口罩佩戴标记;将方向差因素加入到DeepSORT算法的关联代价中,消除跟踪轨迹的历史预测方向和新检测速度方向不一致问题;使用改进的DeepSORT算法对行人进行跟踪,并对每条轨迹进行口罩佩戴标记更新,实现对佩戴口罩与未佩戴口罩行人的跟踪。实验结果表明,改进的YOLOv7网络平均检测精度mAP50相比原始算法提升了3.83个百分点;在MOT16数据集上,该算法的跟踪准确性MOTA相较DeepSORT算法提高了17.1个百分点,跟踪精度MOTP提高了2.6个百分点。与检测算法相比,提出的算法能够跟踪到更多的行人是否佩戴了口罩,具有更好的效果。     

改进YOLOv5的轻量化口罩检测算法

为了提高现有口罩检测算法检测效率，降低算法参数量以及模型大小，提出了一种改进的轻量化口罩检测算法YOLOv5-MBF。用GELU激活函数替换MobileNetV3深层网络的hard-swish激活函数，优化了模型收敛效果，将改进的MobileNetV3网络替换YOLOv5s主干网络，降低计算量提高模型检测速度。增加BiFPN特征金字塔结构与不同特征层融合，提高了检测精度。在数据处理方面使用Mosaic和Mixup数据增强提高该模型的泛化性和鲁棒性。边框回归损失函数使用Focal-Loss EIoU，优化了模型训练收敛速度且提高了口罩和人脸边框定位精度。最后添加CBAM注意力机制使得模型更关注重要特征抑制不显著特征提高检测性能。实验结果表明，该算法在佩戴口罩目标和无佩戴口罩目标上的平均精度均值达到了89.5%，模型推理速度提升了43%，模型参数了减少了49%，模型大小降低了48%，满足口罩检测任务的实时性和检测精度要求。     

改进RetinaFace的自然场景口罩佩戴检测算法

新型冠状病毒可以通过空气中的飞沫、气溶胶等载体进行传播，在公共场所下正确佩戴口罩可以有效地防止病毒的传播。提出了一种自然场景下人脸口罩佩戴检测方法，对RetinaFace算法进行了改进，增加了人脸口罩佩戴检测任务，优化了损失函数。在特征金字塔网络中引入了一种改进的自注意力机制，增强了特征图的表达能力。建立了包含3 000张图片的数据集，并进行手工标注，用于网络训练。实验结果表明该算法可以有效进行口罩佩戴检测，在自然场景视频中也取得了不错的检测效果。     

云计算环境下业务自动化部署的设计与实现

云环境下服务自动化部署是当前云计算研究领域的热点问题,是现有服务向云平台上迁移的前提,具有重要的理论意义和使用价值。本文首先对业务的架构进行分析,将其分成不同的组件并提取需要部署的软件及依赖关系,由此编写自动化部署配置文件。在Open Stack dashboard组件中加入相关代码,调用Salt Stack API实现对自动化部署参数的获取和处理,利用带有saltstack-minion的镜像和本地repository对虚拟机进行软件部署。通过实验证明本系统是可运行的。     

基于InterOP Stack的新一代平台互操作技术

介绍了Internet上平台互操作的最新技术：InterOP Stack技术家族。InterOP Stack主要是为解决目前B2B全球体系进程中遇到的最大问题：集成和交互。InterOP Stack 利用Internet系统交互的标准技术XML，在其之上定义了模块接口和平台服务的标准界面，使得B2B服务的全球集成成为可能。而基于InterOP Stack技术而构建的B2B应用称为Web Service。     

基于深度学习的口罩佩戴检测与跟踪

佩戴口罩可以有效预防病毒的传播,为减少通过人工方式检查口罩佩戴情况所消耗的大量人力资源,提出一种基于深度学习的口罩佩戴检测与跟踪方法,该方法分为检测和跟踪两个模块。检测模块在YOLOv3网络的基础上引入空间金字塔池化结构,实现不同尺度的特征融合;然后将损失函数改为CIoU损失,减少回归误差,提升检测精度,为后续跟踪模块提供良好的条件。跟踪模块采用多目标跟踪算法Deep SORT,对检测到的目标进行实时跟踪,有效防止重复检测,改善被遮挡目标的跟踪效果。测试结果表明,该方法的检测速度为38 f/s,平均精度值达到为85.23%,相比原始YOLOv3算法提高了4%,能达到实时检测口罩佩戴情况的效果。     

图书馆防疫实时监测系统

本项目针对在疫情的情况下图书馆智能一体化的管理，在门禁防疫管理部分，使用STM32F103ZET6主控将M4255-HA IC卡RFID读写模块、YOLOv5技术、MLX90614红外测温模块以及自动消杀模块联动起来，实现了身份识别、口罩识别、红外测温、与自动消杀的一体化检测。在室内防疫管理部分，同样采用YOLOv5技术，提供座位管理、口罩与体温实时监测以及自动提醒管理员的功能。口罩识别部分，使用训练出的权重调用YOLOv5的检测输入图片或视频流，YOLOv5会对每一帧进行人及口罩的目标预测，输出拟合度高的目标，检测到未佩戴口罩的行为后，最后保存照片，最后，室内部分调用邮箱发送函数，将图片和提醒发送到预先设定的邮箱和微信公众号完成自动提醒管理员功能。座位管理部分，采用目标间的距离检测来实现座位的间隔管理，从而避免人员距离过近，YOLOv5检测要检测的视频流中的所有人，然后再计算所有检测到的人之间的相互“距离”，当“距离”小于设置的安全距离时，保存照片发送给管理员。本系统在实际应用过程中，整体准确率高达95%以上，验证了本系统的稳定性与可靠性，具有良好的应用前景。     

人脸口罩佩戴检测研究综述

人脸口罩佩戴检测是近两年在全球新冠疫情背景下快速发展的一个新兴研究课题。疫情常态下,佩戴口罩是有效防疫的重要手段,因此公共场所下对人员是否佩戴口罩的检查与提醒必不可少。利用人工智能完成口罩佩戴检测工作可以达到实时监督的目的,节省人力资源,有效避免误检、漏检等问题。对当前口罩佩戴检测研究所使用的网络模型和相关算法进行了详细梳理。针对口罩佩戴检测任务及其应用背景进行了简要说明;重点总结和分析了基于深度神经网络和基于目标检测模型两种思路的检测算法,主要讨论了不同研究方案的优缺点、改进方法和适用场景;介绍了常用的相关数据集,对比展现了各算法检测性能;对仍然存在的问题以及未来发展的方向进行了探讨和展望。     

基于STM32的口罩识别及无接触测温系统的实现

新型冠状肺炎疫情爆发,公共场所进行无接触测温可以第一时间筛选出疑似病例,降低疫情传播风险。通过人脸识别可以检测人员是否符合防疫要求（佩戴口罩）,此功能减轻防疫工作人员负担。将无接触测温与身份检测装置结合,使功能更加完善,操作更加方便。系统采用ARM单片机STM32F103作为主控芯片,搭配外围电路按键,并通过GY-906红外温度传感器采集温度数据传送到单片机经过A-D转换后在TFT液晶屏幕显示,此外利用OpenMV4-H7摄像头对采集信息处理,判别是否符合防疫要求。此装置将远距离测温以及口罩识别功能集成于一个装置,具有简易便携、易操作、稳定性高等优点,为防疫工作的高效进行提供了帮助。     

集成Docker容器的OpenStack云平台性能研究

针对Open Stack云平台虚拟机未能较好利用宿主物理机资源的问题,结合基于组件工作的Open Stack在云平台管理中的高效性和Docker容器虚拟化的快速部署优势,搭建基于Docker容器技术的Open Stack云平台。对云平台管理的Docker容器中实际运行的客户机操作系统进行计算、调度、内存访问、文件读写等基础性能测试,做出相关性能的评估与分析,并在多实例运行状态下将其与Open Stack传统虚拟机进行性能比较。分析结果表明,该云平台能够利用Docker容器的轻量级虚拟化优势,优化云计算管理系统的计算性能和文件读写性能。     

基于YOLOv5增强模型的口罩佩戴检测方法研究

人脸口罩佩戴检测是公共场所疫情防控中极为重要的措施,智能、高效地检测口罩佩戴情况对实现疫情防控的自动化和数字化具有重要意义。使用卷积类深度神经网络实现端到端的人脸口罩佩戴检测具有可行性,但卷积类神经网络具有结构复杂、参数量和浮点计算量庞大的特点,从而产生较高的计算开销和内存需求,极大地限制了其在资源有限的终端设备上的应用。为了使人脸口罩佩戴监督功能更易获取,并实现多尺度条件下的模型压缩和加速检测,提出一种基于改进YOLOv5的轻量化增强网络模型。设计参数量和计算量更小的GhostBottleneckCSP和ShuffleConv模块并替换原YOLOv5网络中的C3及部分Conv模块,以降低特征通道融合过程中的计算量并增强特征表达能力。实验结果表明,该模型的识别精度达95%以上,模型在精度近乎无损失的前提下,参数量和计算量分别仅为原YOLOv5网络的34.24%和33.54%,且在GPU和CPU上的运行速度分别提升13.64%和28.25%,降低了模型对内存存储及计算能力的要求,更适用于在资源有限的移动端部署。     

改进FCOS的复杂场景口罩佩戴检测算法

针对在复杂场景口罩佩戴检测中存在的多尺度、多角度和遮挡等问题，提出一种基于改进FCOS的复杂场景口罩佩戴检测算法。在算法的骨干网络中引入Res2Net的分组残差连接结构，提高网络对不同尺度口罩的特征提取能力，并在其中集成可变形卷积，拓展其对未知形状物体的建模能力；设计一种集成注意力机制的特征金字塔，为不同的特征通道赋予不同的权重，抑制无用的特征信息；根据目标口罩的相关统计特征自动地划分正负样本，提高不同尺度口罩的样本质量，并引入Generalized Focal Loss联合训练样本的分类分数和定位质量分数，提升算法性能。实验结果表明，在复杂场景下的口罩佩戴检测中，该改进算法的mAP相比于原始FCOS提高6.7个百分点，同时与一些主流的目标检测算法相比，该改进算法也具有更好的效果和鲁棒性。     

基于OpenCV的人脸口罩检测门禁系统

设计一种基于OpenCV的人脸口罩规范佩戴检测门禁系统及设备。该系统包括输入部分、控制部分和响应部分。控制部分基于OpenCV AdaBoost级联分类器,以树莓派作为主控制核心,分析用户口罩佩戴及其体温情况;响应部分是通过STM32单片机对系统机械闸门进行控制。当用户体温正常,佩戴口罩且佩戴规范时,系统通过驱动模块控制机械闸门模块打开门闸,允许用户进出;当用户体温过高,未戴佩带口罩或口罩佩戴不规范时,则通过驱动模块控制机械闸门模块关闭门闸,限制用户出行。同时设备中的语音播报系统会对未佩戴或不规范佩戴口罩的用户进行提醒,体温过高的用户则会触发设备的报警功能。     

基于事件驱动机制的虚拟化故障检测恢复系统

为解决虚拟化条件下云平台故障排除不及时的问题,在开源云平台Open Stack上设计并实现一种虚拟化故障检测恢复系统。该系统由GUI层、调度层、逻辑层和功能层组成,以事件驱动机制为核心,将系统中传递的信息作为事件按时序进行处理。以感知模块、策略模块、执行模块为主体,调用Open Stack API和Libvirt API实现与虚拟机管理层的交互。建立以信息获取、分析处理、故障恢复为主要内容的故障检测恢复体系,通过对云平台运行环境的实时检测,获取状态参数,根据策略对参数进行分析判断并制定应对措施,实现对故障的自动恢复。实验结果证明,该系统可以在无代理情况下对云平台进行实时检测和故障自动恢复,增强云环境的安全性,提升云平台的高可用性。     

复杂场景下基于YOLOv5的口罩佩戴实时检测算法研究

在新型冠状病毒疫情防控常态化要求下,目前的口罩佩戴检测装置受复杂场景下人员数量多、相互间易遮挡以及待检目标尺度小的影响,易出现误检漏检等情况;为解决以上问题,提出一种基于YOLOv5的口罩佩戴检测算法以实现复杂场景下的实时检测;首先对数据集做Mosaic数据增强等处理;再经过Focus处理为后续的特征提取保留更完整的图片下采样信息,然后利用SPP融合多尺度信息实现特征增强,在Neck部分保留空间信息;最后考虑目标框与检测框之间的重叠面积、中心点距离和长宽比选用CIoU损失函数以提高定位精度,并且在训练过程中对学习率采用动态调整策略;实验结果表明,改进后算法的平均精度均值可达到99.6％.     

基于改进YOLOv3的自然场景人员口罩佩戴检测算法

针对新冠肺炎防控期间肉眼识别判断行人是否佩戴口罩效率低且存在较大风险的问题,提出一种改进检测目标边框损失的自然场景下行人是否佩戴口罩的检测算法.该算法对YOLOv3损失函数进行改进,应用GIoU计算目标边界框损失,完成自然场景下行人是否佩戴口罩的检测.算法在开源的WIDER FACE数据集和MAFA数据集上训练,采集自然场景图片进行测试,行人是否佩戴口罩的mAP(mean Average Precision)达到了88.4%,取得了较高的检测准确率,在自然场景视频检测中平均每秒传输帧数达到38.69,满足实时检测的要求.