[发明专利]一种基于YOLOv5的口罩佩戴实时检测方法

说明书

本发明公开了一种基于YOLOv5的口罩佩戴实时检测方法，属于机器学习领域。该方法包括：制作用于口罩佩戴检测的数据集，分析YOLOv5模型用于口罩检测的问题，针对问题对YOLOv5网络进行了优化，采用K‑means++算法来计算anchor参数，并且对原先的损失函数进行修改，引入CIOU_Loss作为该算法损失函数的Bounding Box Regression Loss，然后对目标检测的后处理过程中引入DIOU_NMS来代替原来的加权非极大值抑制（NMS）。本发明算法提高了在人员密集处口罩检测的准确度，并且减少了因为遮挡而出现漏检的情况。

技术领域

本发明涉及机器学习领域，尤其是一种基于YOLOv5的口罩佩戴实时检测方法。

背景技术

自新冠肺炎疫情爆发后，在车站、商场等公共场所佩戴口罩成为预防疫情的有效手段。因此，需要在公共场所检测人员是否佩戴口罩，如果单纯的依靠人眼来进行观察，不仅需要消耗大量的人力，而且在人员密集处很容易出现漏检情况。因此，实现口罩佩戴的实时检测变得具有很大的现实意义。

近年来，传统的图像处理技术在目标检测应用上，速度慢、稳定性差且当环境变化时准确率会下降，随着深度学习和机器视觉的快速发展，基于深度学习的目标检测算法得到了广泛的应用。口罩佩戴的实时检测具有实时性强、目标物体小、容易被遮挡等难题，因此需要一种快速、针对被遮挡的小目标准确度高的目标检测算法。YOLOv5于2020年5月提出的一种单阶段的目标检测算法，具有很快的推理速度和小巧的网络结构，YOLOv5的模型结构主要分为四个部分，即Input输入端、Backbone基础网络、Neck网络和Prediction输出层。但对口罩这种容易被遮挡的小目标，容易出现漏检的现象。因此本发明在YOLOv5的基础上进行改进优化，提出了一种新型YOLOv5的口罩佩戴实时检测。

发明内容

针对上述的所有问题，本发明提供一种新型YOLOv5的口罩佩戴实时检测方法，来客服现有的检测方法在速度和准确度上的问题。

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：将训练的新型YOLOv5模型用于口罩佩戴实时检测中。

优选的，步骤1具体包括：

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上利用旋转、裁剪等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。

优选的，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。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不仅仅回考虑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。