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。     

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。     

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,...     

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。     

基于改进YOLOv3的安全帽佩戴识别算法

针对传统安全帽佩戴识别算法检测精度低、鲁棒性差的问题,提出了一种基于深度学习的安全帽佩戴检测方法.该方法以YOLOv3检测算法为基础,对其网络结构和损失函数加以改进.首先,通过增加特征图弥补原YOLOv3算法对小目标检测效果不佳的问题;然后在增加特征图的基础上,使用K-means聚类算法对收集的安全帽数据集进行聚类,选...     

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。     

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...     

改进YOLO的口罩佩戴实时检测方法

现有的YOLO目标检测模型基于One-stage思想进行多目标检测,其对于双分类检测有所不足,并且检测时性能消耗较大。为了能够在新冠疫情爆发的特殊时期,提高双分类口罩佩戴的检测精度和检测效率,文中提出了一种基于YOLO的双目标口罩佩戴实时检测方法。改进模型的前馈输入层,优化了数据增强部分,添加了自适应图片缩放,以便提升双分类和小目标的检测精度和检测效率。添加了自适应锚定框,替换了激活函数,降低了方法的计算量从而提高方法的检测效率。Neck部分优化和添加的Focus结构提高了特征融合能力并且减少了参数量,达到了提速的效果。实验结果表明,与YOLOv4相比,所提方法在文中数据集中的F₁提高了0.33%,mAp提高了0.71%,并且相同实验环境下的检测效率也提升明显。     

一种高精度的卷积神经网络安全帽检测方法

在复杂的施工环境中,基于机器视觉技术的安全帽佩戴检测算法常常出现漏检、误检,其检测能力有限.为提高安全帽佩戴检测的精度,本文建立了一种基于注意力机制的双向特征金字塔的安全帽检测卷积神经网络.为兼顾卷积神经网络中的浅层位置信息和深层语义信息的表达能力,实现对弱小安全帽目标的检测能力,该网络将跳跃连接和注意力机制CBAM技...     

基于改进YOLOv5的安全帽佩戴检测算法

针对现有安全帽佩戴检测算法在复杂场景下存在密集目标检测难度大、小目标误检和漏检等问题,提出一种基于改进YOLOv5的安全帽佩戴检测算法。该算法主要在以下三个方面进行优化:通过在主干网络添加卷积块注意力模块(CBAM)来提取多个尺度的全局特征信息,使模型在通道和空间上更关注主要信息,得到更丰富的高层语义信息;将特征融合网络中的路径聚合网络(PAN)改进为加权双向特征金字塔网络(BiFPN),实现特征信息双向跨尺度连接和加权融合;将边界框回归损失函数改进为EIOU损失函数,加快边界框收敛速度和提高目标识别准确率。在自制的安全帽佩戴检测数据集上进行实验验证的结果表明:改进后的算法平均准确率(mAP)达到92.8%,相较于YOLOv5算法,改进后的算法在目标检测精确度和召回率上分别提升2.4%和1.8%。     

基于EfficientDet的安全帽佩戴检测研究

针对施工现场工人安全帽佩戴检测现有算法存在识别率低、鲁棒性差、小目标检测效果差等问题,基于EfficientDet神经网络,结合k-means聚类方法,以及多尺度特征图连接策略,提出采用边界框聚类分析来优化预设边界框高宽比的安全帽佩戴检测算法.实验表明,优化之后的模型提高了检测的准确性,平均精确度均值提高了2％,达到8...     

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。     

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。     

基于改进YOLOX的安全帽佩戴检测算法

针对安全帽佩戴检测任务中的小目标密集导致的遮挡和难以检测等问题,提出了一种基于YOLOX和transformer的安全帽佩戴检测算法。首先使用融合了CNN和transformer的网络swin Csp进行特征提取,提升模型获取全局上下文信息的性能;然后采用简化的重复加权双向特征金字塔网络BiFPN,使算法更好地融合不同尺度的特征;最后在neck和YOLO head的连接部分加入CBAM注意力机制,加强安全帽特征与位置信息的关联程度,进一步增强网络的性能和鲁棒性。基于SHWD数据集进行实验,结果表明,算法在hat类上提高了0.99%的精度,在两种类型的召回率上分别有3.16%和1.7%的提升,在mAP方面则有1.79%的提升,有效实现了快速且精度较高的安全帽佩戴检测。     

基于迁移学习与RetinaNet的口罩佩戴检测的方法

本文提出一种基于深度学习的方法,通过迁移学习与RetinaNet网络来对人们是否佩戴口罩进行检测。训练后模型的在验证集下的AP值为86.45%。通过比较RetinaNet与时下流行的目标检测网络YOLOv3在不同人脸数和相同人脸类别数情况下的检测效果,表明RetinaNet的J值高于YOLOv3,且在测试中展现了良好的检测效果。