一种基于YOLOv3的人脸佩戴口罩规范检测方法技术

本发明专利技术涉及一种基于YOLOv3的人脸佩戴口罩规范检测方法，属于图像检测领域。该方法为原始数据采集，数据预处理，数据标注，将YOLOv3模型主干网络全部替换成改进的轻量级网络ShuffleNetv2；将ShuffleNetv2网络的主干结构中添加ECA轻量级注意力机制。对得到的YOLOv3模型的Neck部分做进一步特征融合。将模型的回归损失函数替换成Loss

【技术实现步骤摘要】
一种基于YOLOv3的人脸佩戴口罩规范检测方法


[0001]本专利技术属于图像检测领域，涉及一种基于YOLOv3的人脸佩戴口罩规范检测方法。

技术介绍

[0002]卷积神经网络(CNNs)作为一种深度学习的模型架构，已成为图像处理和计算机视觉领域最为有效的方法。权值共享和局部感受野这两大特点减少了权值的数量，使得模型的运算复杂度下降；对图像的特征的平移不变性也使其具有良好的特征提取能力和高度的稳定性。
[0003]当前已有大量研究利用卷积神经网络进行目标检测和人脸识别方法探索，自2014年R.Girshick等人提出基于候选区域的R
‑
CNN深度学习模型起，产生了一批经典的目标检测算法，如FasterR
‑
CNN、SSD、YOLO等。这些模型的发展趋势大致上是，网络层数的不断加深以获得更好的特征提取能力，图像尺度不断增多以覆盖更广范围的特征。但模型越来越复杂也随之带来网络难以收敛、参数增长快、计算速度慢等问题，其中最显著的问题是随着模型复杂度的增加，很难部署到资源有限的设备上。r/>[0004]高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv3的人脸佩戴口罩规范检测方法，其特征在于：该方法包括以下步骤：步骤1：分别从公开数据集和自己制作的数据中选取规范/不规范佩戴口罩以及不戴口罩的若干人脸图像，构成数据集；步骤2：对步骤1中的数据集进行预处理，扩充数据集；步骤3：对预处理后的图片进行标签标注，将标注后的数据按照9：1划分后分别作为检测网络的训练集与测试集；步骤4：将YOLOv3模型的主干网络全部替换成改进的轻量级网络ShuffleNetv2；步骤5：在主干网络中得到特征层P1、P2、P3、P4、P5后，添加ECA轻量级注意力机制；步骤6：对YOLOv3模型的Neck部分特征融合，在Neck部分用FPN+PAN网络来代替；步骤7：将Neck部分的传统卷积换为结合标准卷积和深度可分离卷积并进行通道混洗的鬼影混洗卷积GSConv模块；步骤8：将YOLOv3的回归损失函数替换为SIoU
‑
Loss；步骤9：将head层添加一个输出特征图尺寸为104x104的检测分支；步骤10：将训练集输入到YOLOv3模型中训练，其中采用Adam优化器进行训练，当总损失值到达预设损失值，模型收敛，得到训练好的检测模型；步骤11：将步骤3获得的测试集传入到训练好的检测模...

【专利技术属性】
技术研发人员：冉鹏，邵康树，刘薇，赖映兵，焦追追，王伟，孙大明，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：