基于K-medoids集群的面部检测,并与卷积神经网络相关
1Department of Mathematics, School of Advanced Sciences, Vellore Institute of Technology (VIT), Vellore, 632014, Tamil Nadu, India.
Heliyon
|September 3, 2024
概括
这项研究引入了先进的图像处理和机器学习,以准确检测面罩. 采用DenseNet201模型的K-medoids实现了97.7%的准确性,改善了公共卫生监测.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 公共卫生 公共卫生
背景情况:
- 由于COVID-19大流行,需要采取新的公共卫生措施,包括强制使用口罩.
- 在公共空间手动监测面罩的遵守是低效和具有挑战性的.
- 自动化解决方案对于有效的面罩识别和公共行为监控至关重要.
研究的目的:
- 开发和评估用于自动化面具检测的新方法.
- 提高识别不遵守面罩政策的个人的准确性和效率.
- 加强公共安全,减少COVID-19等传染病的传播.
主要方法:
- 使用包括K-medoids,K-means和Fuzzy K-Means (FKM) 在内的图像预处理技术来提高面部图像质量和减少噪音.
- 机器学习模型,特别是具有预训练的DenseNet201,VGG-16和VGG-19的卷积神经网络 (CNN),以及支持矢量机 (SVM),被调查用于面罩检测.
主要成果:
- K-medoids集群算法与DenseNet201预训练模型相结合,实现了面罩识别的97.7%的高精度.
- 发现图像细分技术显著提高了面罩检测的准确性.
- 开发的工具在识别面罩方面表现出有效性,即使从侧向视角来看也是如此.
结论:
- 自动化面具检测系统是监测公众遵守规定的可行和有效解决方案.
- 拟议的K-medoids和DenseNet201方法为准确的面具识别提供了一个强大的方法.
- 图像分析和机器学习的进一步发展可以提高这些工具在公共卫生监测中的实用性.
