口罩佩戴檢測算法

口罩佩戴檢測算法基于YOLOv5在圖像識別檢測領域的優(yōu)異性能，本文研究基于基于YOLOv5的口罩佩自動戴檢測方法。首先從網(wǎng)絡和真實生活中中尋找并采集不同場景人群口罩佩戴的圖片約500張并自建數(shù)據(jù)集，口罩佩戴檢測算法利用YOLOv5模型框架，修改其相關配置文件和檢測參數(shù)，并采用數(shù)據(jù)增強和Dropout技術防止過擬合。實驗結果驗證了YOLOv5模型人群口罩佩戴圖像識別任務上的優(yōu)越性能，測試集上的YOLOv5s模型識別準確率高達85.45%。
關鍵詞 圖像識別；口罩佩戴檢測；YOLOv5；特征學習；

引言
目前口罩佩戴檢測存在著因周圍復雜環(huán)境影響從而出現(xiàn)效率低，導致漏檢等情況。為了達到更好的檢測效果，本文主要是利用YOLOv5網(wǎng)絡模型在輕量化口罩佩戴檢測算法的研究。

1 數(shù)據(jù)預處理
1.1 數(shù)據(jù)采集
人群口罩佩戴圖像是2022年5月23日，由本組三名同學分別在網(wǎng)絡上以及在真實場景中用手機拍攝所得，共計1027張圖片。不同采集設備獲取的原始圖像分辨率不同，在數(shù)據(jù)建模時統(tǒng)一縮放至324×324大小的規(guī)格

為了提高卷積神經網(wǎng)絡模型的泛化能力，對每幅口罩佩戴圖像通過旋轉、平移、扭曲、縮放、翻轉等傳統(tǒng)數(shù)字圖像處理方法進行隨機變換以擴充樣本個數(shù)。某幅口罩圖像進行數(shù)據(jù)增強后的部分樣本如圖2所示，通過隨機變換生成的口罩佩戴圖像大量擴充了數(shù)據(jù)集，使樣本分布更廣泛。

本文構建的識別模型主要是YOLOv5s，其具有小型輕量，快速的特點，適合于快速準確的識別任務。模型如圖3-1。
模型輸入圖像設定為324×324 的三通道彩色圖像，殘差結構中依次包含瓶頸殘差模塊、常規(guī)殘差模塊×2、瓶頸殘差模塊、常規(guī)殘差模塊×3、瓶頸殘差模塊、常規(guī)殘差模塊×22、瓶頸殘差模塊、常規(guī)殘差模塊×2。其內部卷積核設置略有調整。最后，在網(wǎng)絡全連接層之后采用Softmax分類器輸出每個類別的分類概率。

1. import random 2. import string 3. 4. f1 = open('1.txt', 'x') 5. for x in range(10000): 6. string0 = str(''.join(random.sample( 7. ['z', 'n', 'm', 'l', 'k', 'j', 'i', 'h', 'g', 'f', 'e', 'd', 'c', 'b', 'a'], 4))) 8. f1.write(string0) 9. if x % random.randint(1, 50) == 0: 10. f1.write(' ') 11. continue 12. if x != 9999: 13. f1.write('\n') 14. f1.close()