AI智慧防疫系統口罩自動識別提醒系統

東南大學成賢學院電子與計算機工程學院 何榕程 丁克偉 肖佳鑫 司創利 郁佳佳

2019年末爆發新型冠狀肺炎，對全球造成了巨大的沖擊。疫情期間，在某些公共場所進行活動時如果未按要求佩戴口罩將會造成疫情傳播的風險。因此，不論是在公共場合還是其他地點能正確有效的佩戴口罩都是非常必要的，此舉能夠有效地提醒人們正確佩戴口罩，降低人員交叉感染的風險，保障自己以及他人的生命健康，通過人工智能算法實現試試的監控人們是否佩戴口罩具有很重要的意義和價值。

本文提出的算法模型在最終測試時輸入同時出現一個或多個目標媒體時，可以準確的進行有效識別，兼顧檢測的實時性和準確性兩方面。最終測試結果表明，我們改進后的YOLOv4算法，在檢測速率和檢測精度方面都有顯著提高。本文提出了一種已YOLOv4為基礎的改進的YOLO網絡的檢測算法，主要采用CIoU作為邊框回歸損失函數，使預測框更接近真實框，可以加快模型的收斂速度。

1 本文算法介紹

1.1 YOLOv4原理

YOLOv4是一種基于回歸的目標檢測算法，具有較快的檢測速度和精度，能夠很好的實現一些目標檢測任務。相對于YOLOv3算法，改進后的YOLOv4引入了Mosaic，Lable Smoothing平滑等技巧來提升神經網絡的準確率。

1.2 CIoU在改進網絡中的使用

本文采用CIoU作為邊框回歸損失函數，損失函數如式(1)所示：

其中：α是用于做trade-off的參數，v是用來衡量長寬比一致性的參數，b和bt分別表示預測框和真實框的中心點，ρ表示歐式距離，c表示預測框和真實框的最小外界矩形的對角線距離。α和v的計算方法如式(2)所示：

1.3 數據獲取與標注

口罩佩戴檢測數據集主要來自網絡爬蟲，部分針對性訓練數據集由自己制作。樣本圖像中標注為佩戴口罩（masked）和未佩戴口罩（no masked）。仿照PASCAL VOC格式處理口罩數據集，將標注信息歸一化處理，公式如式(3)所示：

其中，(width，heigh)為圖片的原始寬高，(xmin，ymin)為原始樣本邊界框的左上角位置信息，(xmax，ymax)為原始樣本邊界框的右下角位置信息，(x，y)為目標歸一化處理后的中心點坐標和寬，(w，h)為中心點坐標和高。

訓練集共包含11000張不同的圖片，驗證集包含2400張圖片，根據YOLOv4的算法要求將數據集轉換成VOC2007數據集格式，并使用LableImg標注軟件進行標注，標注的標簽類別使用masked、no masked兩類。同時數據集包含了不同遮擋物、不同角度等多尺度以及不同人物數量的口罩佩戴信息，有利于提高在檢測口罩佩戴情況時的魯棒性和精確度。

1.4 訓練配置

試驗采用了Darknet深度學習框架，演示環境為Ubuntu20.04、CUDA10.1、cuDNN7.6.5、OpenCV4.1、GTX1050-4G、Python3.9。訓練設置如下：輸入尺寸為416×416，IOU閾值為0.5每次迭代訓練樣本數為32、分16個批次，最大迭代次數設置為10000，學習率為0.001；迭代次數分別4500和5000時，學習率衰減為0.1，Class參數為訓練檢測的目標數，由于本目標檢測的目的為是否佩戴口罩，將class參數設置為2，兩種即戴口罩mask和未佩戴口罩no mask。修改好后，修改編譯文件Makefile，生成可操作的執行文件進行模型訓練。最終得到的訓練時間為142h。

2 實驗與結果分析

訓練完成后，從日志文件中讀取每次迭代的損失值，并繪制Loss-mAP曲線，顯示結果如圖1所示。

圖1 mAP、Loss曲線

由圖3知，當迭代次數為9000次后，Loss值基本穩定在1.25左右，本文選擇目標檢測算法的評價指標為平均精度均值（mean Average Precision，簡稱mAP）。

圖3 Jetson Nano檢測效果

在已有的數據集下最終得到的響應時間在60-70ms左右，模型精度為93.6%，Loss為1.2494。該網絡取得了不錯的檢測效果。在測試集上的部分檢測效果如圖2所示，佩戴口罩和未佩戴口罩分別使用綠色和紫色框架標出并且標有masked，no masked字樣，使輸出結果進一步可視化。

圖2 檢測效果

將本文算法與其他主流目標檢測算法性能指標進行對比，對比結果如表1所示。

表1 不同檢測算法性能指標對比

從最終結果來看，本算法與上面4種算法相比具有更高的精度，精度上都有所提高，mAP提高至93.6%。綜上，本文的YOLO算法在性能上有一定優勢。

本文最終設備包含了物理攝像頭，無線網卡，Jetson nano主板，散熱風扇，64GSD卡等。檢測效果如圖3所示。

結束語：預防新型冠狀肺炎的方式主要是阻斷其來源及其傳播，而戴口罩是阻斷病毒的最有效的方式。本文基于這樣的背景，實現了一種通過定位人臉與口罩的檢測任務，對采集到的目標圖片以及視頻中提取特征并進行分析分類，從而達到判斷目標是否正確有效地佩戴口罩。本文提出的采用改進的YOLOv4模型的口罩佩戴識別方法可應用在口罩佩戴識別系統中，通過CIoU改進后的YOLO v4網絡，并將其部署于設備上，能夠滿足疫情期間，應用于公眾場所并能夠準確的檢測出人們是否佩戴口罩，對防疫工作做出很大的貢獻，具有重大的應用意義。