疫情防控背景下人工智能口罩檢測技術(shù)的研究熱點
——基于CiteSpace可視化圖譜分析

李雙遠,呂彥昌

(1．吉林化工學(xué)院 信息化建設(shè)辦公室，吉林 吉林 132022；2．吉林化工學(xué)院 信息與控制工程學(xué)院，吉林 吉林 132022)

2020年疫情改變了全世界，但同時也改變了中國人工智能市場的格局，AI人工智能被提升到國家戰(zhàn)略，這是對我國人工智能領(lǐng)域的極大利好，提振了人工智能市場的信心[1]；國家及地方也積極發(fā)布多項政策，全力支持人工智能的發(fā)展與應(yīng)用.2020年2月19日，工信部發(fā)布的《關(guān)于運用新一代信息技術(shù)支撐服務(wù)疫情防控和復(fù)工復(fù)產(chǎn)工作的通知》提出利用人工智能、大數(shù)據(jù)、5G等技術(shù)，加快病毒檢測診斷、疫苗新藥研發(fā)、防控救治等速度，提高抗疫效率.由此可見利用人工智能進行疫情防控，增加抗疫效率得到了基本的認同，因此學(xué)界開始深入探索人工智能技術(shù)給疫情防控帶來的變化，例如，使用人工智能技術(shù)對佩戴口罩進行自動檢測[2].基于此，利用CiteSpace軟件分析系統(tǒng)分析國內(nèi)與國外口罩目標檢測的相關(guān)論文，以期深度理解國內(nèi)外口罩佩戴檢測的研究現(xiàn)狀、差異、熱點話題和發(fā)展趨勢[3].

1 數(shù)據(jù)來源與研究方法

1.1 數(shù)據(jù)來源

所需文獻數(shù)據(jù)來源于CNKI和Web of Science數(shù)據(jù)庫，檢索對象為2020年以來刊發(fā)的相關(guān)論文(2020年1月—2021年12月).在CNKI中使用高級檢索功能，以“口罩檢測”為主題進行搜索，手動剔除掉會議、圖書等無效記錄，實際獲得有效樣本159份.同時，在Web of Science數(shù)據(jù)庫中以“Object detection”or“Mask”為主題進行檢索，最終得到199份有效樣本.

1.2 研究工具與方法

1.2.1 研究工具

選取CiteSpace 5.8R3為研究工具.CiteSpace是Citation Space的簡稱，由陳超美博士及其團隊開發(fā)，是一款運行在JAVA環(huán)境下著眼于分析科學(xué)文獻中蘊含的潛在知識的圖譜工具.其突出特征在于將某個研究領(lǐng)域中浩瀚的文獻數(shù)據(jù)，以一種多元、分時、動態(tài)的可視化語言通過巧妙的布局，將該領(lǐng)域的發(fā)展歷程集中展現(xiàn)在一幅可視化圖譜上；并將圖譜上的節(jié)點文獻以及研究前沿?zé)狳c話題自動標識，顯示出圖譜自身的可解讀性，讓讀者可以輕松了解該領(lǐng)域的詳細信息[4].

1.2.2 研究方法

首先，采用文獻計量法從發(fā)文時間、發(fā)文數(shù)量、研究機構(gòu)三方面對CNKI和Web of Science數(shù)據(jù)庫所搜索到的文獻進行分析，得到在不同時間、不同國家的研究情況及發(fā)文的數(shù)量關(guān)系、變化規(guī)律及分布結(jié)構(gòu)[5].最后，利用CiteSpace軟件對搜索到的國內(nèi)外文獻分別進行可視化分析，得到關(guān)鍵詞共現(xiàn)、關(guān)鍵詞聚類等可視化圖譜，進而可以展現(xiàn)出國內(nèi)外在人工智能領(lǐng)域進行口罩檢測的知識脈絡(luò)與研究現(xiàn)狀.在上述基礎(chǔ)上，深入分析核心文獻，系統(tǒng)地梳理國內(nèi)外在利用人工智能領(lǐng)域口罩識別方面的差異與發(fā)展趨勢.

2 口罩檢測的空間分布

2.1 國家分布

首先對Web of Science數(shù)據(jù)庫所檢索到的199篇文獻進行可視化分析，可以得出國際上利用人工智能進行口罩佩戴檢測研究論文產(chǎn)出的國家分布極不均衡，一些國家占了很大比例.對發(fā)文量排名前10的國家進行匯總，如圖1所示.

圖1 2020—2022排名前10國家發(fā)文量

由圖1可以得出，在過去的兩年里，中國的論文產(chǎn)出量為99篇，位列第一；排名第二的為美國，發(fā)文量21篇；印度發(fā)文量17篇，位居第三.隨著人工智能技術(shù)的興起，各個國家也在奮力研究，因此，排名前10的國家大多為發(fā)達國家.而中國作為發(fā)展中國家可在國際中躋身前列，足以體現(xiàn)我國在利用人工智能技術(shù)進行疫情防控方面做出了巨大貢獻.

2.2 國內(nèi)分布

采用同樣方法，對CNKI所檢索到的159篇文獻進行可視化分析，可以清楚地獲得在過去的兩年里各種主題的文獻數(shù)，在多類主題中主要針對發(fā)文量排名前20的主題進一步探討.如圖2所示，可以發(fā)現(xiàn)“口罩檢測”、“卷積神經(jīng)網(wǎng)絡(luò)”、“YOLOv5”等主題文章數(shù)量較多，因此可進一步說明我國在利用人工智能進行口罩檢測方面做出了很大的貢獻.

圖2 主要主題文獻分布

由于發(fā)文機構(gòu)分布較為廣泛，因此針對發(fā)文數(shù)量排名前20的機構(gòu)進行統(tǒng)計分析，具體分布如圖3所示.由圖可得，在發(fā)文排名前20的機構(gòu)中大多為我國知名高校，其中以青島大學(xué)為主，在過去的兩年中發(fā)文數(shù)量為5篇；新疆大學(xué)等三所高校并列第二，發(fā)文數(shù)量為4篇；貴州大學(xué)等5所高校發(fā)文數(shù)量均為3篇，位居第三.由此可得，在疫情防控中，我國高校充分發(fā)揮科研優(yōu)勢在人工智能領(lǐng)域奉獻自己的力量，進而更好地發(fā)揮人工智能在我國防疫工作上的優(yōu)勢.

圖3 主要研究機構(gòu)文獻分布

3 數(shù)據(jù)分析與研究

運用CiteSpace軟件，以年為單位進行時間切片選擇，閾值設(shè)為50，選擇方法為“g-index，k=25”，其他節(jié)點值為默認[6].為保證研究的有效性，分別對CNKI和Web of Science數(shù)據(jù)庫所搜索到的文獻進行可視化分析，得到關(guān)鍵詞共現(xiàn)圖譜以及關(guān)鍵詞聚類圖譜，從而更直觀地分析國內(nèi)外在疫情常態(tài)化中利用人工智能進行口罩檢測的現(xiàn)狀.

3.1 作者可視化圖譜

作者分析可以為讀者揭示更多通常會被單點指標掩蓋的科研人員數(shù)據(jù)和細節(jié)，同時被引參考文獻深度分析不僅可以幫助有相關(guān)需求的科研人員了解引用參考文獻的目的,也有助于發(fā)現(xiàn)對該篇文獻影響較大的參考文獻及相關(guān)文獻[7].使用CiteSpace軟件，將T節(jié)點設(shè)置為“Author”，分別繪制國內(nèi)外所檢索到的文獻作者關(guān)聯(lián)圖譜如圖4、5所示.

圖4 國內(nèi)文獻作者關(guān)聯(lián)圖譜

圖5 國外文獻作者關(guān)聯(lián)圖譜

由國內(nèi)文獻作者關(guān)聯(lián)圖譜可得，發(fā)文量最多的是劉明、儲珺和李瑞，以上3位作者在過去的兩年中發(fā)文均為4篇.在合作方面，劉明、張心月與劉蓉存在合作關(guān)系，除此之外，丁洪偉和楊志軍等多組作者合作也較為密切.通過對國外文獻作者關(guān)聯(lián)圖譜得到發(fā)文量最多的為LU ZHANG，共發(fā)表4篇相關(guān)文章，其次KAMRAN JAVED發(fā)文量為3篇，排名第二，位居第三的為QIXIANG YE和SEHO BAE等多名作者，發(fā)文數(shù)量為2篇.在分析文獻作者合作關(guān)系時，發(fā)現(xiàn)國內(nèi)外文獻作者合作均不密切，有待加強合作，進而取得更多學(xué)術(shù)成果.

3.2 關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)分析

關(guān)鍵詞是計算機系統(tǒng)標引論文內(nèi)容特征的詞語,便于信息系統(tǒng)匯集，往往可以展示一篇文章的核心內(nèi)容.在關(guān)鍵詞共現(xiàn)可視化圖譜中，節(jié)點代表關(guān)鍵詞，節(jié)點的大小代表關(guān)鍵詞出現(xiàn)的頻次，節(jié)點越大表示關(guān)鍵詞頻次越高，節(jié)點的連線表示關(guān)鍵詞之間的聯(lián)系[8].分別對CNKI和Web of Science數(shù)據(jù)庫所搜索到的文獻進行可視化分析，得到關(guān)鍵詞共現(xiàn)圖譜，如圖6、7所示.

圖6 CNKI中關(guān)鍵詞共現(xiàn)圖譜

圖7 Web of Science數(shù)據(jù)庫中關(guān)鍵詞共現(xiàn)圖譜

通過對圖7分析可得，關(guān)鍵詞共現(xiàn)圖譜中出現(xiàn)66個節(jié)點，116條連線，網(wǎng)絡(luò)密度為0.054 1；圖7中有144個節(jié)點，519條連線，網(wǎng)絡(luò)密度為0.050 4.可以看出，國外文獻數(shù)量雖然遠大于國內(nèi)，但網(wǎng)絡(luò)密度卻較小.因此，可以得出國內(nèi)針對口罩檢測的研究較為集中.基于CiteSpace軟件可視化分析的結(jié)果，獲得在人工智能領(lǐng)域口罩檢測技術(shù)頻次位于前10的關(guān)鍵詞，如表1所示.

表1 人工智能技術(shù)口罩檢測高頻關(guān)鍵詞

3.3 關(guān)鍵詞聚類分析

首先利用CiteSpace軟件對所檢索得到的國內(nèi)外文獻分別進行聚類分析，得到國內(nèi)外文獻聚類圖譜，如圖8、9所示.

圖8 國內(nèi)文獻關(guān)鍵詞聚類圖譜

圖9 國外文獻關(guān)鍵詞聚類圖譜

其次利用對數(shù)似然率算法(Log-Likelihood Rate) 對相關(guān)文獻的關(guān)鍵詞進行聚類分析，由可視化圖譜可得國內(nèi)聚類文獻中聚類模塊值即Q值為0.605，聚類平均輪廓值即S值為0.800 4；國外文獻中Q值為0.423 1，S值為0.809 2.一般地，Q>0.3表示聚類結(jié)構(gòu)較好；S>0.7代表所得聚類信度高[9].綜上，所得國內(nèi)外關(guān)鍵詞聚類圖譜合理，可進行進一步分析.

由圖8顯示，國內(nèi)研究共分為8個聚類，分別為“損失函數(shù)”、“人臉識別”、“深度學(xué)習(xí)”、“口罩佩戴”、“口罩識別”、“智慧樓宇”、“目標識別”、“目標定位”.國外研究共分為8個聚類，分別是“instance segmentation(實例分割)”、“predictive models(預(yù)測模型)”、“image edge detection(圖像邊緣檢測)”、“attention mechanism(注意力機制)”、“unmanned aerial vehicles(無人機)”、“deep neural network(深度神經(jīng)網(wǎng)絡(luò))”、“three-dimensional displays(三維顯示)”、“salient object detection(顯著目標檢測)”.

對生成的關(guān)鍵詞聚類圖譜進行深入分析，首先是國內(nèi)文獻關(guān)鍵詞聚類圖譜，其中聚類#0損失函數(shù).損失函數(shù)是將隨機事件或其有關(guān)隨機變量的取值映射為非負實數(shù)以表示該隨機事件的“風(fēng)險”或“損失”的函數(shù)[10].損失函數(shù)是卷積神經(jīng)網(wǎng)絡(luò)必不可少的部分，通過計算網(wǎng)絡(luò)模型輸出與真實類別之間的某種距離，可以衡量整個網(wǎng)絡(luò)模型的好壞,此外，在訓(xùn)練階段,損失函數(shù)也決定了網(wǎng)絡(luò)模型參數(shù)的更新過程.聚類#1人臉識別.人臉識別是采用攝像頭等電子設(shè)備采集含有人臉的圖像或視頻，然后自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部識別技術(shù).人臉識別技術(shù)具有非強制性、非接觸性、直觀性、簡易性等優(yōu)點[11]，并且已經(jīng)得到了廣泛的重視和研究.聚類#2深度學(xué)習(xí).深度學(xué)習(xí)是機器學(xué)習(xí)的一種，而機器學(xué)習(xí)是實現(xiàn)人工智能的必經(jīng)路徑.研究深度學(xué)習(xí)的目的主要在于建立模擬人腦進行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，可利用其模仿人腦的機制來解釋數(shù)據(jù)，例如圖像、聲音和文本等[12].聚類#4口罩識別.人臉佩戴口罩識別是一種人臉屬性識別,它包括人臉檢測技術(shù)和口罩佩戴分類技術(shù)兩部分.由于人臉的特殊性,在目標檢測技術(shù)的基礎(chǔ)上發(fā)展了一系列的人臉檢測算法,而口罩佩戴識別可通過目標分類技術(shù)來實現(xiàn).

其次是國外文獻關(guān)鍵詞聚類圖譜，其中圖譜#0instance segmentation(實例分割).圖像實例分割是在對象檢測的基礎(chǔ)上進一步細化和提升，分離對象的前景與背景，實現(xiàn)像素級別的對象分離.圖像實例分割在目標檢測、人臉檢測、表情識別、醫(yī)學(xué)圖像處理與疾病輔助診斷、視頻監(jiān)控與對象跟蹤、零售場景的貨架空缺識別等場景下均有應(yīng)用[13].圖譜#1predictive models(預(yù)測模型).預(yù)測模型通常是用于預(yù)測的，采用數(shù)學(xué)語言或公式所描述的事物間的數(shù)量關(guān)系，并且在一定程度上揭示了事物間的內(nèi)在規(guī)律性[14].目前基于機器學(xué)習(xí)相關(guān)算法的預(yù)測模型在諸多領(lǐng)域已經(jīng)取得廣泛應(yīng)用.圖譜#5deep neural network(深度神經(jīng)網(wǎng)絡(luò)).深度神經(jīng)網(wǎng)絡(luò)是機器學(xué)習(xí)領(lǐng)域中一種技術(shù)框架，同時也具備至少一個隱層的神經(jīng)網(wǎng)絡(luò).與淺層神經(jīng)網(wǎng)絡(luò)類似，深度神經(jīng)網(wǎng)絡(luò)也能夠為復(fù)雜非線性系統(tǒng)提供建模，但多出的層次為模型提供了更高的抽象層次，因而提高了模型的能力[15].圖譜#7salient object detection(顯著目標檢測).顯著目標檢測主要是識別圖像的主體，本質(zhì)是一種分割任務(wù)，首先算顯著圖，然后合并分割顯著對象.通過顯著性檢測可以快速有效地提取出場景中有用的區(qū)域，從而進一步分析.

4 結(jié) 論

自新冠疫情暴發(fā)以來，我國在疫情防控阻擊戰(zhàn)中取得階段性勝利，但變異毒株奧密克戎再次襲來，佩戴口罩為阻斷病毒傳播途徑的有效手段[16]，因此需要加強對公共場所出入人員是否佩戴口罩的檢測.采用文獻計量學(xué)方法，使用 CiteSpace可視化軟件對CNKI和Web of Science數(shù)據(jù)庫關(guān)于人工智能領(lǐng)域口罩佩戴檢測相關(guān)論文進行分析，可以更加直觀地看出國內(nèi)外對于口罩檢測的研究現(xiàn)狀，在疫情背景下國內(nèi)外學(xué)者對于人工智能領(lǐng)域口罩佩戴檢測的研究呈現(xiàn)上升趨勢，而且受到越來越多的國內(nèi)外學(xué)者的關(guān)注和重視，在共現(xiàn)圖譜中可以得出國內(nèi)外高頻關(guān)鍵詞均出現(xiàn)“deep learning(深度學(xué)習(xí))”、“object detection(目標檢測)”.其中，深度學(xué)習(xí)是一類機器學(xué)習(xí)算法，深度學(xué)習(xí)作為機器學(xué)習(xí)領(lǐng)域的變革者已經(jīng)眾人皆知了，尤其是計算機視覺領(lǐng)域.與深度學(xué)習(xí)在圖形分類領(lǐng)域碾壓傳統(tǒng)模型類似，深度學(xué)習(xí)模型現(xiàn)在也是目標檢測領(lǐng)域最好的方法[17].目標檢測的主要任務(wù)是從輸入圖像中定位感興趣的目標，然后準確地判斷每個感興趣目標的類別.而從聚類圖譜中可得國內(nèi)外作者在口罩識別方向略有差異，國內(nèi)作者主要研究目標檢測方向涉及的函數(shù)，注重一些智能識別模型研究，建設(shè)智慧樓宇[18].而國外作者更側(cè)重圖像分割技術(shù)的研究，利用人工智能圖像處理結(jié)合三維呈現(xiàn)工具更好地展示所檢測的目標.因此國內(nèi)外作者在科研方面若是進行通力合作可以在自身擅長領(lǐng)域進行結(jié)合，從而能更好地促進目標檢測口罩的研究與發(fā)展.通過目標檢測技術(shù)在公共場所檢測是否佩戴口罩，不僅會節(jié)約大量的人力物力，而且還能提高監(jiān)管效率以及覆蓋率.從而使疫情出現(xiàn)的概率大大降低，為防控疫情管理、口罩佩戴提供很好的監(jiān)督作用，進而可以為我國乃至全世界防疫發(fā)揮更好的促進作用.