口罩佩戴檢測算法基于YOLOv5在圖像識別檢測領域的優異性能，本文研究基于基于YOLOv5的口罩佩自動戴檢測方法。首先從網絡和真實生活中中尋找并采集不同場景人群口罩佩戴的圖片約500張并自建數據集，口罩佩戴檢測算法利用YOLOv5模型框架，修改其相關配置文件和檢測參數，并采用數據增強和Dropout技術防止過擬合。實驗結果驗證了YOLOv5模型人群口罩佩戴圖像識別任務上的優越性能，測試集上的YOLOv5s模型識別準確率高達85.45%。
關鍵詞 圖像識別；口罩佩戴檢測；YOLOv5；特征學習；

引言
目前口罩佩戴檢測存在著因周圍復雜環境影響從而出現效率低，導致漏檢等情況。為了達到更好的檢測效果，本文主要是利用YOLOv5網絡模型在輕量化口罩佩戴檢測算法的研究。

1 數據預處理
1.1 數據采集
人群口罩佩戴圖像是2022年5月23日，由本組三名同學分別在網絡上以及在真實場景中用手機拍攝所得，共計1027張圖片。不同采集設備獲取的原始圖像分辨率不同，在數據建模時統一縮放至324×324大小的規格

為了提高卷積神經網絡模型的泛化能力，對每幅口罩佩戴圖像通過旋轉、平移、扭曲、縮放、翻轉等傳統數字圖像處理方法進行隨機變換以擴充樣本個數。某幅口罩圖像進行數據增強后的部分樣本如圖2所示，通過隨機變換生成的口罩佩戴圖像大量擴充了數據集，使樣本分布更廣泛。

本文構建的識別模型主要是YOLOv5s，其具有小型輕量，快速的特點，適合于快速準確的識別任務。模型如圖3-1。
模型輸入圖像設定為324×324 的三通道彩色圖像，殘差結構中依次包含瓶頸殘差模塊、常規殘差模塊×2、瓶頸殘差模塊、常規殘差模塊×3、瓶頸殘差模塊、常規殘差模塊×22、瓶頸殘差模塊、常規殘差模塊×2。其內部卷積核設置略有調整。最后，在網絡全連接層之后采用Softmax分類器輸出每個類別的分類概率。

1. import random 2. import string 3. 4. f1 = open('1.txt', 'x') 5. for x in range(10000): 6. string0 = str(''.join(random.sample( 7. ['z', 'n', 'm', 'l', 'k', 'j', 'i', 'h', 'g', 'f', 'e', 'd', 'c', 'b', 'a'], 4))) 8. f1.write(string0) 9. if x % random.randint(1, 50) == 0: 10. f1.write(' ') 11. continue 12. if x != 9999: 13. f1.write('\n') 14. f1.close()