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Retina Face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。     

基于改进的YOLOV3口罩佩戴检测算法

为防止病毒的传播,提出一种可以识别人们在公共场合下是否佩戴口罩的目标检测算法。以YOLOV3为基础,将Darknet-53骨干网络结构与Inception-v4思想相结合,在特征提取网络中引入空间金字塔池化(spatial pyramid pooling,SPP)结构,使特征得到增强,准确率得到提升;选取GIoU (generalized intersection over union)损失函数作为评价指标。实验结果表明,改进后的YOLOV3算法能够有效进行口罩佩戴检测,其算法的平均精度均值相比于原始的YOLOV3提高5.4%,达到90.1%。     

多尺度通道注意力机制的口罩佩戴检测算法

为解决密集人群场景下口罩佩戴检测出现的关联特征信息利用率不足导致边界框定位不精准的问题,提出一种基于多尺度通道注意力机制的YOLO-Mask改进算法。利用通道注意力机制重构YOLOv3特征提取网络,促使网络对关联目标区域具有更高的关注度;采用K-means++聚类算法对数据集进行聚类优化,提高检测准确率;对损失函数进行优化。在PASCAL VOC和RFMD(real-world masked face dataset)数据集上的实验结果表明,YOLO-Mask算法与其它算法相比,具有更好的检测效果,平均精度分别为81.3%、85.3%,相比原始YOLOv3算法分别提高了3.0%和3.8%。     

多尺度特征融合的轻量化口罩佩戴检测算法

科学规范地佩戴口罩是预防新冠、流感等呼吸道传染病的有效方法,在当前疫情形势下,正确佩戴口罩显得尤为重要。已有的口罩佩戴检测算法多数存在结构复杂、训练难度较高和特征提取不足等问题,为此,提出一种多尺度特征融合的轻量化口罩佩戴检测算法L-MFFN-YOLO。以YOLOv4-Tiny网络为基础,L-MFFN-YOLO改进原始残差结构,使用轻量化残差模块促进模型快速收敛,在有效降低模型计算量的同时保证检测精度。在原网络、这2个尺度的基础上增加特征分支,以增强低特征层的信息表达能力并降低小目标的漏检率。通过多层级交叉融合结构最大程度地提取有用信息,从而提高特征利用率。除佩戴和未佩戴口罩2种情况外,在数据集中新增口罩佩戴不正确的类别并进行手工标注,实验结果表明,L-MFFN-YOLO算法的模型大小仅为5.8 MB,较原始网络YOLOv4-Tiny,其模型规模减小76%,mAP提高5.25个百分点,CPU下的处理时间快14 ms,能在资源受限的设备中满足口罩佩戴检测任务对准确率和实时性的要求。     

基于改进YOLOv3的口罩佩戴检测方法

为解决市民口罩佩戴目标检测中因小尺寸目标较多导致其识别精度不高的问题,提出一种基于YOLOv3改进的算法M_YOLOv3.重构特征金字塔机制,把原本3*3的类金字塔结构扩建为4*4尺寸,把先验框数量由9增加到16,通过以上方法降低神经网络感受野,增强M_YOLOv3对小尺寸目标的敏感度.将原有的损失函数IoU替换为DI...     

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YOLOv5的轻量型口罩佩戴检测算法

提出一种基于改进YOLOv5的轻量型口罩检测算法CG-YOLOv5s。结合卷积注意力机制和Ghost卷积等技术,在网络中加入CBAM-CSP、GRCM改进模块以增强特征提取能力,改善模型的计算性能,使用Alpha-CIoU损失并结合DIoU非极大抑制方法,进一步提升检测精度。结果表明,CG-YOLOv5s在对检测速度影响较小的情况下,获得了89.1%的检测精度,模型大小减少了19.63%,实现了模型轻量化的效果。     

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.     

基于改进SSD算法的车辆检测

SSD算法利用多尺度特征图进行分类和位置回归,检测小目标效果优于YOLO算法,但SSD算法在进行车辆检测时存在漏检问题。为此,提出一种改进SSD算法。为提取更多的车辆特征信息,设计改进Inception模块替代SSD网络中的Conv8、Conv9和Conv10层。将浅层特征的位置信息和深层特征的语义信息进行均衡化融合,构建多尺度特征融合均衡化网络,提高小目标车辆识别率。在特征提取层均引入SENet,对不同特征通道的重要性进行重标定以提高模型性能。实验结果表明,改进后SSD算法在自制的车辆数据集上平均精度为90.89%,检测速度达到59.42 frame/s,相比改进前的SSD算法,在精度和速度上分别提高2.65个百分点和17.41 frame/s,能够更快速、准确地对图像中的车辆进行识别和定位。     

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。     

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尺度检测结构上增加浅层检测尺度形成4尺度检测结构,提高检测准确率;引入自上而下和自下而上的多尺度融合结构,进一步利用特征信息,实现特征增强;选用CIoU损失函数进行边框回归,提高定位精度。实验结果表明,改进的YOLOv3算法的平均精度均值达到了93.66%,相比于原YOLOv3算法提高了5.61个百分点。相比于其他主流算法,该算法在口罩佩戴检测任务中有更高的检测精度,具有很好的实用性。     

改进YOLO轻量化网络的口罩检测算法

针对目前YOLO轻量网络在口罩佩戴检测任务中出现的特征提取不足和特征利用率不高的问题,提出了一种基于改进YOLOv4-tiny的轻量化网络算法.增加Max Module结构以获取更多目标的主要特征,提高检测准确率.提出自下而上的多尺度融合,结合低层信息丰富网络的特征层次,提高特征利用率.使用CIoU作为边框回归损失函数...     

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。     

基于改进型SSD算法的空瓶表面缺陷检测

注塑空瓶在生产过程中瓶身表面会产生大量缺陷,这些缺陷对产品的外观和使用造成重要的影响。传统的人工检测由于劳动强度高、检测效率低等缺点已不适用,基于机器视觉的传统检测算法对于复杂的场景变化,所提取的特征通常很难用于缺陷分类和识别。因此,提出一种基于SSD算法,对注塑空瓶表面缺陷进行检测。考虑空瓶表面缺陷较小,特征难以提取,为提高检测效果,在SSD网络结构中加入特征融合模块,为预测层提供丰富的语义特征;同时在网络中引入注意力机制,增加网络的特征提取能力,有效地提高网络的检测精度。通过用空瓶表面缺陷数据集对本文的方法进行验证,准确率为98.3%,漏检率为0.74%,误检率为0.96%,mAP为96.5%,相比原始的SSD算法的mAP,本文算法提高了近5.6个百分点。     

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。