无监督数据集子类划分的人脸口罩佩戴识别算法

人脸口罩佩戴识别成为疫情防控的一项重要手段,而目前口罩佩戴检测主要还是通过人工监测,基于深度学习的口罩佩戴检测系统较少,且存在误检、漏检和检测速度慢等问题。针对口罩佩戴检测中不规范佩戴口罩数据集较少,和对检测精度和检测速度要求较高的实际应用需求,从数据集和网络两方面改进人脸口罩佩戴检测方法:通过在无监督自分类方法中引入标签矫正算法对数据集进行子类划分,减少数据集类内差异,提高网络检测精度;调整目标检测网络结构,去除小尺度检测的网络层,提高网络检测速度;引入注意力机制模块,增强网络对细节特征的提取能力,提高网络检测精度。口罩佩戴情况的平均检测精度从79.34%提升到93.12%,检测速度提高了6.4%,设计的网络结构能够满足实际应用的需求。     

基于MobileNet V2的口罩佩戴识别研究

针对目前主流口罩佩戴检测算法均需要对样本进行标注,使用的网络模型对电脑硬件配置要求高,无法适用于便携设备或移动端的问题,提出了一种基于MobileNet V2的口罩佩戴识别方法.首先,对口罩佩戴数据集进行构建,并进行数据扩充;然后,通过搭建MobileNet V2模型实现对口罩佩戴的识别;最后,通过选择合适的评价标准进行结果分析.结果表明:该方法对是否佩戴口罩的检测准确率可达99.83％,对口罩佩戴是否标准的检测准确率可达98.97％.该方法在保证准确率和速度的基础上,减小网络体积,适用性更加广泛.     

基于PaddleHub的人脸口罩识别系统

新冠病毒的传播方式主要是通过呼吸道传染,人们佩戴口罩进行防护是最有效的预防感染的途径之一,而人脸口罩自动化识别可以有效监督人们是否佩戴口罩.文章设计了基于PaddleHub的人脸口罩识别系统,利用PyramidBox单阶段人脸检测器和FaceBoxes主干网络分别对目标区域进行人脸检测和口罩识别.此外,为扩展该系统的功...     

基于深度神经网络的口罩佩戴检测

深度神经网络在物体识别和分类中应用广泛,将其用于口罩佩戴检测,有利于提高新冠疫情防控管理工作效率.首先,收集佩戴口罩图片,将样本图片数据集扩充到12000张.然后用Pytorch搭建ResNet-34深度神经网络,经适当预处理,调整学习率大小和批数据量大小,网络在验证集上准确率为98.41％,在测试集上准确率为97.25％.该网络对单张图片的检测用时为0.103秒,拥有较高的检测准确率和效率,能够满足公共场所对口罩佩戴检测的应用需求.     

基于YOLO改进算法的安全帽和口罩佩戴自动同时检测

针对工地、危险区域等场景需要实现同时佩戴安全帽与口罩的自动检测问题,提出一种改进的YOLOv3算法以提高同时检测安全帽和口罩佩戴的准确率.首先,对网络模型中的聚类算法进行优化,使用加权核K-means聚类算法对训练数据集聚类分析,选取更适合小目标检测的Anchor Box,以提高检测的平均精度和速度;然后,优化YOLO...     

基于YOLOv3改进算法的出租车驾驶人口罩检测

为了更加及时精准地监测出租车驾驶人在工作状态下的口罩佩戴情况,提出一种基于YOLOv3改进算法的出租车驾驶人口罩佩戴检测方法。在试验开始前,利用收集到的出租车车内视频数据制作一套包含2 478张出租车内部驾驶人工作状态下的图片数据集,根据数据集的特点采取3种改进策略：首先将主体网络中的普通卷积替换为深度可分离卷积,降低模型参数量的同时实现模型压缩和网络结构深度的增加;然后为了保证口罩边缘信息在多尺度预测过程中的融合效果,将原始算法中在3个特征图进行多尺度融合的策略减少为2个;最后为了维持在特征图融合过程中的锚框数量,采用了K均值(K-means)算法重新计算出8个初始锚框值,给2个融合特征图上分别分配4个初始锚,通过以上改进使算法能够更好地适配于自建数据集。研究结果表明：通过改进后的YOLOv3算法在驾驶人口罩佩戴检测时精度可以提升至96.2%,且模型被压缩到32 M,在英伟达1080Ti环境下处理速度为43帧/s,满足实时性需求要,改进后的算法表现更加优异,可以有效地用于出租车驾驶人口罩佩戴检测。     

基于YOLOX-Tiny级联算法的变电站安全佩戴行为检测

采用深度卷积神经网络的级联检测代替传统检测方法,利用训练好的YOLOX-Tiny目标检测网络区分离地人员和着地人员;然后,将二者的图片作为输入图像的感兴趣区域,送入目标检测网络进行处理和训练,不但能实现对不同人员角色安全带的检测,还能实现对袖章这类小目标的检测.实验结果表明：该方法可准确、快速识别出需要佩戴安全带的工作人员和需要佩戴红色袖章的监护人员,其最终整体检测精度达到91.0%,且整体检测速度高达41.06 F·s^-1,有效满足变电站高空作业中安全佩戴行为的实时检测要求.     

负载纳米TiO_2-ACF口罩的设计与应用

将负载纳米TiO_2的ACF成功地应用于口罩中,使其在具备普通口罩基本功能的基础上,增加了吸附、降解苯等有毒有害气体的性能,所以负载纳米TiO_2-ACF的口罩适于在有毒害气体的场所佩戴。对四种不同类型口罩进行了检测,结果表明:它们的空气阻力都没有超过50Pa,但负载纳米TiO_2-ACF的口罩过滤效率却提高了11.8%~14.5%,同时,纳米TiO_2-ACF层能够进行拆换,可以根据环境污染程度佩戴不同过滤层的口罩,从而提高了口罩的使用效率,降低了口罩的使用成本。     

基于迁移学习的人脸口罩穿戴识别研究及应用

人脸口罩穿戴识别技术可以有效监督及管控人们佩戴口罩.本文基于迁移学习理论,共享经典卷积神经网络部分参数,修改其最后几层连接层,使用8 967张图像样本集进行训练,得到了新模型;同时结合了人脸检测技术,针对检测后人脸子图像,采用图像分类方法实现了快速识别.通过迁移学习对深度网络模型开展迁移训练,解决了因为样本量少导致的准确率低等问题,新模型能够有效解决人脸口罩穿戴识别问题,使源领域知识得到了迁移.通过MATLAB编写迁移学习程序和应用仿真主程序,调用了摄像头硬件实现了真实场景应用仿真.实践证明,该研究具有较强的应用价值.     

口罩对呼吸实境颗粒物的防护及风险消减研究

为了明确口罩对实际环境颗粒物的过滤防护效果,采用呼吸实境采样装置对办公室和企业车间环境进行现场分析,选用3种口罩研究口罩类型、佩戴方式、吸气速率等因素对颗粒物过滤效率和风险消减的影响。结果表明,口罩对颗粒物的过滤效率从高到低依次为：KN95口罩>医用口罩>活性炭口罩,口罩侧面泄露对口罩的防护效果具有重要影响,而吸气速率对口罩颗粒物过滤效率的影响不明显。自然佩戴口罩对车间内不同粒径颗粒物的过滤效率呈现随粒径变大而增加的趋势,佩戴KN95口罩对废塑料破碎车间粗、细颗粒物在人体呼吸系统沉积通量消减率均高于93.5%,建议工人根据车间空气状况和劳动工种合理选择不同类型的防护口罩。     

基于STA-YOLOv5的水利建造人员安全帽佩戴检测算法

在大型水利建造工程现场，存在高空坠物、塔吊转动、墙体坍塌等问题，对于建造人员人身安全造成巨大威胁，佩戴安全帽是保护建造人员的有效措施，作为工程作业中的安全管理，对建造人员进行安全帽佩戴的精确检测很有必要。针对现有安全帽检测算法在大型水利建造场景下对小且密集的安全帽目标存在漏检、检测精度较低等问题，提出一种基于STA-YOLOv5的安全帽佩戴检测算法，该算法将Swin Transformer和注意力机制引入到YOLOv5算法中，提高模型对安全帽的识别能力。实验结果表明，STA-YOLOv5算法具有更精确检测结果，识别准确率达到91.6%，较原有的YOLOv5算法有明显提升。     

双层可拆卸式防护口罩及佩戴装置设计

针对传统口罩佩戴过程中存在耳部压迫、呼吸热汽模糊镜片、长时佩戴呼吸不畅等问题,采用3D打印技术和逆向扫描技术结合的方法设计双层可拆卸式防护口罩及佩戴装置,以提高口罩佩戴的舒适度和资源再利用.利用Geomagic Studio软件对逆向获取的面部数据进行点云处理、多边形处理、曲面建模,实现面部数据的重构,正向建模软件完成...     

公共场所健康码识别系统的设计

为了预防新冠病毒的传播,设计了一种基于树莓派4B的公共场所健康码识别系统．该设计采用树莓派4B作为控制模块,使用摄像头模块进行健康码和口罩识别．首先,树莓派4B通过控制4G模块为健康码的识别提供4G网络,以达到在线识别健康码的功能．其次,利用摄像头模块进行面部识别是否佩戴口罩,最后,使用红外测温传感器完成无接触人体测温,并采用树莓派自带的语音播报库进行语音播报．该系统具有在线健康码识别,无接触检测温度和口罩识别的功能,能有效预防接触和呼吸传播．在实际测试和应用中工作稳定,具有智能化,安全化等优势．     

基于改进YOLOv5的安全帽佩戴检测算法

针对现有的安全帽佩戴检测算法难以有效地检测小目标、重叠和遮挡目标的错检、漏检等问题,提出了一种基于改进YOLOv5的安全帽佩戴检测算法。首先,在主干网络增加了一层有效特征提取层更容易检测小目标,同时对颈部原有的特征金字塔结构进行改进,使特征融合得到加强,提升了对小目标检测的准确性;其次,在主干网络中引入了有效通道注意力机制模块(ECA-Net),更容易获取小目标的关键信息,增强了模型对小目标检测的性能;最后,引入CIOU-NMS替换NMS使得网络既考虑到预测框和真实框之间的重叠面积,还考虑到两个框之间的中心点的距离和宽高比,解决了对重叠和遮挡目标的错检、漏检问题。实验结果证明,改进后的算法平均检测精度(MAP)达到了97.2%,较原始YOLOv5算法提升了3.8%,满足施工场景下对安全帽佩戴检测准确率的要求。     

医用口罩的技术标准对比研究及前景展望

针对我国在抗击新冠肺炎疫情中对医用口罩需求的现状,系统综述了医用口罩的技术标准、制备工艺、防护效果及发展概况,分析和比较了各类医用口罩在防护性能上的优势,并对其适用范围给出了合理建议。通过对比各类医用口罩技术标准,发现经过驻极处理的GB 19083—2010医用防护口罩过滤效率最高,不低于95%,适用于传染科或病毒科医务人员和相关工作人员佩戴防护,但存在透气性差、无抗菌性等方面的不足。经分析,高抗菌性、高抗病毒性、佩戴舒适性的新型医用口罩是未来的重要发展方向。     

基于改进YOLOv4颈部优化网络的安全帽佩戴检测方法

针对安全帽佩戴检测时易受复杂背景干扰，解决YOLOv4网络检测速度慢、内存消耗大、计算复杂度高、对硬件性能要求较高等问题，引入改进YOLOv4算法优化安全帽佩戴检测方法。引入MobileNet网络轻量化YOLOv4、跨越模块特征融合，实现高层语义特征和低层语义特征有效融合。针对图像中小目标分辨率低，信息特征少，多尺度并存，导致在连续卷积过程中易丢失特征信息等问题，采用改进特征金字塔FPN和注意力机制等颈部优化策略聚焦目标信息，弱化安全帽检测时背景信息的干扰。仿真结果表明，基于改进的YOLOv4颈部优化网络安全帽佩戴检测算法在CPU平台下的检测速度为34.28 FPS，是基础YOLOv4网络的16倍，检测精度提升了4.21%，检测速度与检测精度达到平衡。     

嵌入式防疫识别系统设计

设计一种嵌入式防疫识别系统,利用红外测温传感器实现无接触人体测温和人脸佩戴口罩识别.系统选用STM32F103RCT6为控制核心,OPENMV4机器视觉模块,非接触式红外温度传感器M LX90614.该系统具有无接触检测和口罩识别的功能,能有效预防接触和呼吸传播,具有工作稳定、智能化、安全化等优势.     

基于改进型Yolov4的室内安全帽佩戴状态检测算法

为实现智能检测室内作业人员是否佩戴安全帽，提出了一种改进的Yolov4算法．首先，针对目前室内安全帽佩戴状态检测实验数据较为匮乏的问题，自建了一个用于室内场景的安全帽佩戴状态检测数据集．随后，为提升室内监控图像中模糊、微小目标的安全帽佩戴状态检测准确率，设计了自校准多尺度特征融合模块并将其嵌入原Yolov4网络中．该模块首先通过深度超参数化卷积从上至下、从下至上融合不同尺度下的特征，加强待检测目标的特征纹理，使得模型能够检测出这两类目标．再通过特征自校准模块对融合后的特征进行过滤，加强或抑制特征图上的每一像素点，使得模型可以在融合后的特征图上进行精确的检测．此外为加速模型收敛，使用解耦合的检测头替换原Yolov4中的耦合检测头，使目标定位任务与安全帽佩戴状态的分类任务相互独立．最后为提升模型对于重叠目标的检测能力，提出了软性非极大值抑制后处理算法Soft-CIo U-NMS．实验结果表明，该改进的Yolov4模型能够准确地识别出室内作业人员是否佩戴安全帽，准确率达到了95.1%．相比于原Yolov4模型，该模型对位于监控摄像头远端的模糊、微小目标和监控图像中重叠目标的检测能力有明显提升...     

“升降起落”行车工

<正>邓爱军在长沙振升铝材发展有限公司工作已经十五年,是一名行吊司机。行吊,又称行车、吊车、天车,是人们对起重机的一个笼统的叫法。行车操作属特殊工种,作业人员必须经过培训后持证上岗,无证不得操作。电泳线车间的气味有些刺鼻,邓爱军按规定佩戴好防护口罩。他知道在作业过程中懂得自我防护非常重要,所以每次上岗前都会按规定穿戴好劳动防护用品,操作时思想高度集中,严格按照安全操作规程进行,确保安全。操作平台     

基于改进的YOLOv5安全帽佩戴检测算法

针对安全帽佩戴检测中存在的误检和漏检的问题，提出一种基于YOLOv5模型改进的安全帽佩戴检测算法。改进模型引入多尺度加权特征融合网络，即在YOLOv5的网络结构中增加一个浅层检测尺度，并引入特征权重进行加权融合，构成新的四尺检测结构，有效地提升图像浅层特征的提取及融合能力；在YOLOv5的Neck网络的BottleneckCSP结构中加入SENet模块，使模型更多地关注目标信息忽略背景信息；针对大分辨率的图像，添加图像切割层，避免多倍下采样造成的小目标特征信息大量丢失。对YOLOv5模型进行改进之后，通过自制的安全帽数据集进行训练检测，mAP和召回率分别达到97.06%、92.54%,与YOLOv5相比较分别提升了4.74%和4.31%。实验结果表明：改进的YOLOv5算法可有效提升安全帽佩戴的检测性能，能够准确识别施工人员的安全帽佩戴情况，从而大大降低施工现场的安全风险。