Verbesserung der Leistung von Yolov5n v6.0 zur Gesichtsmaskenerkennung

Die COVID-19-Coronavirus-Pandemie hat eine globale Gesundheitskrise auf der ganzen Welt ausgelöst. Laut der Weltgesundheitsorganisation (WHO) ist der Schutz vor COVID-19-Infektionen eine wesentliche Gegenmaßnahme. Eine der effektivsten Maßnahmen ist das Tragen einer Gesichtsmaske, die in unseren täglichen Aktivitäten, insbesondere in gemeinschaftlichen Umgebungen, unerlässlich ist, um die Übertragung der Krankheit zu mindern. In dieser Studie haben wir das architektonische Design von YOLOv5n v6.0 zur Gesichtsmaskenerkennung verbessert, indem wir ein modifiziertes Modell mit dem Namen Proposal YOLOv5n v6.0-Modell entwickelt haben. Das Hauptziel dieser Modifikation besteht darin, die Merkmals-Extraktions- und Vorhersagefähigkeiten des YOLOv5n v6.0-Modells zu verbessern. In unserem Vorschlagsmodell skizzieren wir die Integration eines Residualnetzes (ResNet) in die Architektur von YOLOv5n v6.0, indem wir die ersten drei Schichten von YOLOv5n v6.0 durch das ResNetStem-Modul und das ResNetBlock-Modul ersetzen, um die Merkmals-Extraktionsfähigkeiten des Modells zu verbessern, und das Spatial Pyramid Pooling Fast (SPPF)-Modul im Originalmodell durch Spatial Pyramid Pooling-Cross Stage Partial (SPPCSP)-Module ersetzen, die SPP und CSP kombinieren, um ein Netzwerk zu schaffen, das sowohl effektiv als auch effizient ist. In unserem vorgeschlagenen Modell haben wir sorgfältig eine Reihe von Ankerkonfigurationen zusammengestellt, die auf die spezifischen Anforderungen der Erkennung kleiner Objekte maskieren. Der MJFR-Datensatz wurde für Tests und Bewertungen des ursprünglichen und des vorgeschlagenen Modells verwendet, der aus 23.621 Bildern besteht und von den Autoren dieses Papiers gesammelt wurde. Die Leistung beider Modelle wird mithilfe der folgenden Metriken bewertet: mittlere durchschnittliche Präzision (mAP50), mAP50-95, Rückruf (R) und Präzision (P). Wir kommen zu dem Schluss, dass das vorgeschlagene Modell das ursprüngliche Modell in Bezug auf die Genauigkeit für mAP50 und mAP50-95 übertrifft, die Metriken sind, die verwendet werden, um die Leistung des Objekterkennungsmodells zu messen.