李雨陽，沈記全，翟海霞，馮偉華

（1.河南理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，河南 焦作 454000；2.中國煙草總公司鄭州煙草研究院，鄭州 450000）

0 概述

新冠疫情爆發(fā)對(duì)全球產(chǎn)生了重大影響。文獻(xiàn)［1］的研究結(jié)果表明，醫(yī)用口罩能夠有效遏制新冠病毒的傳播。佩戴口罩大幅降低了新冠病毒傳播到戴口罩人群的概率，可以有效阻止病毒在人群中的擴(kuò)散，保障人們的生命安全。目前，新冠疫苗已經(jīng)開始大面積接種，但是在公共場(chǎng)合佩戴口罩仍必不可少。因此，在公共場(chǎng)合檢測(cè)人們是否佩戴口罩已經(jīng)成為一項(xiàng)至關(guān)重要的計(jì)算機(jī)視覺任務(wù)。

當(dāng)前，研究人員對(duì)口罩佩戴檢測(cè)算法做了研究。文獻(xiàn)［2］利用HSV+HOG 等傳統(tǒng)的目標(biāo)檢測(cè)算法對(duì)口罩佩戴行為進(jìn)行檢測(cè)，雖然達(dá)到了較高的檢測(cè)精度，但傳統(tǒng)的檢測(cè)方法時(shí)間復(fù)雜度較高，魯棒性差。文獻(xiàn)［3］結(jié)合深度學(xué)習(xí)方法設(shè)計(jì)了一種口罩檢測(cè)算法；文獻(xiàn)［4］對(duì)YOLO 算法進(jìn)行改進(jìn)，設(shè)計(jì)了新的口罩檢測(cè)算法，雖然這兩種算法均取得了較好的檢測(cè)效果，但只對(duì)口罩是否佩戴的情況進(jìn)行了檢測(cè)，沒有充分考慮口罩佩戴錯(cuò)誤的情況，無法充分滿足現(xiàn)實(shí)情況下對(duì)口罩檢測(cè)的需求?？谡謾z測(cè)需要準(zhǔn)確識(shí)別出人臉，并且要判斷其是否佩戴口罩、佩戴是否正確。在佩戴口罩的情況下，人臉的大部分特征被遮蓋，這為佩戴口罩檢測(cè)帶來了一定的干擾，因此口罩檢測(cè)對(duì)算法的細(xì)節(jié)特征學(xué)習(xí)及處理能力有更高的要求。此外，有關(guān)口罩佩戴的公開數(shù)據(jù)集較少且數(shù)據(jù)不夠完善，需要重新建立新數(shù)據(jù)集。

目標(biāo)檢測(cè)技術(shù)是實(shí)現(xiàn)口罩佩戴檢測(cè)任務(wù)的關(guān)鍵技術(shù)，也是計(jì)算機(jī)視覺方向的研究熱點(diǎn)，被廣泛應(yīng)用于各個(gè)領(lǐng)域［5-7］。近年來，研究人員先后提出了Fast R-CNN［8］、Faster R-CNN［9］、YOLO［10-12］、SSD［13］等 優(yōu)秀的深度學(xué)習(xí)目標(biāo)檢測(cè)算法。其中SSD 算法因其在檢測(cè)速度與精度上都表現(xiàn)優(yōu)秀，被眾多學(xué)者加以研究和應(yīng)用。文獻(xiàn)［14］基于該算法對(duì)城市戶外廣告面板進(jìn)行檢測(cè)，文獻(xiàn)［15］基于該算法對(duì)煤礦井下帶式輸送機(jī)表面異物進(jìn)行檢測(cè)，文獻(xiàn)［16］基于該算法對(duì)野生大熊貓視頻進(jìn)行檢測(cè)，文獻(xiàn)［17］基于該算法對(duì)地鐵安檢圖像中的物品進(jìn)行檢測(cè)。這些工作針對(duì)特定場(chǎng)景對(duì)SSD 算法做了相應(yīng)的改進(jìn)，都取得了不錯(cuò)的檢測(cè)效果。

在疫情防控條件下，口罩檢測(cè)任務(wù)涉及到的場(chǎng)景復(fù)雜多樣，如人臉特征被遮擋難以檢測(cè)、目標(biāo)尺度不一、小目標(biāo)檢測(cè)效果差等，并且正確與錯(cuò)誤佩戴口罩特征差異小，對(duì)算法的細(xì)節(jié)特征學(xué)習(xí)和處理能力要求更高，SSD 算法對(duì)小目標(biāo)的檢測(cè)效果也不理想。針對(duì)上述問題，本文對(duì)SSD 算法進(jìn)行改進(jìn)，利用特征金字塔網(wǎng)絡(luò)（Feature Pyramid Network，F(xiàn)PN）［18］與協(xié)調(diào)注意力機(jī)制［19］增強(qiáng)算法的特征提取和對(duì)小目標(biāo)的檢測(cè)能力。同時(shí)，針對(duì)算法正負(fù)樣本不平衡的問題，對(duì)算法的分類分?jǐn)?shù)和IoU 分?jǐn)?shù)進(jìn)行合并表示，將QFL 作為新的損失函數(shù)，提出一種新的口罩佩戴檢測(cè)算法。

1 SSD 算法

SSD 是目標(biāo)檢測(cè)領(lǐng)域的經(jīng)典算法之一，目前仍是主流的目標(biāo)檢測(cè)算法。SSD 的網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。SSD 網(wǎng)絡(luò)是基于全卷積網(wǎng)絡(luò)結(jié)構(gòu)，它將基礎(chǔ)網(wǎng)絡(luò)VGG16［20］的全連接層替換為卷積層，并在VGG16網(wǎng)絡(luò)末端添加了幾個(gè)使特征圖尺寸逐漸減小的輔助性卷積層，用于提取不同尺度的特征圖。SSD 以Conv4_3、FC7、Conv8_2、Conv9_2、Conv10_2 和Conv11_2 層的輸出作為不同尺度的特征圖進(jìn)行檢測(cè)，其相對(duì)應(yīng)特征圖的尺寸分別為38×38、19×19、10×10、5×5、3×3 和1×1，分別來處理不同大小的對(duì)象，提高了預(yù)測(cè)速度和精度。

圖1 SSD 網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 SSD network structure

SSD 借鑒了Faster R-CNN 算法的Anchor 機(jī)制，對(duì)提取特征圖的每個(gè)位置上都預(yù)設(shè)了固定數(shù)量的不同長(zhǎng)寬比的先驗(yàn)框，網(wǎng)絡(luò)可以直接在特征圖上采樣，提取候選框進(jìn)行預(yù)測(cè)，在保持實(shí)時(shí)檢測(cè)速度的同時(shí)，提高了模型的定位準(zhǔn)確度。

SSD 算法使用損失函數(shù)對(duì)模型參數(shù)進(jìn)行優(yōu)化和更新。SSD 的損失函數(shù)為位置誤差（locatization loss）與置信度誤差（confidence loss）的加權(quán)和，其公式如式（1）所示：

其中：x表示預(yù)測(cè)為某一類別的概率；c為置信度；l為預(yù)測(cè)框；g為真實(shí)框；Lconf(x,c)和Lloc(x,l,g)分別為置信度損失和定位損失；α為拉格朗日乘子。

2 SSD 改進(jìn)算法

2.1 SSD 網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)

SSD 網(wǎng)絡(luò)結(jié)合來自不同分辨率的多個(gè)特征映射的預(yù)測(cè)，然而，淺層特征圖缺乏較強(qiáng)的語義信息，在一定程度上會(huì)影響檢測(cè)性能。深層提取的特征較為抽象，包含的小目標(biāo)信息有限。因此，在較為復(fù)雜的場(chǎng)景中，人臉尺寸大小各異，SSD 算法對(duì)口罩佩戴的檢測(cè)效果不理想，特別是小目標(biāo)人臉。

特征金字塔網(wǎng)絡(luò)（FPN）是一個(gè)自頂向下的網(wǎng)絡(luò)，通過上采樣將包含更多抽象和語義信息的高級(jí)特征層引入到低級(jí)特征層中，一定程度上彌補(bǔ)了不同特征圖之間的語義差異，在基本不增加原有模型計(jì)算量的情況下大幅提升了物體檢測(cè)的性能，其結(jié)構(gòu)如圖2 所示。

圖2 特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Structure of feature pyramid network

為了增強(qiáng)算法對(duì)小目標(biāo)的檢測(cè)性能，提高算法對(duì)細(xì)節(jié)特征的學(xué)習(xí)和處理能力，使算法可以更有效地利用細(xì)節(jié)特征信息，尤其是提高對(duì)口罩佩戴錯(cuò)誤情況的檢測(cè)能力，受到FPN 網(wǎng)絡(luò)結(jié)構(gòu)的啟發(fā)，本文引入CA（Coordinate Attention）模塊改進(jìn)了算法的網(wǎng)絡(luò)結(jié)構(gòu)。改進(jìn)后的SSD 網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 改進(jìn)的SSD 網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Improved SSD network structure

首先利用FPN 網(wǎng)絡(luò)增強(qiáng)算法的特征提取能力，提高算法對(duì)小目標(biāo)的檢測(cè)性能。本文在Conv4_3、FC7、Conv8_2、Conv9_2 層構(gòu)建出自頂向下的反路徑，使用1×1 卷積核對(duì)特征進(jìn)行降維，以256 個(gè)固定通道獲得不同尺度的特征映射。之后，通過反卷積操作對(duì)高層特征圖進(jìn)行上采樣，并通過元素添加的方式，將處理后的特征圖與SSD 中相應(yīng)的特征圖合并。為了消除上采樣的混疊效應(yīng)，之后并不直接使用合并后的特征圖進(jìn)行檢測(cè)，而是對(duì)合并后的特征圖做3×3 的卷積運(yùn)算。由此，構(gòu)建一個(gè)自頂向下的特征金字塔網(wǎng)絡(luò)，通過上采樣將包含更多抽象和語義信息的高級(jí)特征層引入到低級(jí)特征層中，彌補(bǔ)了不同特征圖之間的語義差異，可以提升對(duì)小尺度目標(biāo)的檢測(cè)的能力。

此外，在佩戴口罩時(shí)人臉的部分特征被遮蓋，因此口罩檢測(cè)對(duì)算法細(xì)節(jié)學(xué)習(xí)和處理的能力要求較高，特別是在口罩佩戴錯(cuò)誤與口罩佩戴正確的特征差異較小。為了進(jìn)一步提高算法對(duì)細(xì)節(jié)的學(xué)習(xí)和處理能力，在網(wǎng)絡(luò)中添加了協(xié)調(diào)注意力CA 模塊，其模塊結(jié)構(gòu)如圖4 所示。CA 模塊通過坐標(biāo)信息嵌入和坐標(biāo)注意力生成兩個(gè)步驟，對(duì)通道關(guān)系和遠(yuǎn)程依賴關(guān)系進(jìn)行編碼。利用CA 模塊可以提高模型的感受野，加強(qiáng)對(duì)人臉口罩佩戴信息的表達(dá)，進(jìn)一步提高對(duì)口罩佩戴檢測(cè)尤其是口罩佩戴錯(cuò)誤檢測(cè)的準(zhǔn)確性。

圖4 CA 模塊結(jié)構(gòu)Fig.4 CA module structure

通過這種設(shè)計(jì)可以使得淺層特征圖具有較強(qiáng)的語義信息，增強(qiáng)了算法的特征提取能力，使算法可以充分利用不同尺度特征圖的信息，提高SSD 算法在復(fù)雜場(chǎng)景下對(duì)佩戴口罩目標(biāo)的檢測(cè)能力，改善了算法對(duì)不同尺度目標(biāo)的檢測(cè)能力，提升算法的整體檢測(cè)精度。

2.2 改進(jìn)的損失函數(shù)

SSD 預(yù)設(shè)大量先驗(yàn)框，在訓(xùn)練時(shí)會(huì)產(chǎn)生更多負(fù)樣本，正負(fù)樣本難以平衡。在SSD 算法中采用了難例挖掘的策略來保持正負(fù)樣本比例為1∶3，但這種方式忽視了大量簡(jiǎn)單負(fù)樣本對(duì)模型訓(xùn)練的影響，無法使模型得到充分的訓(xùn)練。對(duì)于SSD 算法存在這些的問題，需要有針對(duì)性地對(duì)其進(jìn)行改進(jìn)。

在2017 年，LIN 等［21］提出了Focal Loss 函數(shù)，其表達(dá)式如式（2）所示：

其中：pt是不同類別的分類概率；(1-pt)γ稱為調(diào)制系數(shù)，使用γ來調(diào)整調(diào)制系數(shù)。

Focal Loss 可以通過調(diào)制系數(shù)控制簡(jiǎn)單樣本的權(quán)重，減少了易分類樣本在訓(xùn)練中所占的權(quán)重，使得模型在訓(xùn)練時(shí)更專注于難分類的樣本。

雖然Focal Loss 可以解決訓(xùn)練過程中正負(fù)樣本不平衡的問題，但是算法在訓(xùn)練過程中，一部分分類分?jǐn)?shù)低的真正的負(fù)樣本，由于預(yù)測(cè)了一個(gè)分?jǐn)?shù)極高但不可信的IoU，導(dǎo)致其在極大值抑制時(shí)，排到了一個(gè)分類分?jǐn)?shù)較低IoU 分?jǐn)?shù)高的真正的正樣本前面，這樣對(duì)結(jié)果會(huì)產(chǎn)生一定的影響。

為解決上述問題，Quality Focal Loss（QFL）［22］函數(shù)對(duì)FL 進(jìn)行了擴(kuò)展改進(jìn)。本文借助QFL 的思想，將SSD 網(wǎng)絡(luò)分類預(yù)測(cè)的分?jǐn)?shù)和IoU 分?jǐn)?shù)進(jìn)行合并表示，即將分類向量在真實(shí)框類別處的值表示為其相對(duì)應(yīng)的IoU 得分。通過這種方式，便將分類和IoU 分?jǐn)?shù)合并為一個(gè)變量，如圖5 所示。這種方式可以解決算法訓(xùn)練和測(cè)試階段中的不一致性，并以端到端方式進(jìn)行訓(xùn)練，避免了出現(xiàn)上述影響算法性能的情況。

圖5 輸出表示Fig.5 Output representation

在改動(dòng)的同時(shí)，借助QFL 損失函數(shù)對(duì)正負(fù)樣本進(jìn)行平衡，QFL 公式如式（3）所示。這樣便可以同時(shí)兼顧到對(duì)正負(fù)樣本權(quán)重的平衡，使網(wǎng)絡(luò)得到充分的訓(xùn)練，進(jìn)一步提升算法對(duì)口罩佩戴檢測(cè)的準(zhǔn)確性。

QFL 擴(kuò)展了Focal Loss 的2 個(gè)部分：1）將交叉熵部分-loga(pt)擴(kuò)展到了完整的-((1-y)loga(1-σ) +yloga(σ))版本；2）調(diào)制系數(shù)(1-pt)β推廣為|y-σ|β(β≥0)，即σ與連續(xù)的質(zhì)量標(biāo)簽y?[0,1]之間的絕對(duì)距離，σ為sigmoid 函數(shù)的輸出，式（3）中使用絕對(duì)值|·|來保證非負(fù)。這里QFL 的全局最小解即是y=σ，這樣交叉熵部分變?yōu)橥暾慕徊骒兀瑫r(shí)調(diào)節(jié)因子變?yōu)榫嚯x絕對(duì)值的冪次函數(shù)。QFL 可以通過調(diào)整參數(shù)β來調(diào)整正負(fù)樣本的權(quán)重。通過多次實(shí)驗(yàn)，本文采用β=2 效果最優(yōu)。

3 實(shí)驗(yàn)與結(jié)果分析

本文的實(shí)驗(yàn)基于Pytorch 框架，編程語言為python3.7，操作系統(tǒng)為Ubuntu16.04，GPU 為NVIDIA Tesla P40，集成開發(fā)環(huán)境為PyCharm，網(wǎng)絡(luò)的輸入大小為300×300，初始學(xué)習(xí)率設(shè)置為0.000 1，采用StepLR調(diào)整策略調(diào)整學(xué)習(xí)率，調(diào)整倍數(shù)gamma=0.92，調(diào)整間隔為step_size=1。

3.1 實(shí)驗(yàn)數(shù)據(jù)集

目前有關(guān)人臉佩戴口罩的數(shù)據(jù)集較少，且場(chǎng)景較為單一，普遍缺少口罩佩戴錯(cuò)誤的樣本，因此本文使用自制數(shù)據(jù)集，通過網(wǎng)絡(luò)搜索和個(gè)人采集，自制共計(jì)2 050張圖片的口罩佩戴檢測(cè)數(shù)據(jù)集。其中1 600張作為訓(xùn)練集，450 張作為測(cè)試集，在訓(xùn)練時(shí)，隨機(jī)將訓(xùn)練集中10%的數(shù)據(jù)作為驗(yàn)證集。

數(shù)據(jù)集中共包含佩戴口罩、未佩戴口罩以及口罩佩戴錯(cuò)誤3 種情況，涉及高鐵、商場(chǎng)、防疫檢查點(diǎn)等不同場(chǎng)景。數(shù)據(jù)集依照PASCAL VOC 數(shù)據(jù)集格式，使用LabelImg 工具進(jìn)行手工標(biāo)注。數(shù)據(jù)集中各個(gè)類別的標(biāo)簽數(shù)量如表1 所示。

表1 各類別標(biāo)簽數(shù)量Table1 Number of labels by category

數(shù)據(jù)集及標(biāo)注示例如圖6 所示。針對(duì)數(shù)據(jù)集數(shù)據(jù)量不夠高，并且口罩佩戴錯(cuò)誤的樣本數(shù)量相對(duì)較少的問題，實(shí)驗(yàn)采用裁剪、旋轉(zhuǎn)、色彩變換等隨機(jī)數(shù)據(jù)增強(qiáng)方法用來對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行擴(kuò)充，數(shù)據(jù)增強(qiáng)示例如圖7 所示。在增加了數(shù)據(jù)量以及錯(cuò)誤佩戴口罩樣本的數(shù)量的同時(shí)，還可以緩解在訓(xùn)練過程中的過擬合現(xiàn)象，提升算法性能以及魯棒性。數(shù)據(jù)增強(qiáng)后口罩佩戴數(shù)據(jù)集的信息如表2 所示。

表2 口罩佩戴數(shù)據(jù)集Table 2 Mask wearing datasets

圖6 數(shù)據(jù)集及標(biāo)注示例Fig.6 Dataset and annotation examples

圖7 原圖與變換后圖像對(duì)比Fig.7 Comparison between original image and transformed images

3.2 結(jié)果分析

本文使用平均精度（Average Precision，AP）和平均精度均值（mean Average Precision，mAP）作為口罩檢測(cè)模型的性能評(píng)價(jià)指標(biāo)。AP 值從準(zhǔn)確率P和召回率R兩個(gè)指標(biāo)來衡量模型檢測(cè)的準(zhǔn)確性。準(zhǔn)確率表示實(shí)際是正類并且被預(yù)測(cè)為正類的樣本占所有預(yù)測(cè)正樣本的比例，如式（4）所示；召回率則表示實(shí)際是正類并且被預(yù)測(cè)為正類的樣本占所有實(shí)際為正類樣本的比例，如式（5）所示：

其中：TTP表示被檢測(cè)正確的正樣本；FFP表示被檢測(cè)錯(cuò)誤的正樣本；FFN表示被檢測(cè)錯(cuò)誤的負(fù)樣本。

AP 由準(zhǔn)確率-召回率曲線積分計(jì)算。AP 的值越高，模型表現(xiàn)越好，其計(jì)算公式如式（6）所示。mAP則是各個(gè)類別AP 的平均值，用來衡量多個(gè)目標(biāo)的平均檢測(cè)精度，mAP 的高低可以體現(xiàn)模型對(duì)所有類別檢測(cè)綜合性能的高低。

對(duì)于實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)顯示，每次AJAX請(qǐng)求為盾構(gòu)機(jī)標(biāo)識(shí)ID和當(dāng)前時(shí)間戳TIMESTAMP，服務(wù)器端接收參數(shù)之后，從Redis數(shù)緩存中查詢出數(shù)據(jù)，并以AJAX請(qǐng)求中常用的JSON數(shù)據(jù)傳輸格式返回?cái)?shù)據(jù)，對(duì)實(shí)時(shí)監(jiān)測(cè)頁面進(jìn)行局部的數(shù)據(jù)更新，從而達(dá)到盾構(gòu)運(yùn)行數(shù)據(jù)實(shí)時(shí)變化的目的。AJAX數(shù)據(jù)請(qǐng)求流程如圖7。

訓(xùn)練過程中訓(xùn)練損失隨迭代次數(shù)的變化如圖8所示。通過對(duì)比可以看出，改進(jìn)后SSD 算法在引入QFL 損失之后，使口罩佩戴檢測(cè)模型得到了充分的訓(xùn)練，在訓(xùn)練時(shí)的損失變化與原SSD 相比，損失的變化下降更快一些，并且更加穩(wěn)定。

圖8 訓(xùn)練損失變化對(duì)比Fig.8 Comparison of training loss changes

改進(jìn)SSD 算法檢測(cè)P-R 曲線如圖9 所示。從P-R 曲線圖中可以計(jì)算出，佩戴口罩、未佩戴口罩、口罩佩戴錯(cuò)誤3 種類別的AP 值分別達(dá)到了96.55%、96.89%、95.39%，最終算法的mAP 達(dá)到了96.28%。與原SSD 算法相比，mAP 提升了5.62%。為綜合評(píng)估本算法的性能，使用本實(shí)驗(yàn)中的數(shù)據(jù)集與其他主流的目標(biāo)檢測(cè)算法進(jìn)行了對(duì)比實(shí)驗(yàn)，具體實(shí)驗(yàn)結(jié)果如表3 所示。

圖9 各類目標(biāo)P-R 曲線Fig.9 P-R curve of various targets

表3 不同檢測(cè)算法性能對(duì)比Table 3 Performance comparison of different detection algorithms %

可以看出，對(duì)于口罩檢測(cè)中的3 種類別的AP 值以及mAP，改進(jìn)后的算法均高于RetinaNet 和Faster-RCNN。相比YOLOv3，改進(jìn)后的SSD 算法佩戴口罩的AP 值低于YOLOv3，但是未佩戴口罩和口罩佩戴錯(cuò)誤的AP 值都高于YOLOv3，mAP 值也較優(yōu)。本文設(shè)計(jì)增強(qiáng)了算法的特征提取能力，對(duì)細(xì)節(jié)特征處理的更好，對(duì)于口罩佩戴的各類情況，尤其是針對(duì)口罩佩戴錯(cuò)誤的情況，檢測(cè)效果更好。通過對(duì)比進(jìn)一步證明了算法的有效性。

為驗(yàn)證算法的實(shí)時(shí)性，運(yùn)用各算法對(duì)測(cè)試集的圖片進(jìn)行檢測(cè)，樣本數(shù)設(shè)置為1，對(duì)各算法的檢測(cè)速率進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果如表4 所示。

表4 不同算法檢測(cè)速率對(duì)比Table 4 Comparison of detection rates of different algorithms

本文所設(shè)計(jì)的算法在提升了檢測(cè)精度的情況下與原始SSD 算法相比，檢測(cè)速度降低了2.4 frame/s，平均檢測(cè)速率達(dá)到了28.9 frame/s，仍具有良好的實(shí)時(shí)性。

3.3 檢測(cè)效果對(duì)比

實(shí)際檢測(cè)效果對(duì)比如圖10 所示，其中，圖10（a）為原版SSD 的檢測(cè)效果，圖10（b）為改進(jìn)后SSD 在相同場(chǎng)景中的檢測(cè)效果。

圖10 改進(jìn)算法的檢測(cè)效果對(duì)比Fig.10 Comparison of detection effect of improved algorithm

3.4 消融實(shí)驗(yàn)

為驗(yàn)證改進(jìn)算法的有效性，對(duì)改進(jìn)了網(wǎng)絡(luò)結(jié)構(gòu)的算法進(jìn)行了消融實(shí)驗(yàn)。實(shí)驗(yàn)分別設(shè)置兩組對(duì)照模型，一組為原始的SSD 網(wǎng)絡(luò)模型，另一組則是引入FPN 和CA 模塊改進(jìn)后的SSD 模型，其余實(shí)驗(yàn)設(shè)置均相同，實(shí)驗(yàn)結(jié)果如表5 所示。通過對(duì)比可以看出，改進(jìn)SSD 算法3 種類別的AP 值分別達(dá)到了96.25%、94.43%和93.49%，mAP 達(dá)到了94.72%，相較于原始SSD 提升了4.06%。

表5 消融實(shí)驗(yàn)結(jié)果對(duì)比Table 5 Comparison of ablation experimental results %

此外，本文采用的損失函數(shù)，可以通過調(diào)節(jié)β的取值控制正負(fù)樣本的權(quán)重。表6 所示為在對(duì)改進(jìn)算法針對(duì)不同的β值進(jìn)行對(duì)照實(shí)驗(yàn)。

表6 β 取值對(duì)比結(jié)果Table 6 β value comparison results %

從表6 可以看出，當(dāng)β取值為0 時(shí)，mAP 的值降低明顯，這是因?yàn)榇藭r(shí)損失函數(shù)不再起到調(diào)節(jié)正負(fù)樣本權(quán)重的效果。當(dāng)其取值為2 時(shí)，實(shí)驗(yàn)效果最佳。當(dāng)β的值降低為1 或提高到3 時(shí)，mAP 均有一定程度的降低。如果持續(xù)增加β的取值到4 時(shí)，與取2.5 時(shí)相比，mAP 的值降低到了94.77%。所以，通過對(duì)比實(shí)驗(yàn)可以得出，對(duì)正負(fù)樣本權(quán)重的調(diào)節(jié)應(yīng)合理控制，過分增大或減小調(diào)制參數(shù)均會(huì)對(duì)算法的性能造成影響。因此，本文實(shí)驗(yàn)的最終取值為β=2。

4 結(jié)束語

為配合疫情防控，本文提出一種基于改進(jìn)SSD的口罩佩戴檢測(cè)算法。通過重構(gòu)特征提取網(wǎng)絡(luò)，加強(qiáng)了淺層特征圖的語義，提升了算法在復(fù)雜場(chǎng)景下對(duì)不同尺度目標(biāo)的檢測(cè)能力，同時(shí)將分類預(yù)測(cè)分?jǐn)?shù)和IoU 分?jǐn)?shù)進(jìn)行合并，在損失函數(shù)中引入QFL 損失，解決了算法中正負(fù)樣本不平衡的問題，使模型更容易收斂。實(shí)驗(yàn)結(jié)果表明，與原始算法相比該算法具有良好準(zhǔn)確性，能夠滿足疫情防控下的實(shí)際需求，實(shí)現(xiàn)在現(xiàn)實(shí)場(chǎng)景下全面準(zhǔn)確地對(duì)佩戴口罩行為進(jìn)行檢測(cè)。下一步將對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)，優(yōu)化網(wǎng)絡(luò)參數(shù)，提高網(wǎng)絡(luò)的檢測(cè)速度，在保持較高檢測(cè)精度的同時(shí)，提升口罩佩戴檢測(cè)的實(shí)時(shí)性。