口罩佩戴檢測(cè)算法基于YOLOv5在圖像識(shí)別檢測(cè)領(lǐng)域的優(yōu)異性能，本文研究基于基于YOLOv5的口罩佩自動(dòng)戴檢測(cè)方法。首先從網(wǎng)絡(luò)和真實(shí)生活中中尋找并采集不同場(chǎng)景人群口罩佩戴的圖片約500張并自建數(shù)據(jù)集，口罩佩戴檢測(cè)算法利用YOLOv5模型框架，修改其相關(guān)配置文件和檢測(cè)參數(shù)，并采用數(shù)據(jù)增強(qiáng)和Dropout技術(shù)防止過(guò)擬合。實(shí)驗(yàn)結(jié)果驗(yàn)證了YOLOv5模型人群口罩佩戴圖像識(shí)別任務(wù)上的優(yōu)越性能，測(cè)試集上的YOLOv5s模型識(shí)別準(zhǔn)確率高達(dá)85.45%。
關(guān)鍵詞 圖像識(shí)別；口罩佩戴檢測(cè)；YOLOv5；特征學(xué)習(xí)；

引言
目前口罩佩戴檢測(cè)存在著因周圍復(fù)雜環(huán)境影響從而出現(xiàn)效率低，導(dǎo)致漏檢等情況。為了達(dá)到更好的檢測(cè)效果，本文主要是利用YOLOv5網(wǎng)絡(luò)模型在輕量化口罩佩戴檢測(cè)算法的研究。

1 數(shù)據(jù)預(yù)處理
1.1 數(shù)據(jù)采集
人群口罩佩戴圖像是2022年5月23日，由本組三名同學(xué)分別在網(wǎng)絡(luò)上以及在真實(shí)場(chǎng)景中用手機(jī)拍攝所得，共計(jì)1027張圖片。不同采集設(shè)備獲取的原始圖像分辨率不同，在數(shù)據(jù)建模時(shí)統(tǒng)一縮放至324×324大小的規(guī)格

為了提高卷積神經(jīng)網(wǎng)絡(luò)模型的泛化能力，對(duì)每幅口罩佩戴圖像通過(guò)旋轉(zhuǎn)、平移、扭曲、縮放、翻轉(zhuǎn)等傳統(tǒng)數(shù)字圖像處理方法進(jìn)行隨機(jī)變換以擴(kuò)充樣本個(gè)數(shù)。某幅口罩圖像進(jìn)行數(shù)據(jù)增強(qiáng)后的部分樣本如圖2所示，通過(guò)隨機(jī)變換生成的口罩佩戴圖像大量擴(kuò)充了數(shù)據(jù)集，使樣本分布更廣泛。

本文構(gòu)建的識(shí)別模型主要是YOLOv5s，其具有小型輕量，快速的特點(diǎn)，適合于快速準(zhǔn)確的識(shí)別任務(wù)。模型如圖3-1。
模型輸入圖像設(shè)定為324×324 的三通道彩色圖像，殘差結(jié)構(gòu)中依次包含瓶頸殘差模塊、常規(guī)殘差模塊×2、瓶頸殘差模塊、常規(guī)殘差模塊×3、瓶頸殘差模塊、常規(guī)殘差模塊×22、瓶頸殘差模塊、常規(guī)殘差模塊×2。其內(nèi)部卷積核設(shè)置略有調(diào)整。最后，在網(wǎng)絡(luò)全連接層之后采用Softmax分類器輸出每個(gè)類別的分類概率。

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()