基于深度学习的口罩佩戴识别技术研究

在公共场所佩戴口罩,是防止新型冠状病毒传染的最主要手段,在必要的场所,每个人都必须佩戴口罩以进行自我保护。在人群相对集中的公共场所,相互之间不可避免地存在遮挡干扰,从而产生了小范围内的复杂干扰识别问题。如果使用单一的卷积神经网络对口罩佩戴进行识别,有可能造成提取关键特征信息时聚焦度欠缺,出现特征提取不足等问题。因此本文提出一种两渠道卷积神经网络的佩戴口罩识别方法。在卷积神经网络的基础上,通过2个输入渠道,分别对眼睛区域和眼睛以下的区域,进行特征提取;最后通过基于决策层的信息融合方法,将2个渠道的识别结果加以融合,从而得到最终的识别结果,其平均识别准确率达到了98.8%。经过实验验证,该方法在佩戴口罩的识别上,取得了较好的识别准确率。     

基于YOLOv4的口罩规范检测算法研究

新型冠状病毒传播方式主要为飞沫传播和近距离接触传播等,而正确佩戴口罩则是预防、隔离病毒的最方便有效的手段之一。但在公共场合下仍存在部分人群未佩戴口罩的情况,给公共安全带来了巨大威胁。从WIDER Face、MAFA、RMFD和MaskedFace-Net四个公开数据集中筛选7 240张图像,构成人脸口罩规范数据集用于算法训练与测试。结果表明,YOLOv4算法在检测精度和检测速度方面还不错,检测效果满足场景需求。基于YOLOv4的口罩规范检测算法可以有效减轻防疫人员的工作量,提高了人员密集公共场合的安全系数。     

基于改进YOLOv5的防疫巡检机器人设计与实现

针对新型冠状病毒肺炎疫情防控中部分民众未佩戴口罩，且监控人员执行检查任务重、易交叉感染等问题，基于北斗定位技术和改进的YOLOv5目标检测算法，设计并提出了一款智能口罩识别巡检的防疫机器人，同时搭建了相应管理系统平台，实现了对过往行人口罩佩戴情况自动实时监测及数据管理，从而有助于阻断新冠疫情传播，在一定程度上提高疫情防控力度和管理人员的监督效率。     

智能人脸口罩识别系统设计

本文针对公共场所人群口罩佩戴情况的监测需求,设计并实现了一种基于PyramidBox的人脸口罩佩戴识别系统。该系统能够在复杂背景和光照条件下准确地检测出人脸区域,并判断人脸是否佩戴了口罩,并对未佩戴者进行实时提示。PyramidBox算法是一种用于人脸检测的单阶段算法,本文增加了一个二分类器来判断人脸是否佩戴口罩,并结合颜色检测和肤色提取技术来提高识别准确率。最后,本文在WIDER FACE数据集、MAFA数据集和自采集数据集上进行了大量实验,并与其他主流人脸检测算法进行了定量和定性分析,结果表明本文提出的系统设计在准确率、鲁棒性、速度等方面均具有优势,适用于机场、火车站、学校等公共场所,可以有效地提高安全管理水平。     

基于YOLOv5的疫情防控口罩佩戴检测系统设计与实现

面对当前疫情防控的实际需求,自动化检测可以减少管理人员与他人接触感染的风险且能使疫情防控管理更加高效。针对人脸佩戴口罩识别问题,利用深度学习的神经网络自动提取目标特征的优点,将获取的数据集通过LabelImg标注软件进行标注,使用YOLOv5目标检测算法训练网络模型,实现对佩戴口罩和未佩戴口罩的检测;通过PyQt5设计并实现了疫情防控口罩佩戴检测系统,提高了疫情防控效率。     

钻井工人护目镜佩戴的智能识别

工人未按规定佩戴护目镜的行为,在石油生产过程中存在着极大的安全隐患,而传统的监控设施又无法对该行为进行实时、准确的监察。为了解决这一安全隐患,文章提出了基于YOLOv4检测模型的护目镜佩戴识别技术,能够解决传统监控系统容易误报、漏报、报警反应时间长等问题,实现了更加及时、准确地获取监控信息,为钻井工人的安全提供了保障,并且能够在一定的程度上降低公司营运的成本。     

嵌入式口罩佩戴检测系统研究与实现

常态化疫情防控形势下,公共场合佩戴口罩可以有效降低交叉感染风险,针对口罩佩戴检测中的小目标检测困难以及实时性较差的问题,提出了基于嵌入式平台Jetson nano的口罩佩戴检测系统,通过增加YOLOv3-tiny的主干网络层深度,引入注意力机制以及TensorRT模块,提升了嵌入式系统口罩佩戴检测任务的精度和实时性,改进后的YOLOv3-tiny算法mAP值达到了87.5％,FPS为20.4,相较于改进前精度提升12.3％,帧率提升10.4 fps.     

基于YOLO-Mask算法的口罩佩戴检测方法

常态化疫情防控形势下,通过口罩佩戴检测可以及时提醒人们正确佩戴口罩,从而降低公共场合人员交叉感染的风险.针对口罩佩戴检测任务中被遮挡目标和小目标检测困难的问题,提出一种YOLO-Mask算法.该算法以YOLOv3为基础,在特征提取网络中引入注意力机制,以提升模型对显著特征的表达能力;然后使用特征金字塔和路径聚合策略进行...     

基于YOLOv5与目标追踪算法的戴口罩人脸识别系统

针对后疫情时代人脸识别系统无法在佩戴口罩的情况下准确识别人脸的问题,基于OpenCV库和Dilb库架构系统,引入YOLOv5目标检测算法替代Dlib原有的人脸目标区域检测算法。通过检测算法获取一系列目标特征值的坐标位置后,采用CentriodTracking目标追踪算法来处理这些特征,从而实现对佩戴口罩人脸图像的快速识别,系统同时实现了用户注册、数据录入、信息管理和日志等功能。     

一种基于CA-Net的面部口罩分割方法

佩戴不同材质、型号的口罩对病毒传播的防控效果各不相同，对图像数据集中的口罩进行分割，将有助分析不同类型的口罩在防控效果上的差异。当前，面部口罩检测算法较多，但缺乏进一步的分割，为此文中提出一种基于图像处理和深度学习的面部口罩分割方法。文中所提方法是一种改进的对比度自适应直方图均衡化预处理方法，其通过亮度自适应调整减少因部分图像过暗导致的传统预处理效果不佳的影响。以SSD(Single Shot MultiBox Detector)进行口罩预检测，对结果以CA-Net(Comprehensive Attention Convolutional Neural Networks)进行口罩分割。CA-Net以U-Net为骨干网络，增加了空间注意模块、通道注意模块和尺度注意模块以便同时实现关于特征地图的空间、通道和比例的综合注意力引导，突出空间位置、通道和尺度。使用该方法初步分割结果的Dice系数评价指标可以达到79.18%±3.44%;增加预处理和后处理操作后，Dice系数可提升至84.03%±2.81%,表明文中所提方法能够明显改善视觉分割结果。     

简易无接触温度测量与身份识别装置设计

本文详细介绍了简易无接触温度测量与身份识别装置的系统设计与实现方法.系统以STM32作为核心控制器,应用GY-906-BCC红外测温模块完成被测人实时温度检测功能;通过OpenMV机器视觉模块实现被测人身份识别和是否佩戴口罩检测;采用3.5寸液晶屏完成温度显示,身份认证以及佩戴口罩状态等信息的实时显示.从而实现简易无接...     

基于YOLOv5s的人脸是否佩戴口罩检测

为了抗击新冠肺炎,加快复产复工的速度,本文提出了一种判断人脸是否佩戴口罩的方法.该方法可以通过摄像头捕获人脸,对人脸是否佩戴口罩进行检测,及时提醒人们带好口罩.使用预处理好的9800张图片作为数据集,并对YOLOv5s算法进行离线训练,生成最终的模型;利用该模型对摄像头捕捉的画面进行分析,检测人脸是否佩戴有口罩.该算法在测试集上的精确率(precision)、召回率(recall)和平均精度(mAP)分别为78.1％、87％和53.5％,高于YOLOv3和YOLOv4检测算法的检测结果.     

基于嵌入式视频流的口罩佩戴检测仪

针对现有口罩检测系统存在的不够全面等识别问题,设计的检测仪基于嵌入式平台,并在此基础上搭载卷积神经网络,具有良好的便携性和可拓展性,同时运用深度学习技术,识别准确度高,识别速度快。系统在对人是否佩戴口罩进行识别时,可以第一时间将识别结果反馈出来,并弥补了现有系统存在的识别度不高的问题,具有较好的可实施性。     

基于Jetson Nano的人脸口罩识别系统设计

人脸和口罩识别在许多现代应用中有广泛需求,包括安全检查、身份认证以及工业安全等方面。探讨了基于Jetson Nano的人脸口罩识别系统,旨在实现对个体是否佩戴口罩的准确判断。该系统使用先进的人脸识别算法来定位图像中的人脸区域,然后应用深度学习模型对人脸区域进行口罩检测。所有的数据处理和模型推理均在Jetson Nano上实现,从而使系统具有较高的运行效率和可移植性。在多个不同环境和视角下进行测试,结果显示该系统在各种复杂条件下都展示出较高的识别准确率,并能处理高达30帧/s的实时图像。不仅证明了Jetson Nano在图像识别和实时数据处理方面的高性能,还为开发多种人脸识别应用提供了有力的技术支持。     

Pure of Roomage松下超级空调滤清器

夏天是鲜花盛开的时节，到处弥散着绮丽的色彩。如着你对花粉过敏。那就要注意了，那种头痛、胸、哮喘等过敏症状想着也让人心惊胆颤。日前，松下（Panasonic）推出了一种用于空调的SUPERalleru-buster-Filter滤清器。来倡导其名为“空调与所有基因的战斗”。包括花粉、灰尘以及各种病毒、细菌等，     

基于YOLOv5网络模型的人员口罩佩戴实时检测

近年来,随着硬件算力的提升和人工智能算法的创新发展,使得深度学习算法在目标检测方面有着广泛的应用。针对现有人工方式查看人员口罩佩戴情况的不足,提出了一种基于深度学习YOLOv5算法实现对口罩佩戴情况的实时检测。算法首先将数据集进行归一化处理,再将数据接入YOLOv5网络进行迭代训练,并将最优权重数据保存用作测试集测试,算法通过tensorboard可视化显示训练和测试结果。实验结果表明,所提算法检测的准确性高,实时性强,满足实际使用需求。     

基于多层注意力机制的口罩佩戴检测算法改进

针对已有的对于口罩的目标检测算法中存在的问题,如对小目标检测精度低,复杂场景下出现漏检等问题,提出了一种基于多层注意力机制的口罩佩戴检测算法YOLOX-l-sd。通过在骨干网络中添加Swin Transformer的特征层来提升目标检测算法的性能,加入多层注意力机制提高特征提取效果以及减少计算量,采用DIOU损失函数提升模型的精度,采用DW卷积以进一步减少计算量。实验结果表明,相比原YOLOX-l模型,改进后的模型在精度上提高了2.45%,达到了预期的效果。     

基于Centernet的口罩佩戴检测算法研究

为了应对当下的疫情,加强公共安全防护,提高口罩佩戴检测精度,文章提出以目标检测Anchor free算法中的Centernet为基础,加入CBAM注意力机制的新网络模型,口罩检测的性能有所提升。对数据分为face即未戴口罩和face＿mask即戴口罩两种类别,在公开数据集VOC-MASK上的实验表明,该目标检测的算法评估指标MAP值从77.35%到79.87%增加了2.52个百分点,性能优于原始的Centernet算法。     

基于深度相机的网约车司机监管系统

随着网约车行业的迅速发展,网约车司机违法犯罪案件频发。为加强对网约车司机的监管,文章设计了一种基于深度相机的网约车司机监管系统,提出了“人脸识别+红外+可见光双传感”的识别方案,解决了特定场景应用下的人脸识别问题,具有口罩佩戴识别、身份认证、疲劳检测、行为监测、行车路径跟踪等功能,能够从一定程度上规范网约车驾驶员的驾驶行为,极大程度上保障乘车安全。     

INFLU面罩

H1N1流感一直没有离去,戴面罩似乎已成了司空见惯的事情·从最普通的医用款式，发展到时下许多年轻人所佩戴的卡通时尚款式。而今天这个INFLU与我们通常所见的面罩不同·在它的口鼻位置带有一个靠电池驱动的小型电动换气阚·可以过滤空气中的病毒·以便更好地保护呼吸系统。