校园内规范佩戴口罩的人脸识别系统研究_徐彻.pdf

Science&Technology Vision科技视界DOI：10.19694/ki.issn2095-2457.2022.30.07校园内规范佩戴口罩的人脸识别系统研究徐彻马秋宇孟科曾海平（广西科技师范学院职业技术教育学院）【摘要】如 今 新 冠 病 毒 变 异 导 致 传 染 力 的 增 强，防 控 疫 情 最 有 效 的 办 法 就 是 规 范 佩 戴 口 罩。高 校 内 的 学 生 密 度大，在 频繁 出入 校园 要 求 配 戴口 罩。师生 出 入校 园 都是 通 过 人 脸 识 别闸 机，所 以为 了方 便检 查 是否规 范戴 口罩，本 文 以YOLOv5Face人 脸检 测 器搭 建一个 能够 识别 师 生是 否 规 范 佩 戴口 罩的 检 测系 统。通 过 对 数据 集的 训练，得 到 训 练 后 的模 型 对 现场 进行 实 时检 测，发现 检测准 确性 高达0.957。【关 键词】人 脸 检测；YOLOv5Face；口罩检 测；校 园1研究背景如今随着深度学习不断发展，以 YOLOv5 网络模型最为突出。为了提高算法的速度和精度难以稳定的问题，目前常用的方法是使用轻量级网络作为目标检测的模型，这样一方面保证能够在嵌入式设备上使用，另一方面加快算法检测的速度和效率。在 YOLOv3 到 YOLOv5s 这类模型不断进行轻量化处理，因此，本文以YOLOv5 的作者提出的 YOLOv5Face 基础上，建立一个是否规范佩戴口罩的检测系统，能够解决嵌入式设备对口罩检测的精度和速度问题，能够为高校在防控疫情工作上减轻一些负担。2YOLOv5Face模型在 YOLOv5 网络模型基础上增加了许多复杂性因素，例如 Landmark 监督、不同的脸型、不同姿势等。把复杂性的应用分成不同的模型，为用户提供不同的需求，进而可以在移动设备、嵌入式上应用，实验表明在这类设备上能够得到非常好的检测速度和准确性。是专门作为人脸检测的模型，称之为 YOLOv5Face。2.1模型概述相比 YOLOv5 网络模型，YOLOv5Face 增加关键点 regressionhead，损失函数用 Wingloss，网络提升了泛化能力，减少的 kernel，从而降低了复杂性，使得网络模型更适用于人脸检测。YOLOv5Face 的网络模型如图 1 所示。YOLOv5Face 作为人脸检测最成功的原因在于引入 Stem 模块，替代了原先 YOLOv5 网络中使用的 Focus层。替换后模型的性能不变的同时，增强了泛化能力以及降低了计算的复杂性。之所以 YOLOv5Face 作为人脸检测最成功的原因在于引入 Stem 模块，替代了原先 YOLOv5 网络中使用的Focus 层。Stem 结构图有 4 个 CBS 模块，其中 1、3 为 33 的卷积，其余两个为 11 的卷积，可以把图像缩小成原来的 4x4 倍。Bottleneck。基 金项目：2021年度 广 西 高校中 青年 教 师科 研 基 础 能力 提升项 目“基 于 深 度 学 习 的 医 学 图 像 配 准 方 法 研 究”阶段性 成 果之 一（2021KY0860）。作者 简介：徐 彻，讲 师，硕 士研究 生，研 究方 向为 医 学 图 像 处 理研 究。智能科技023科技视界Science&Technology Vision图1YOLOv5Face的网络模型图3实验训练及结果3.1数据集为了保证数据的可靠性，图片数据必须包括以下几点条件，第一筛选的每张图像数据必须至少含有一个戴口罩的对象；第二图片当中人物的脸应当有不同程度的遮挡；第三图片应当有不同的光照强度，拥有不同程度明暗效果。根据以上三点，最终筛选出合格的图像数据为 33000 张。本文使用数据集其中 23000 作为训练集，10000 张作为测试集。3.2实验过程首先进行模型的训练，本文初始参数为：学习率 0.01，权重 0.005，训练轮数为 500，每批数据量为 16，图片大小为 640 x640。训练结果如图 2 所示。图2训练指标情况结果图对图2 的训练指标进行分析，其中横坐标表示训练次数，纵坐标表示随着训练次数递增，相应的指标变化情况。训练数据集的损失函数如 GloU 图表示，目标损失函数 Objectness，Classification 为分类均值损失函数，对应的值越低对目标检测越准确。验证数据集的目标函数随着训练次数增加，不断地接近 0，即与训练数据集保持一致。从图中 mAP 指标可以看出来，训练到 75 的时候 mAP0.5 上升到了 1.0，此时的 mAP0.5：0.95 上升到 0.7智能科技024Science&Technology Vision科技视界表1不同算法的结果分析模型检测数检测正确数检测错误数检测正确率本文4003831795.6%YOLO v34003524888.0%YOLO v54003712992.7%左右，随着训练次数不断增长，最终达到 0.85 左右。综上所述，本次训练 500 次的结果精度较高。训练集和测试集提前都做好的标签以及预处理，经过以上的训练得出模型后，使用测试集进行测试和验证模型的效果。图 3 所示的是 P-R（精确率precision vs 召回率 recall）曲线图，从曲线图可以看出本此训练的模型效果显著，其中 face_mask 达到了 96.5%，face 达到了 98.8%，invalal 达到 92.3%，mAP 表示平均精度均值能够达到 95.6%。根据训练后得到的模型进行数据集测试，结果部分如图 4 所示，其中白发老人没有检测出来，原因是因为面部显示范围过小，另一方面此类的数据集较少，所以没有检测出面部遮挡较多的图片。检测的结果准确度在 75%以上。YOLOv3 模型方法以及算法YOLOv5 对比，结果如表 1 所示。从表 1 可以看出，使用 YOLOv3 模型测试结果为88%，YOLOv5 测试的结果为 92.7%，本文提出的方法对口罩佩戴情况的检测率高达 95.6%，明显优于其他方法，因此可以在实际中使用。4结语本文设计基于 YOLOv5Face 方法的口罩佩戴检测，在根据训练后的数据以及测试的结果进行分析，得出该方法能够有效的检测口罩的规范佩戴，并且准确度高达 95.7%。希望本文的方法能够为校园检查口罩是否佩戴规范具有一定的帮助。【参考文献】1王莉，何牧天，徐硕，等.基于YOLOv5s网络的垃圾分类和检测J.包装工程，2021，42（8）：50-56.2JOCHER G，STOKEN A，BOROVEC J，et al.Yolov5：v3.0.2020.DOI：10.5281/zenodo.3983579（accessed on 13 August 2020）.3朱晓春，陈子涛.基于改进型YOLOv5算法的安全帽佩戴检测J.南京工程学院学报（自然科学版），2021，19（04）：7-11.4邱天衡，王玲，王鹏，白燕娥.基于改进YOLOv5的目标检测算法研究J/OL.计算机工程与应用：1-13.5蔡鸿峰，吴观茂.一种基于改进YOLOv3的小目标检测方法J.湖北理工学院学报，2021，37（2）：33-36.图3P-R图图4部分测试结果智能科技025