混叠场景下的轻量级口罩佩戴检测算法

针对混叠场景下口罩佩戴检测识别率低,而现有检测模型结构复杂难以部署的难题,提出了一种轻量级口罩佩戴检测算法。首先,轻量化网络MobileNetv3作为混叠场景图像的特征提取网络;其次提出通道混洗,空间上利用不同感受野的卷积核进行特征提取的注意力机制,实现特征信息的强化;最后设计了损失函数解决了数据类不平衡问题,提高了模型检测精度。在公开数据集测试表明,模型平均检测精度为78.1%,FPS达到65.53 Hz,满足在小型设备部署的要求。     

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。     

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.     

自然环境下实时人脸口罩检测与规范佩戴识别

新冠状病毒具有很强的传染性,规范佩戴口罩可以阻隔病毒通过空气中的飞沫、气溶胶等载体传播,然而在公共场合时有公民不佩戴口罩或不规范佩戴口罩的现象,不利于疫情防控工作的开展。为解决这一问题,提出了一种自然环境下的实时人脸口罩检测与规范佩戴识别方法,采用YOLOv4算法,在自然环境下对公民口罩佩戴情况进行检测。针对模型参数量大,难以部署应用的难题,引入轻量级骨干网络L-CSPDarkNet（LightCSPDarkNet）以提高模型的检测速度,同时提出轻量级特征增强模块Light-FEB（Light Feature Enhancement Black）和多尺度注意力机制Multi-Scale-Sam（MultiScaleSam）增强轻量级主干网络的特征提取能力。实验结果表明,该算法精度可达91.94%,相比于原始YOLOv4算法提高了3.55个百分点,检测速度达到75?frame/s,高于原始YOLOv4的35?frame/s,可满足实际应用的需求。     

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。     

基于改进YOLOv5模型的复杂场景口罩佩戴识别

为满足疫情时期的特殊需要,基于改进YOLOv5模型,设计一款应用于复杂场景的口罩佩戴识别检测系统。系统采用Py Charm集成开发环境,从网络上爬取1600张口罩佩戴相关的图片,在原始k-means算法基础上加入聚类算法,获取与真实框之间的更高的先验框。在人机交互界面使用Qt组件设计,图像和模型数据加载使用开源OpenCV视觉库实现。口罩佩戴检测的核心算法使用目标检测算法中的YOLOv5训练并结合PyTorch框架实现。实验结果表明,系统能够实现多人场景下人群佩戴口罩状况的检测,在多人物以及实时检测场景中准确率有所提高,在使用和效果上都具有自身特有的优势。     

一种口罩佩戴和体温检测系统的设计与实现

面对疫情防控的实际需求,关于利用信息技术提高疫情防控效率的探索成为行业关注的焦点。综合利用深度学习视觉分类技术和无线测温技术,设计了一种口罩佩戴检测和无接触测温预警的一体化疫情防控系统。系统中采用目标检测模型YOLO设计了口罩佩戴检测和无线测温模块,实现对目标人群的无接触测温;通过PyQt进行了系统集成,一体化系统的设计和实现有效提高了疫情防控效率。系统有较高的精度和较为广泛的适用性,具有较好的应用前景。     

融合CBAM的YOLOv4轻量化检测方法

基于深度学习的目标检测算法应用于无人机视觉中，会极大提升无人机的场景理解能力，但模型参数量和计算量巨大，难以应用于移动端或嵌入式平台.因此本文提出了一种效果较好的轻量级实时检测模型，采用YOLOv4模型网络作为主要参考模型，使用MobileNet替换主干网络，并通过添加CBAM注意力机制以及Soft-NMS后处理策略来提高模型的准确性.选用PASCAL VOC数据集来测试所提出的轻量级YOLOv4模型，结果显示参数量只有原模型的一半，但速度FPS提升了26.48,精度mAP只下降了0.52%.将所提出的轻量化YOLOv4模型部署Nvidia Jetson TX2低功耗系统以及树莓派上，飞行试验显示在TX2上模型FPS达到了21.8,是原始的YOLOv4的4.74倍，将本算法部署到无人机装载的嵌入式平台上，能够对航拍视野中的车辆目标进行实时识别和定位.     

面向目标检测任务的轻量化网络模型设计

为解决基于深度学习模型的目标检测任务在移动设备和嵌入式设备上难以部署的问题，以现有的YOLO系列模型为实例，提出一种轻量级目标检测网络模型small-YOLOV3及small-YOLOV4。提取YOLO模型的主干网络作为基础结构，采用SPP、PANet、FPN等重新轻量化设计，对轻量级模型int8量化达到降低参数大小和计算量的目的。实验结果表明，small-YOLOV3及small-YOLOV4模型在保证一定精度的情况下，其大小缩减为原模型的1/49,有效提高了在硬件条件受限情况下目标检测任务的速度。     

一种改进的YOLOv3嵌入式实时车辆检测算法

受制于嵌入式平台的性能和资源制约，基于深度学习的车辆检测算法在部署时面临网络参数量过大、模型复杂、移植困难等问题。提出一种基于MobileNetv3网络的YOLOv3改进目标检测算法，使用轻量级MobileNetv3网络替换传统主干特征提取网络Darknet53,修改FPN特征金字塔为FPN+PAN结构，同时引入注意力机制以提高算法的检测精度。在计算机平台和瑞芯微RV1126嵌入式平台上的实验结果表明，改进后的YOLOv3算法模型减小50%,检测精度提升0.85%,推理时间缩短50%。     

基于YOLOx目标检测算法的口罩佩戴检测系统设计

本文提出了一种基于YOLOx的口罩佩戴检测方法。该方法首先对输入模块进行改进,加入双向弱光自适应网络模块,引入弱光特征,增强了模型在复杂环境下检测的鲁棒性。其次,增加了各种遮挡下的口罩佩戴检测,提高复杂环境下目标的识别精度。最终,为了测试检测效果,在佩戴口罩数据集上进行对比实验。实验结果表明,改进后的算法在实验数据集上将口罩佩戴检测mAP提高了约1.35%、达到了94.75%,而且在复杂环境和弱光环境下的检测效果也得到了较好的提升,具有较强的泛化能力。     

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。     

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。     

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％.     

基于轻量级结构重参数化网络的口罩检测算法

常态化疫情防控形势下,火车站、地铁站等公共场所人群密集,容易发生病毒的传播。针对人群密集场所口罩目标较小、模型参数量大、难以部署的问题,提出一种改进的轻量级结构重参数化网络。在Retinaface算法上,使用双重级联金字塔网络替换原有的特征融合网络,增强特征信息,提高对小尺度目标的检测效果;同时使用结构重参数化网络RepVGG替换原有的MobileNet0.25主干网络,在模型训练时,通过残差结构提高模型特征提取能力,在模型推理时,通过模型结构重新参数化减少模型参数,提高推理速度。实验结果表明,本文算法在GPU上帧率达到92.59 fps,在自建数据集的3个不同等级的验证集上的平均准确率（mAP）达到94.17%、93.30%、86.88%,相比原始Retinaface算法分别提高了1.17个百分点、2.89个百分点、5.35个百分点,可以更好地在自然场景中进行口罩佩戴检测。     

一种基于YOLO算法的口罩佩戴检测研究

介绍了机器学习的基本概念和常见类别(有监督学习、无监督学习、强化学习),介绍了深度学习的概念、基本技术以及它与机器学习的关系,研究了基于神经网络的的YOLO算法在实际生活中的应用,如检测目标人物是否佩戴口罩,并对实际模型的性能进行评估及模型优化方向作思考.     

改进目标检测算法在变电站内安全管控的应用

变电站作为电力系统中重要一环,保证变电站作业人员的安全是至关重要的。为了自动检测作业人员是否正确穿着工作服佩戴安全帽,提出一种基于Transformer自注意力编码特征融合轻量级的目标检测网络。通过采用轻量级的主干网络提取特征,注意力机制融合多尺度特征。提出了质量焦点损失方法,改善目标检测模型训练和测试阶段推理过程不一致问题。同时,采集并标注变电站场景下人员工作服安全帽数据5?200张。将提出的轻量级目标模型在自制的工作服安全帽数据集上训练,并在测试集上验证,该目标检测方法识别mAP达44.6%,AP50达79.5%,达到117 FPS。     

采用YOLOV5模型的口罩佩戴识别研究

为实现口罩佩戴的有效识别,本文提出了一种采用改进的YOLOV5模型的口罩佩戴识别方法。首先,对主流目标识别算法与YOLOV5识别模型进行介绍;然后,着重探讨了用于口罩佩戴识别的YOLOV5模型的改进;最后,对改进的YOLOV5模型进行评估与分析。     

基于深度学习的自然场景文本检测与识别综述

自然场景文本检测与识别研究对于从场景中获取信息有重要意义,而深度学习技术有助于提高文本检测与识别的能力.主要对基于深度学习的自然场景文本检测与识别方法和其研究进展进行整理分类、分析和总结.首先论述自然场景文本检测与识别的相关研究背景及主要技术研究路线;然后,根据自然场景文本信息处理的不同阶段,进一步介绍文本检测模型、文本识别模型和端到端的文本识别模型,并阐述和分析每类模型方法的基本思路和优缺点;另外,列举了常见公共标准数据集以及性能评估指标和方法,并对不同模型相关实验结果进行了对比分析;最后总结基于深度学习的自然场景文本检测与识别技术面临的挑战和发展趋势.     

新冠肺炎疫情背景下聚集性传染风险智能监测模型

新型冠状病毒肺炎疫情严重威胁人们的生命安全,对于聚集性人群密度及口罩佩戴情况的监管是控制病毒扩散的重要途经。公共场所具有人流密集且流动性大的特点,人工监测易增加感染风险,而现有基于深度学习的口罩检测算法存在功能及场景单一的问题,不能在多场景下实现多类别检测,同时精度也有待提升。提出Cascade-Attention R-CNN目标检测算法,实现对聚集区域、行人和口罩佩戴情况的自动检测。针对任务中目标尺度变化过大的问题,选取高精度两阶段Cascade R-CNN目标检测算法作为基础检测框架。通过设计多个级联的候选分类-回归网络并加入空间注意力机制,突出候选区域特征中的重要特征并抑制噪声特征,从而提高检测精度。在此基础上,构建聚集性传染风险智能监测模型,结合Cascade-Attention R-CNN算法的输出结果确定传染风险等级。实验结果表明,该模型对于不同场景和视角的多类别目标图片具有较高的准确性和鲁棒性,Cascade-Attention R-CNN算法平均精度均值达到89.4%,较原始Cascade RCNN算法提升2.6个百分点,较经典的两阶段目标检测算法Faster R-CNN和单阶段目标检测框架RetinaNet分别提升10.1和8.4个百分点。