基于YOLOv5的口罩佩戴检测方法

正确的佩戴口罩对现阶段有效减低人员之间感染新型冠状病毒具有重要意义。基于YOLOv5在图像识别检测领域的优异性能，本文研究基于基于YOLOv5的口罩佩自动戴检测方法。首先从网络和真实生活中中寻找并采集不同场景人群口罩佩戴的图片约500张并自建数据集，然后利用YOLOv5模型框架，修改其相关配置文件和检测参数，并采用数据增强和Dropout技术防止过拟合。实验结果验证了YOLOv5模型人群口罩佩戴图像识别任务上的优越性能，测试集上的YOLOv5s模型识别准确率高达85.45%。
关键词 图像识别；口罩佩戴检测；YOLOv5；特征学习；

引言
自2019年以来，新型冠状病毒肺炎袭击全球，影响着人们的生命安全，我国采取了强有效的防控措施，在抗击新冠肺炎方面取得了较大的成功，但我们依然不能松懈，在人流量密集的机场，车站和市场等，稍有不慎就有传播风险。正确的佩戴口罩是现阶段有效减低人员之间感染的有效措施之一，而佩戴口罩进行检测也是需要一定的检测技术，目前口罩佩戴检测存在着因周围复杂环境影响从而出现效率低，导致漏检等情况。为了达到更好的检测效果，本文主要是利用YOLOv5网络模型在轻量化口罩佩戴检测算法的研究。

1 数据预处理
1.1 数据采集
人群口罩佩戴图像是2022年5月23日，由本组三名同学分别在网络上以及在真实场景中用手机拍摄所得，共计1027张图片。不同采集设备获取的原始图像分辨率不同，在数据建模时统一缩放至324×324大小的规格

为了提高卷积神经网络模型的泛化能力，对每幅口罩佩戴图像通过旋转、平移、扭曲、缩放、翻转等传统数字图像处理方法进行随机变换以扩充样本个数。某幅口罩图像进行数据增强后的部分样本如图2所示，通过随机变换生成的口罩佩戴图像大量扩充了数据集，使样本分布更广泛。

本文构建的识别模型主要是YOLOv5s，其具有小型轻量，快速的特点，适合于快速准确的识别任务。模型如图3-1。
模型输入图像设定为324×324 的三通道彩色图像，残差结构中依次包含瓶颈残差模块、常规残差模块×2、瓶颈残差模块、常规残差模块×3、瓶颈残差模块、常规残差模块×22、瓶颈残差模块、常规残差模块×2。其内部卷积核设置略有调整。最后，在网络全连接层之后采用Softmax分类器输出每个类别的分类概率。
 

1.    import random
2.    import string
3.    
4.    f1 = open('1.txt', 'x')
5.    for x in range(10000):
6.        string0 = str(''.join(random.sample(
7.            ['z', 'n', 'm', 'l', 'k', 'j', 'i', 'h', 'g', 'f', 'e', 'd', 'c', 'b', 'a'], 4)))
8.        f1.write(string0)
9.        if x % random.randint(1, 50) == 0:
10.            f1.write(' ')
11.            continue
12.        if x != 9999:
13.            f1.write('\n')
14.    f1.close()