基于深度学习的遗弃口罩检测方法技术

本发明专利技术涉及环境保护技术领域，具体为一种基于深度学习的遗弃口罩检测方法，包括以下步骤：S1.构建遗弃口罩的训练样本图像集；S2.提取训练样本图像集的图像特征数据，获得训练样本的图像特征数据集；所述图像特征数据包括口罩轮廓特征数据和口罩颜色增强特征数据；S3.构建遗弃口罩检测模型并对其训练和验证；S4.采用验证后的遗弃口罩检测模型对待检测图像的遗弃口罩进行检测。本发明专利技术增加口罩轮廓特征数据和口罩颜色增强特征数据作为数据源，与R、G、B三个通道联合，提高了遗弃口罩的识别精度。提高了遗弃口罩的识别精度。提高了遗弃口罩的识别精度。

【技术实现步骤摘要】
基于深度学习的遗弃口罩检测方法


[0001]本专利技术涉及环境保护
，具体为一种基于深度学习的遗弃口罩检测方法，依托于视觉分析技术实现对遗弃口罩进行准确识别，减少遗弃口罩对环境的污染。

技术介绍

[0002]呼吸道飞沫是病毒的主要传播途径之一，在社交距离难以保持的公共场所戴口罩可以有效降低病毒的传播。佩戴口罩可以过滤携带病毒颗粒的气溶胶，对抑制病毒传播发挥关键作用，但也带来了新的问题。在缺乏安全意识的情况下，使用过的口罩被随意遗弃，成为一种新的安全隐患。
[0003]由于病毒可以在潮湿条件下存活四到七天天，使用过的口罩可能成为新的感染源。遗弃的口罩不仅对人类安全构成威胁，还直接影响海洋生物、鸟类、渔业、水产养殖，并可能引发更大规模的后续灾害。因此，对遗弃口罩及时妥善处理具有重要意义，而及时发现口罩是能够及时处置的前提。
[0004]安装在公共区域的视频、相机等设备对遗弃口罩进行实时检测和报警，是及时发现遗弃口罩并迅速处置的一种方法，如公开号为CN215477456U的技术专利公开的一种无接触智能识别的废弃口罩收集箱。但遗弃的口罩在地表不仅表现出不同的形态，而且易于与地表的多种地物，如塑料袋、纸片、石头、砖块等混淆，现有的公共区域的视频、相机等通常只用R、G、B三个通道对其进行识别，由于可利用的信息有限，准确度较低。
[0005]因此，开发一种能够精准识别遗弃口罩的方法成为亟需解决的问题。

技术实现思路

[0006]本专利技术的目的在于提供一种基于深度学习的遗弃口罩检测方法，以解决上述
技术介绍
中提出的问题。
[0007]为实现上述目的，本专利技术提供如下技术方案：基于深度学习的遗弃口罩检测方法，包括以下步骤：
[0008]S1.构建遗弃口罩的训练样本图像集；
[0009]S2.提取训练样本图像集的图像特征数据，获得训练样本的图像特征数据集；所述图像特征数据包括口罩轮廓特征数据和口罩颜色增强特征数据；
[0010]S3.构建遗弃口罩检测模型并对其训练和验证；
[0011]S3.1采用图像特征数据集的部分数据对遗弃口罩检测模型进行训练，得到训练后的遗弃口罩检测模型；
[0012]S3.2采用图像样本数据集的另一部分数据对训练后的遗弃口罩检测模型进行验证，最终得到验证后的遗弃口罩检测模型。
[0013]S4.采用验证后的遗弃口罩检测模型对待检测图像的遗弃口罩进行检测。
[0014]进一步地，所述步骤S1的构建方法具体包括：
[0015]S1.1.获取多组包含遗弃口罩的训练样本图像；
[0016]S1.2.分别对上述训练样本图像中的遗弃口罩进行标记，获得遗弃口罩的训练样本图像集；
[0017]进一步地，所述S1.1的获取方法具体为：采用不同高度和角度的相机对不同场景中的遗弃口罩进行拍摄。
[0018]进一步地，所述S2中的口罩轮廓特征数据包括口罩大面积折痕特征数据、口罩两侧的耳线特征数据和口罩规则的线状结构特征数据中的一种或多种。
[0019]进一步地，所述S2中的口罩轮廓特征数据的提取方法为Canny边缘检测算法。
[0020]进一步地，所述S2中的口罩颜色增强特征数据包括训练样本图像中每个像素的R通道、G通道、B通道和N通道的像素值，所述N通道为RGB通道信息的权重。
[0021]进一步地，训练样本图像中的口罩颜色为蓝色时，所述N通道定义为：
[0022][0023]其中，r
xy g
xy b
xy
分别表示第x行和第y列的R、G、B通道的像素值，N
xy
表示第x行和第y列的N通道的像素值。
[0024]进一步地，训练样本图像中的口罩颜色为白色时，所述N通道定义为：
[0025][0026]其中，r
xy g
xy b
xy
分别表示第x行和第y列的R、G、B通道的像素值，N
xy
表示第x行和第y列的N通道的像素值,m为三个通道的平均值。
[0027]进一步地，训练样本图像中的口罩颜色为黑色时，所述N通道定义为：
[0028][0029]其中，r
xy g
xy b
xy
分别表示第x行和第y列的R、G、B通道的像素值，N
xy
表示第x行和第y列的N通道的像素值。
[0030]进一步地，训练样本图像中的口罩颜色为红色时，所述N通道定义为：
[0031][0032]其中，r
xy g
xy b
xy
分别表示第x行和第y列的R、G、B通道的像素值，N
xy
表示第x行和第y列的N通道的像素值。
[0033]进一步地，训练样本图像中的口罩颜色为粉色时，所述N通道定义为：
[0034][0035]其中，r
xy g
xy b
xy
分别表示第x行和第y列的R、G、B通道的像素值，N
xy
表示第x行和第y列的N通道的像素值。
[0036]进一步地，所述S4中的遗弃口罩检测模型为YOLOv5s模型。
[0037]与现有技术相比，本专利技术的有益效果是：
[0038]本专利技术公开的基于深度学习的遗弃口罩检测方法，本申请基于口罩的轮廓特征和口罩的颜色增强特征，将经边缘检测后的口罩轮廓特征数据和增加N通道的口罩颜色增强
特征数据作为数据源，与R、G、B三个通道联合，共同加入到深度学习中，利用改进的YOLOv5s模型对多类型信息进行学习和挖掘。与仅使用彩色图像的R、G、B三通道作为数据源的口罩识别方法相比，本申请公开的检测方法能够准确地检测出遗弃的口罩，多类型信息融合提高了遗弃口罩的识别精度。
附图说明
[0039]图1为训练样本图像集中的部分图像；
[0040]图2为训练样本图像集中的一幅图像；
[0041]图3为图2中口罩轮廓特征数据的提取结果图；
[0042]图4为图2中N通道特征图；
[0043]图5为不同场景下遗弃口罩的部分检测结果图；
[0044]图6为现有技术采用RGB三通道数据作为遗弃口罩检测模型对不同场景下遗弃口罩检测结果图；
[0045]图7为本申请采用融合RGB三通道数据以及口罩轮廓特征数据和N通道数据作为遗弃口罩检测模型对不同场景下遗弃口罩检测结果图。
具体实施方式
[0046]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0047]本专利技术提供一种技术方案：基于深度学习的遗弃口罩检测方法，包括以下步骤：
[0048]S1.构建遗弃口罩的训练样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的遗弃口罩检测方法，其特征在于：包括以下步骤：S1.构建遗弃口罩的训练样本图像集；S2.提取训练样本图像集的图像特征数据，获得训练样本的图像特征数据集；所述图像特征数据包括口罩轮廓特征数据和口罩颜色增强特征数据；S3.构建遗弃口罩检测模型并对其训练和验证；S3.1采用图像样本和特征数据集的部分数据对遗弃口罩检测模型进行训练，循环迭代得到训练后的遗弃口罩检测模型；S3.2采用图像样本数据集的另一部分数据对训练后的遗弃口罩检测模型进行验证，最终得到验证后的遗弃口罩检测模型。S4.采用验证后的遗弃口罩检测模型对待检测图像的遗弃口罩进行检测。2.根据权利要求1所述的基于深度学习的遗弃口罩检测方法，其特征在于：所述步骤S1的构建方法具体包括：S1.1.获取多组包含遗弃口罩的训练样本图像；S1.2.分别对上述训练样本图像中的遗弃口罩进行标记，获得遗弃口罩的训练样本图像集。3.根据权利要求2所述的基于深度学习的遗弃口罩检测方法，其特征在于：所述S1.1的获取方法具体为：采用不同高度和角度的相机对不同场景中的遗弃口罩进行拍摄。4.根据权利要求1...

【专利技术属性】
技术研发人员：贾坤昊，孙一鸣，马楠，
申请(专利权)人：青岛星科瑞升信息科技有限公司，
类型：发明
国别省市：