摘要：针对复杂光照和人脸倾斜条件下口罩佩戴检测准确率低的问题,提出一种利用轻量级卷积神经网络在复杂环境下的口罩佩戴检测方法.该方法利用难样本挖掘预训练学习更多的人脸特征,结合多任务级联卷积神经网络先判别是否有人脸信息,对其进行精准的人脸定位;在特征金字塔网络中添加注意力机制,增强了人脸关键点信息的权重,利用轻量级神经网络将口罩佩戴检测视为简单的二分类问题进行判断.在TensorFlow的环境下完成了数据训练、数据预处理、与AIZOO方法对比实验,收集建立了包含816张图片的数据集进行标注并训练;在对数据进行预处理操作时先将图片设定为固定大小以降低运算量,提高检测速度,再利用图像增强算法进行扭曲处理提高模型的鲁棒性.在此基础上,利用MTCNN检测图片中的人脸并对其进行修正和归一化操作,然后传入神经网络并利用已经训练好的模型进行检测.实验结果表明,在复杂光照和人脸倾斜等复杂条件下,文中方法的准确率分别达到83%和91%,可以有效地进行口罩佩戴检测.

摘要：针对复杂场景下口罩佩戴检测算法存在小目标检测精度低和漏检率高的问题,提出一种基于改进YOLOV5s的口罩佩戴检测模型。融合倒置自适应注意力模块IAAM(inverted adaptive attention module),缓解连续下采样导致的信息丢失问题,同时增强网络的特征融合能力;为了平衡多尺度检测层接收到的有效信息量,设计了通道特征分组模块CFGM(channel feature grouping module),提高了小目标检测精度;结合实际场景中的数据特征,使用EIoU Loss损失函数并取消数据增强中的色彩空间变换。实验结果表明,改进后的模型在检测精度、推理速度和小目标检测能力等方面均有提升,能够完成复杂场景下实时口罩佩戴检测任务。

摘要：针对现有的口罩佩戴检测模型无法较好平衡检测精度与速度,参数量较大,漏检和误检率高等问题,提出了一种轻量级的口罩佩戴检测算法FLM-YOLOv8。使用轻量级FasterNet替换YOLOv8n的主干特征提取网络,提升网络检测速度;融合FasterNet Block改进C2f模块,降低模型计算复杂度;提出SPPF-LSKA结构,增强模型的特征表达能力和感知能力,提高网络检测精度;设计Inner-MPDIoU边界框回归损失函数,提高回归预测精度,加快收敛速度。创建标注了一个复杂多元场景下的口罩佩戴数据集,并使用马赛克数据增强,以提高网络泛化能力。实验结果表明,该算法在正确佩戴口罩、未正确佩戴口罩和未佩戴口罩目标上的mAP@0.5达到了91.3%,FPS达到了143.6,实现了更加实时准确的口罩佩戴检测。

摘要：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。

摘要：为了减少疫情期间人们未佩戴口罩造成的交叉感染概率,设计一款基于改进的SSD和Jetson Nano的口罩佩戴检测门禁系统,以快速检测进出口行人是否佩戴口罩,控制闸机的开合。首先,从MAFA和WIDER FACE这2个数据集中抽取适合用于该系统的训练图片,其中6000张作为训练集,2000张作为测试集;其次,利用随机色相、饱和度等像素级变换和随机扩展、随机裁剪等几何级变换,对数据集中的小目标进行数据增强,使数据集更加多样,增强该检测网络的泛化能力;再次,将原始SSD的VGG特征提取网络替换为MobileNet-V3,利用其深度可分离卷积的速度优势,以及计算量较小的H-Swish激活函数、轻量化的注意力机制等优化策略,加速检测、提高精度;最后,将该检测网络移植到计算能力有限的人工智能边缘计算设备Jetson Nano上,加装高清显示器,并设计可折叠的平行四边形挡板,选择合适的外围设备,构成了一个具有防疫价值的快速检测公共场所进出口行人是否佩戴口罩的多功能门禁系统。在该嵌入式设备上的测试结果表明:以MobilNet-V3为特征提取网络的目标检测算法SSD,取得了78%的MAP,FPS为12,与以VGG为特征提取网络的原始SSD算法(FPS为2)相比,检测速度是原始SSD算法的6倍。该系统在保证实时性的同时也兼顾了检测精度,达到了精度和速度的平衡。

摘要：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D IoU,解决边框回归时难以确认梯度下降方向的问题。基于网络公开的4065张口罩数据集的实验结果表明,M_YOLOv3的mAP(平均精度均值)为88.4,较Tiny_YOLOv3和YOLOv3的mAP分别提升了15.9和7.2。

摘要：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%。

摘要：SSD目标检测算法虽然具有检测速度快且检测精度较高的优点,但由于采用smoothL1损失函数作为定位损失函数,存在着边界框回归不准确的问题。针对上述问题提出了一种基于SSD改进的目标检测算法,设计了EIoUloss作为新的定位损失函数,实现了目标函数最优即为IoU局部最优。实验结果表明,改进SSD算法通过修改定位损失函数,可以提高目标检测中预测框的准确性,改进算法较原SSD算法在VOC2007数据集和口罩佩戴数据集上mAP-50分别提高了1.97%和1.96%。

摘要：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。

摘要：基于YOLOv4算法提出一种口罩佩戴检测的方法。对图像进行标注,建立人脸口罩佩戴数据集,并将原算法优化:通过K-means聚类算法重新设计锚框大小;改进网络结构,提高网络对目标深层特征的提取能力;改变NMS方法以减小定位误差,提升检测性能。实验结果显示,优化的YOLOv4算法将假正样本(FP)数量降低了18.16%,真正样本(TP)数量提高1.52%,提高检测准确率。在测试集中的召回率可达到88.20%,比原算法提升1.63%;准确率可达到92.30%,比原算法提升2.06%。