摘要
为了预防和面对突发公共卫生事件，在公共场合中，实时准确的判断人们是否佩戴口罩变得十分重要。现阶段，通常使用人工检测的方式判断人脸是否佩戴口罩，但这种方式需要消耗大量的人力资源，同时会带来较大的感染风险。随着目标检测算法的快速发展，结合深度学习的实时人脸口罩佩戴检测算法成为了计算机视觉应用领域亟待解决的问题，但这类方法往往受到数据集中图像差异较大等问题的影响，导致检测结果不够理想。针对这些问题，本文的主要工作如下： （1）为了提高数据的一致性和口罩检测算法的检测精度，本文通过在各个开源口罩数据集上进行筛选，构建了一个针对口罩佩戴检测的数据集。利用裁剪、缩放、翻转和马赛克数据增强等方式对图像进行增强，同时对没有标注的图像进行标注。 （2）为了提高口罩目标检测中小目标的检测效果，提出了基于改进YOLOv5网络模型的人脸口罩检测方法。该算法在特征金字塔的中加入通道注意力与空间注意力机制，提高算法对于输入图像中重要部分的关注度。最终在数据集上与类似的目标检测算法进行对比，同时在部分算法中加入同样的注意力模块，证明本章改进后YOLOv5算法具有较好的检测效果。 （3）为了降低网络模型的参数量与计算量，同时降低网络的推理延迟，提出一种基于YOLOv8算法的口罩检测算法。该算法利用Ghost卷积的C3Ghost模块对网络结构中的C2f模块进行优化，并引入空间注意力与通道注意力模块，实现在轻量化的基础上，快速准确的进行口罩目标检测。最后，在自建数据集上进行了各项试验，与具有代表性的相关算法进行对比，实验结果表明改进的算法虽然相对于YOLOv8算法在平均准确率均值上有所降低，但模型的参数量、计算量和推理延迟均是最低的。
NETL