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.     

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DCN-SERes-YOLOv3的人脸佩戴口罩检测算法

2020年新冠疫情爆发,佩戴口罩是有效抑制疫情反弹的重要措施之一,研究利用机器视觉技术检测人脸是否佩戴口罩有重要的现实意义。本文针对视频图像中人脸佩戴口罩时存在遮挡、检测目标较小、特征信息不明显、目标靠近群体不易识别等问题,提出一种基于DCN-SERes-YOLOv3的人脸佩戴口罩检测算法。首先,采用ResNet50与YOLOv3相结合的方式,将主干网络替换为ResNet50残差网络,为了平衡模型的精度与速度,对残差块中的卷积层改进并加入平均池化层,降低模型的损失与复杂度,提高检测速度;其次,将ResNet50残差网络中第4个残差块的常规卷积替换为DCN可变形卷积,提高模型适应人脸佩戴口罩时发生几何形变的能力;最后,引入SENet通道注意力机制,增强特征信息的表达能力。实验结果表明,本文算法的平均精度值高达95.36%,比传统YOLOv3算法提高了约4.1个百分点,且检测速度提高了11.7 fps,本文算法提高了检测人脸佩戴口罩任务的精度与速度,有较好的应用前景。     

基于改进的YOLOv3口罩佩戴检测和识别

新冠疫情仍在全球肆虐,佩戴口罩可以有效阻断新冠病毒传播,口罩佩戴检测系统能及时提醒公共场所活动的人佩戴口罩。针对该问题及小尺度目标检测困难的问题,提出了一种基于YOLOv3改进的网络模型Face＿mask Net用于口罩佩戴检测。由于YOLOv3算法训练的网络模型对小目标检测率低,IoU值相同时不能反映预测框和目标框是否相交,以及传统NMS对于遮挡经常产生错误抑制情况,Face＿mask Net改进了残差块和神经网络结构,引入SPP模块和CSPNet网络模块,并采用DIoU作为损失函数,DIoU-NMS算法作为分类器。实验结果表明,Face＿mask Net可以有效提高目标检测准确率,AP75下的平均准确率为58.05%,相比由YOLOv3算法训练的网络模型提高了4.11%。     

基于图像复原和亮度修正的口罩佩戴检测方法研究

在火车站等公共场合采集乘客图像时,由于运动模糊和光线问题,导致图像的质量受影响。为了提高检测口罩检测的准确率,从图像的复原和亮度修正两方面进行改进。首先,采用改进的维纳滤波算法对火车站乘客的模糊图像进行处理和复原。其次,将图像进行两次颜色空间转换,同时使用同态滤波算法对亮度进行调整,解决图像存在的光线过亮或过暗的问题。最后,对YOLOv4的网络参数进行调整,使用YOLOv4算法分别对原始的数据集和去模糊、修正亮度后的数据集进行训练和测试。试验结果表明,经过图像复原和亮度修正的数据集,相比于原始数据集,训练出来的模型更为优秀,平均检测精度最高提升了7.25%。不仅提高了口罩佩戴检测的准确率,而且满足了实时检测的需要。     

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。     

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。     

基于YOLOv3和YCrCb的人脸口罩检测与规范佩戴识别

2020年初,新冠病毒席卷全球,为防止其传播,在很多公共场合要求佩戴口罩。利用计算机视觉检测人脸是否佩戴口罩以及识别是否佩戴规范,可以避免检测人员与他人接触感染的风险且更加高效。针对人脸口罩检测问题,提出了基于YOLOv3的目标检测算法,实现对佩戴口罩的人脸和未佩戴口罩的人脸的检测。针对口罩规范佩戴识别问题,则基于前者检测结果,提取佩戴口罩的人脸区域,利用YCrCb的椭圆肤色模型对该区域进行肤色检测,依据人脸中鼻和嘴周围区域的皮肤暴露状况来判断口罩是否佩戴规范。实验结果表明,人脸口罩检测的mAP达到89.04%,口罩规范佩戴的识别率达到82.48%,满足实际应用的需求。     

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YOLOv4的口罩佩戴检测算法

为解决YOLOv4在目标检测任务中检测速度低、模型参数多等问题,提出一种改进YOLOv4的目标检测算法。将YOLOv4主干网络中的CSPDarknet53替换成Mobilenet用以增强YOLOv4的特征提取网络,PANet原有的3×3标准卷积被深度可分离卷积取代,以降低计算负荷,从而提高识别速度,减少模型参数。然后使用K-means+〖KG-*3〗+算法对由8565张图像组成的数据集进行anchor维度聚类,以提升算法精度。同时,搭建行人口罩佩戴及人体测温拍摄系统用以在人群密集场所中执行疫情防控任务。在保证YOLOv4-Mobilenet网络精度的前提下,相较于原算法FPS提升200%、模型参数减少82%。改进后的模型平均每秒可检测67张图片,可以胜任实际应用中的口罩佩戴检测任务,结果表明该模型检测效果好、鲁棒性较强。     

多尺度融合的YOLOv3人群口罩佩戴检测方法

在新型冠状病毒疫情防控要求下,商场、车站等公共场所人群环境下佩戴口罩成为人们出行的必要条件.由于在人群环境下往往存在人员密集,容易相互遮挡,且目标尺度较小等影响,口罩佩戴检测容易出现误检、漏检等问题.针对这些问题,在YOLOv3算法的基础上,提出一种基于改进YOLOv3的人群口罩佩戴检测算法.添加浅层特征图,在原来的3...     

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。     

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.     

基于巡逻小车的人脸遮挡异常事件实时检测

近年来,随着城市化进程的加快,银行、政府、学校等场所的安全越来越成为人们关心的问题,智能监控已成为目前的一个研究热点问题. 本文主要研究室内巡逻小车监控下,面部异常遮挡问题. 本文首先对监控视频进行前景提取;接着,基于提取的前景,进行肩部定位、头部区域椭圆拟合;然后通过肤色检测判断人脸区域;最后,通过Haar检测器检测人脸区域的眼睛和嘴巴,以此来判断是否存在异常遮挡行为. 实验结果表明,本文提出的算法能够实时、有效的检测出面部异常遮挡问题.     

融合自注意力机制的安全帽佩戴检测方法

佩戴安全帽是防止施工现场工作人员头部损伤的有效方法之一,然而现有安全帽检测算法多存在重叠目标检测难度大、小目标漏检率高等缺点。为此,提出了一种通过融合自注意力机制来改进Faster R-CNN的目标检测算法,用于安全帽检测。通过自注意力层来捕获多个尺度上的全局信息,得到更丰富的高层语义特征并将更大的感受野范围引入模型,在区域建议网络（RPN）的训练中通过锚框补选增强的方法让小目标信息得到更多的训练,强化了网络对于小尺度目标的表达能力。实验结果表明：改进后的算法在安全帽佩戴检测上的mAP值较传统Faster R-CNN提高了6.4个百分点,对于不同场景不同尺度的安全帽有着较好的检测效果。