基于深度学习的生物仿真识别方法用于口罩佩戴标准化

科学领域:

• 计算机视觉 计算机视觉
• 深度学习 (Deep Learning) 是一种深度学习.
• 人工智能的人工智能

背景情况:

• 流行后的时代需要高效和准确的深度学习模型来检测口罩佩戴合规性.
• 现有的模型缺乏标准化来检测正常的口罩佩戴,特别是关于覆盖鼻子的标准化.

研究的目的:

• 提高深度学习模型的准确性和速度,以检测正常化口罩佩戴.
• 解决标准化口罩穿戴检测模型的研究缺口,重点关注鼻子可见性.

主要方法:

• 开发了一种改进的YOLOv5s (You Only Look Once v5s) 对象检测模型,用于面具佩戴正常化检测.
• 将BottleneckCSP模块修改为BottleneckCSP-MASK,并集成了一个SE模块,用于改进面具和鼻子目标的特征提取.
• 优化了粘合融合层,以提高对口罩和鼻子特征的检测.

主要成果:

• 拟议的模型实现了99.3%的总体检测准确度,平均检测速度为0.014秒/图.
• 证明有效检测正常化和非正常化口罩穿戴在各种各样的个人和复杂的背景.
• 与原来的YOLOv5s相比,改进的模型显示mAP增加了0.5%,压缩模型大小增加了10%.

结论:

• 开发的口罩佩戴正常化检测模型精确地识别了非佩戴,正常化佩戴和非正常化佩戴行为.
• 该模型在准确性和速度方面的改进使其适合在后疫情时代的现实应用.
• 这项研究提供了一种标准化的方法来检测戴口罩的人,强调鼻子的可见性.