CC BY
12INTERNATIONAL SCIENTIFIC AND TECHNICAL CONFERENCE "DIGITAL TECHNOLOGIES: PROBLEMS AND SOLUTIONS OF PRACTICAL IMPLEMENTATION IN THE SPHERES" APRIL 27-28, 2023
РАЗРАБОТКА СИСТЕМА РАСПОЗНАВАНИЯ МАСКИ И ЛИЦА НА ОСНОВЕ
ИСКУССТВЕННОГО ИНТЕЛЛЕКТА Ахмет Кутлымуратов1, Гулзира Халдарова2.
1 Студент 3 -курса Нукусский Филиал Ташкентского Университета Информационных Технологий имени Мухаммада Ал-Хоразмий, aqutlimuratov333@gmail.com 2 Учитель-стажер кафедры Компьютерные системы Ташкентского Университета Информационных Технологий имени Мухаммада Ал-Хоразмий, khaldarovagulzira91@gmail.com https://doi.org/10.5281/zenodo.7854441
Аннотация: Статья посвящена разработке системы обнаружения лицевых масок в условиях пандемии. Используя систему обнаружения лицевых масок, можно контролировать, носят ли люди маски или нет. Здесь для обнаружения изображений используется алгоритм HAAR-CASACADE. Сопоставляя с другими существующими алгоритмами, этот классификатор обеспечивает высокую скорость распознавания даже при различных выражениях, эффективный выбор признаков и низкий набор ложноположительных признаков. Модель обучается по изображению маски лица и изображению без маски лица.
Ключевые слова: HAAR-CASACADE, обнаружение маски, CNN алгоритм.
Введение
В целях обеспечения макроэкономической стабильности, бесперебойной работы отраслей и сфер экономики, стимулирования внешнеэкономической деятельности, эффективной социальной поддержки населения в период противодействия распространению коронавирусной инфекции и других глобальных рисков, недопущения резкого снижения доходов населения страны: Глобальная пандемия COVID-19 в условиях сложившейся эпидемии опасного заболевания во всем мире. Ношение лицевой маски поможет предотвратить распространение инфекции и предотвратит заражение человека любыми переносимыми по воздуху инфекционными микробами. Используя систему обнаружения лицевых масок [1,2], можно контролировать, носят ли люди маски или нет.
Здесь для обнаружения изображений используется алгоритм HAAR-CASACADE. Система каскадного классификатора на основе признаков HAAR использует только 200 признаков из 6000 признаков, что обеспечивает уровень распознавания 85-95%. В соответствии с этой мотивацией мы требуем обнаружения масок как уникальной системы общественного здравоохранения во время глобальной пандемии эпидемии COVID-19.
Основная часть
Пандемия COVID-19, вызванная новым коронавирусом, до сих пор непрерывно распространяется по всему миру. Влияние COVID-19 коснулось практически всех секторов развития. Система здравоохранения переживает кризис. В этой статье мы предлагаем систему, которая ограничивает рост COVID-19, обнаруживая людей, которые не носят лицевых масок, в сети умного города, где все общественные места контролируются камерами замкнутого телевидения (CCTV). При обнаружении человека без маски
INTERNATIONAL SCIENTIFIC AND TECHNICAL CONFERENCE "DIGITAL TECHNOLOGIES: PROBLEMS AND SOLUTIONS OF PRACTICAL IMPLEMENTATION IN THE SPHERES" APRIL 27-28, 2023
соответствующий орган информируется через городскую сеть. Архитектура глубокого обучения обучается на наборе данных, состоящем из изображений людей в масках и без них, собранных из различных источников. Обученная архитектура достигла точности 98,7% [3,4,5] при различении людей с лицевой маской и без лицевой маски для ранее невидимых тестовых данных. Проблема обнаружения лиц была решена с использованием многозадачной каскадной сверточной нейронной сети (MTCNN) [6]. Затем выполняется извлечение черт лица с использованием модели встраивания Google Face Net.
1. Эта система способна обучать набор данных как людей в масках, так и без масок.
2. После обучения модели система может предсказать, носит ли человек маску или нет.
3. Он также может получить доступ к веб-камере и предсказать результат. Блок-схема системы обнаружения лицевых масок представлена в рис (1).
Создать файл CSV с изображениями
Конец
_J
Рис. 1. Блок-схема системы обнаружения лицевых масок
Процесс распознавания лицевых масок осуществляется с помощью модел CNN. Эта модель CNN построена с использованием платформы Tensorflow и библиотеки OpenCv, которая широко используется для приложений реального времени. Эта модель также может быть использована для разработки полноценного программного обеспечения для сканирования каждого человека, прежде чем он сможет войти в общественное собрание.
Для распознавания лицевых масок выполняем следующие этапы:
Визуализация данных — на первом этапе давайте визуализируем общее количество изображений в нашем наборе данных в обеих категориях. Мы видим, что в классе «да» 690 изображений, а в классе «нет» — 686 изображений.
Увеличение данных — на следующем шаге мы расширяем наш набор данных, чтобы включить больше изображений для нашего обучения. На этом этапе увеличения данных мы поворачиваем и переворачиваем каждое изображение в нашем наборе данных.
Разделение данных — на этом этапе мы разделяем наши данные на обучающий набор, который будет содержать изображения, на которых будет обучаться модель CNN, и тестовый набор с изображениями, на которых будет тестироваться наша модель.
INTERNATIONAL SCIENTIFIC AND TECHNICAL CONFERENCE "DIGITAL TECHNOLOGIES: PROBLEMS AND SOLUTIONS OF PRACTICAL IMPLEMENTATION IN THE SPHERES" APRIL 27-28, 2023
Построение модели — на следующем шаге мы строим нашу последовательную модель CNN с различными слоями, такими как Conv2D, MaxPooling2D, Flatten, Dropout и Dense.
Обучение модели CNN — этот шаг является основным, когда мы помещаем наши изображения в обучающий набор и тестовый набор для нашей последовательной модели, которую мы построили с использованием библиотеки keras. Мы обучили модель 30 эпохам (итерациям). Однако мы можем тренироваться для большего количества эпох, чтобы достичь более высокой точности, чтобы избежать переобучения.
I )ropout(0.*>)
Рис. 2. Предварительное обучение модели CNN
Маркировка информации — после построения модели мы маркируем две вероятности для наших результатов. ['0' как 'без_ запроса' и '1' как 'с_ маской']. Я также устанавливаю цвет граничного прямоугольника, используя значения RGB.
Импорт программы обнаружения лиц — после этого мы намерены использовать ее, чтобы определить, носим ли мы маску для лица, с помощью веб-камеры нашего ПК. Для этого, во-первых, нам нужно реализовать распознавание лиц. В этом я использую каскадные классификаторы на основе признаков HAAR для определения черт лица.
Обнаружение лиц с масками и без них — на последнем этапе мы используем библиотеку OpenCV для запуска бесконечного цикла для использования нашей веб-камеры, в которой мы обнаруживаем лицо с помощью каскадного классификатора и результат эксперимента показано на рис 3.
INTERNATIONAL SCIENTIFIC AND TECHNICAL CONFERENCE "DIGITAL TECHNOLOGIES: PROBLEMS AND SOLUTIONS OF PRACTICAL IMPLEMENTATION IN THE SPHERES" APRIL 27-28, 2023
Рис. 3. Результат обнаружение лиц с масками и без них
Заключение
По мере того, как технологии расцветают с новыми тенденциями, доступность, поэтому у нас есть новый детектор маски для лица, который может внести свой вклад в общественное здравоохранение. Мы использовали OpenCV, тензорный поток и CNN, чтобы определить, носят ли люди маски для лица или нет. Модели тестировались с изображениями и видеопотоками в реальном времени. Достигается точность модели, и оптимизация модели является непрерывным процессом, и мы строим высокоточное решение путем настройки гиперпараметров. Эту конкретную модель можно использовать в качестве варианта использования периферийной аналитики. B качестве будущей работы мы можем интегрировать обнаружение лиц с рекомендательной системой, используя предложенные методы [7,8,9].
REFERENCES
1. Dostdar Hussain, Muhammad Ismail, Israr Hussain, Roobaea Alroobaea, Saddam Hussain, Syed Sajid Ullah, "Face Mask Detection Using Deep Convolutional Neural Network and MobileNetV2-Based Transfer Learning", Wireless Communications and Mobile Computing, vol. 2022, Article ID 1536318, 10 pages, 2022. https://doi.org/10.1155/2022/1536318
2. A. Das, M. Wasif Ansari and R. Basak, "Covid-19 Face Mask Detection Using TensorFlow, Keras and OpenCV," 2020 IEEE 17th India Council International Conference (INDICON), New Delhi, India, 2020, pp. 1-5, doi: 10.1109/INDICON49873.2020.9342585.
3. Abdusalomov, A.; Baratov, N.; Kutlimuratov, A.; Whangbo, T.K. An Improvement of the Fire Detection and Classification Method Using YOLOv3 for Surveillance Systems. Sensors 2021, 21, 6519. https://doi.org/10.3390/s21196519.
4. Abdusalomov, A.B.; Mukhiddinov, M.; Kutlimuratov, A.; Whangbo, T.K. Improved RealTime Fire Warning System Based on Advanced Technologies for Visually Impaired People. Sensors 2022, 22, 7305. https://doi.org/10.3390/s22197305.
INTERNATIONAL SCIENTIFIC AND TECHNICAL CONFERENCE "DIGITAL TECHNOLOGIES: PROBLEMS AND SOLUTIONS OF PRACTICAL IMPLEMENTATION IN THE SPHERES" APRIL 27-28, 2023
5. Makhmudov, F.; Kutlimuratov, A.; Akhmedov, F.; Abdallah, M.S.; Cho, Y.-I. Modeling Speech Emotion Recognition via Attention-Oriented Parallel CNN Encoders. Electronics 2022, 11, 4047. https://doi.org/10.3390/electronics1123404
6. Ilyosov, A.; Kutlimuratov, A.; Whangbo, T.-K. Deep-Sequence-Aware Candidate Generation for e-Learning System. Processes 2021, 9, 1454. https://doi.org/10.3390/pr9081454.
7. Safarov F, Kutlimuratov A, Abdusalomov AB, Nasimov R, Cho Y-I. Deep Learning Recommendations of E-Education Based on Clustering and Sequence. Electronics. 2023; 12(4):809. https://doi.org/10.3390/electronics12040809
8. Kutlimuratov, A.; Abdusalomov, A.; Whangbo, T.K. Evolving Hierarchical and Tag Information via the Deeply Enhanced Weighted Non-Negative Matrix Factorization of Rating Predictions. Symmetry 2020, 12, 1930.
9. Kutlimuratov, A.; Abdusalomov, A.B.; Oteniyazov, R.; Mirzakhalilov, S.; Whangbo, T.K. Modeling and Applying Implicit Dormant Features for Recommendation via Clustering and Deep Factorization. Sensors 2022, 22, 8224. https://doi.org/10.3390/s22218224.
