[发明专利]一种基于YOLOv5的口罩佩戴实时检测方法

权利要求书

1.一种基于YOLOv5的口罩佩戴实时检测方法，其特征在于，具体按照如下步骤进行：

步骤1：制作用于口罩佩戴检测的数据集；

步骤2：搭建YOLOv5网络框架；

步骤3：将口罩佩戴检测的数据集用YOLOv5网络进行训练；

步骤4：将训练的YOLOv5模型用于口罩佩戴实时检测中。

2.根据权利要求1所述的一种基于YOLOv5的口罩佩戴实时检测方法，其特征在于，步骤1中制作数据集时，具体包括如下步骤：

步骤1.1：首先搜集两千多张正确佩戴口罩和未佩戴口罩的照片；

步骤1.2：在原数据集的基础上利用旋转、裁剪的数据增强方法对数据集进行增强，将数据集扩展到5000张照片；

步骤1.3：用Labeling对5000张图片进行标注。

3.根据权利要求1所述的一种基于YOLOv5的口罩佩戴实时检测方法，其特征在于，步骤2具体包括：

步骤2.1：采用CIOU_Loss作为Bounding box的损失函数，定义为：

CIOU_Loss考虑到了覆盖面积、中心点距离和长宽比；其中α是权重系数，v表示检测框和真实框的长宽比的距离，b和b^gt分别表示类别是佩戴口罩的预测框和未佩戴口罩的预测框的中心点，ρ表示欧氏距离，C表示目标最小外接矩形的对角线距离，IOU表示两个框的交集面积比上他们的并集面积，α和v的表达式为：

步骤2.2：新型YOLOv5的非极大值抑制方法采用DIOU_Loss，DIOU_Loss不仅仅会考虑IoU还会考虑两个中心点之间的距离，当两个框的中心点距离比较大时，会被认为是两个物体的框而不会因为遮挡被过滤掉。

4.根据权利要求2所述的一种基于YOLOv5的口罩佩戴实时检测方法，其特征在于，步骤3具体包括：

步骤3.1：对步骤1所标注的数据集采用K-Means++算法对数据集的目标框的高宽进行聚类，以此来确定模型中的anchor参数的最优值；

步骤3.2：将标注的数据集按照9：1划分成训练集和测试集，将步骤3.1所计算出来的anchor参数输入到网络中；

步骤3.3：设置网络训练参数：迭代批量设置为128、衰减系数为0.0005、总迭代次数为500次、初始学习率为0.001，迭代400次学习率降低至0.0001、迭代450次学习率降至0.00001。

5.根据权利要求1所述的一种基于YOLOv5的口罩佩戴实时检测方法，其特征在于，在步骤4中对步骤3训练好的YOLOv5模型进行推理测试。

6.根据权利要求1所述的一种基于YOLOv5的口罩佩戴实时检测方法，其特征在于，对步骤4的检测进行评估和测试，

其中Precision为准确率、Recall为召回率、mAP为平均精度值，TP表示模型预测正确佩戴口罩样本的数量，FP表示把未戴口罩识别成佩戴口罩的样本数量，FN表示将正确佩戴口罩识别成未佩戴口罩的样本数量。M表示类别数量，i∈(1，M)。