摘 要：食品安全與人民群眾的健康密切相關(guān)，保障食品安全已成為全世界最受關(guān)注的話題。如果沒(méi)有正確規(guī)范地佩戴口罩，就會(huì)造成飛沫途徑傳播，出現(xiàn)食品衛(wèi)生問(wèn)題。基于此，本文提出一種規(guī)范佩戴口罩的檢測(cè)方法，將YOLOv8模型進(jìn)行佩戴口罩檢測(cè)，YCrCb模型形成灰度圖，進(jìn)行規(guī)范佩戴口罩的檢測(cè)。最終，結(jié)合以上2種模型，提出復(fù)雜環(huán)境下關(guān)于人臉口罩規(guī)范佩戴的檢測(cè)方法，用于加強(qiáng)食品環(huán)境監(jiān)管，保障食品安全，具有重要使用價(jià)值和研究意義。

關(guān)鍵詞：食品安全；YOLOv8模型；YCrCb模型；規(guī)范佩戴檢測(cè)

中圖分類(lèi)號(hào)：TS 207" " " " 文獻(xiàn)標(biāo)志碼：A

餐飲行業(yè)的衛(wèi)生狀況是保障食品安全的重要環(huán)節(jié)，食品加工人員通過(guò)規(guī)范佩戴口罩可以有效避免食品加工中通過(guò)飛沫傳播而造成的食品污染，保障食品加工過(guò)程中的衛(wèi)生安全。但是傳統(tǒng)的人工監(jiān)管方式不僅需要耗費(fèi)大量的人力、物力，而且存在監(jiān)管不到位的問(wèn)題。根據(jù)人工智能技術(shù)對(duì)食品加工人員進(jìn)行監(jiān)管可以減少食品安全部門(mén)的工作量、提高監(jiān)管的全面性和有效性。YOLO系列是目標(biāo)領(lǐng)域知名度最高的算法，也是國(guó)際領(lǐng)域較為前沿的算法之一。張麗艷[1]（2022）運(yùn)用與YOLO算法不同的SSD算法進(jìn)行口罩檢測(cè)，為之后的2種算法的性能比對(duì)，提供了很好的研究成果。蔣紀(jì)威[2]（2020）基于深度學(xué)習(xí)展開(kāi)了對(duì)視頻人臉識(shí)別方法的研究，從人臉檢測(cè)和識(shí)別2個(gè)方面進(jìn)行優(yōu)化。陳政生[3]（2021）運(yùn)用YCrCb閾值分割膚色模型，降低手和遮擋物的錯(cuò)誤識(shí)別。為了提高在復(fù)雜情景下辨別是否佩戴口罩的準(zhǔn)確率，本文在采用YOLOv8算法的基礎(chǔ)上，結(jié)合YCrCb橢圓膚色模型將人臉和口罩合并作為一個(gè)檢測(cè)目標(biāo)，提出一種新的YOLOv8-YC模型，將規(guī)范佩戴、未規(guī)范佩戴口罩和未佩戴口罩3種狀態(tài)進(jìn)行檢測(cè)，最終自制口罩識(shí)別系統(tǒng)對(duì)待測(cè)樣本進(jìn)行研究。

1 算法模型選取

1.1 YOLOv8算法模型

YOLOv8是ultralytics公司在2023年1月10日改進(jìn)的又一重大版本，它在YOLOv7的基礎(chǔ)上進(jìn)行優(yōu)化。YOLOv8采用了更深的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，是一種基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法。它將整個(gè)圖像作為輸入，直接在圖像上進(jìn)行目標(biāo)檢測(cè)和定位，而不需要使用滑動(dòng)窗口或區(qū)域提議，以提高檢測(cè)精度和速度。它還引入一些新的技術(shù)，例如多尺度訓(xùn)練和測(cè)試、特征金字塔網(wǎng)絡(luò)等，以進(jìn)一步提升檢測(cè)性能。同時(shí)，它也可以廣泛應(yīng)用于各種場(chǎng)景，例如智能監(jiān)控、自動(dòng)駕駛以及人臉識(shí)別等。

YOLO系列算法隨著版本的更新迭代，在精度mAP與幀率中均呈遞增式變化。與SSD算法相比，YOLOv8算法不僅精度提高了43.23%，而且?guī)侍岣吡?0.28倍，與之前的目標(biāo)算法相比，很大程度地提升了性能和準(zhǔn)確率，見(jiàn)表1。

綜上所述，通過(guò)比較可知，YOLOv8算法能更好地進(jìn)行目標(biāo)檢測(cè)分析，給本文改進(jìn)的口罩規(guī)范佩戴檢測(cè)系統(tǒng)提供更好的精度和更快的幀率，因此選擇YOLOv8作為本試驗(yàn)的網(wǎng)絡(luò)研究模型。

1.2 YCrCb色彩空間的橢圓膚色模型

1.2.1 YCrCb色彩空間

生活中最常見(jiàn)的色彩空間的是RGB色彩空間。RGB顏色空間又稱(chēng)為紅綠藍(lán)顏色空間，即由紅色、綠色和藍(lán)色3種基色合成的所有顏色空間。但是這3種基色不僅表示色調(diào)，還受光線變化下亮度的影響。隨著亮度變化，R、G、B三個(gè)基色的值也會(huì)產(chǎn)生變化，因此，這種色彩空間并不適用于人體視覺(jué)感知對(duì)物體的判斷。YCrCb將RGB顏色模式分解成亮度（Y）和色度（Cr和Cb）分量，其中Cr和Cb分量代表紅色分量、藍(lán)色分量與亮度的差值。與RGB色彩空間相比，YCrCb色彩空間所占用的頻帶寬度也相對(duì)較小，可以廣泛應(yīng)用于數(shù)字圖像和視頻的處理。同時(shí)，YCrCb色彩空間可以分離出亮度信息和色度信息的特點(diǎn)，具有運(yùn)算簡(jiǎn)便、不受亮度影響以及色彩聚類(lèi)特性較好的優(yōu)勢(shì)。

1.2.2 YCrCb橢圓膚色模型

Hsu.R.L于2002年提出了YCrCb橢圓膚色模型，運(yùn)用YCrYb色彩空間將亮度信息單獨(dú)處理的特點(diǎn)進(jìn)行膚色檢測(cè)，通過(guò)將RGB色彩空間轉(zhuǎn)換為YCrCb色彩空間形成更好色彩聚類(lèi)，從而進(jìn)行膚色檢測(cè)，圖像模型也由之前的三維的顏色空間轉(zhuǎn)變成二維。具體轉(zhuǎn)換公式如公式（1）所示[4]。

（1）

完成了原始圖像在YCrCb色彩空間的映射后，對(duì)其中Cr和Cb色度進(jìn)行一系列非線性變換后可以得到新的YCr'Cb'色彩空間。某個(gè)象素點(diǎn)在YCr'Cb'色彩空間中對(duì)應(yīng)的坐標(biāo)（x，y）如公式（2）所示。

（2）

式中：Cb=109.38，Cy=152.02，θ=2.53（弧度）。

膚色信息在YCr'Cb'色彩空間中會(huì)產(chǎn)生聚類(lèi)現(xiàn)象，生成一個(gè)形狀似橢圓的分布模型，即橢圓膚色模型，其計(jì)算過(guò)程如公式（3）所示。

（3）

其中，ecx=1.60，ecy=2.41，a=25.39，b=14.03。

根據(jù)公式（2）求出原始圖片中某個(gè)像素點(diǎn)的坐標(biāo)，將求得的x值和y值代入公式（3）中判斷該像素點(diǎn)是否落在橢圓的區(qū)域內(nèi)。在橢圓內(nèi)即為皮膚區(qū)域，不在橢圓內(nèi)為非皮膚區(qū)域。

2 基于改進(jìn)的YOLOv8-YC口罩檢測(cè)模型

本試驗(yàn)運(yùn)用目標(biāo)檢測(cè)模型進(jìn)行顏色識(shí)別的改進(jìn)后，可以檢測(cè)3種佩戴狀態(tài)，用于區(qū)分是否正確佩戴口罩。有效解決食品加工場(chǎng)所中人員口罩佩戴實(shí)時(shí)檢測(cè)的問(wèn)題。在改進(jìn)后的檢測(cè)任務(wù)里，口罩檢測(cè)任務(wù)的精度得到了明顯提升，且判斷依據(jù)也進(jìn)行新的升級(jí)，將改進(jìn)后的算法命名為YOLOv8-YC（YouOnlyLookOnce-YCrCb）。

2.1 口罩檢測(cè)數(shù)據(jù)集

2.1.1 數(shù)據(jù)集建立

劃分訓(xùn)練集和測(cè)試集，分別將370份‘mask’與375份‘no_mask’共745份劃分為測(cè)試集，即“train”；將剩余數(shù)據(jù)集8420份劃分為訓(xùn)練集，即“val”，共9165個(gè)目標(biāo)群體進(jìn)行系統(tǒng)的研究。

2.1.1.1 數(shù)據(jù)集的標(biāo)注

使用Labelimg（版本：v1.8.6）標(biāo)注圖像，生成適合YOLOv8訓(xùn)練的txt格式的文件，txt文件中標(biāo)注的‘mask’對(duì)應(yīng)的類(lèi)別為‘0’，‘no_mask’對(duì)應(yīng)的類(lèi)別為‘1’。

2.1.1.2 數(shù)據(jù)集標(biāo)的物的處理

初步整理好試驗(yàn)所需的數(shù)據(jù)集后，發(fā)現(xiàn)人臉數(shù)據(jù)集中的位置分布不位于圖像中心處，這給YOLOv8-YC模型的檢測(cè)增加了難度；因此，試驗(yàn)選擇了聚類(lèi)算法進(jìn)行標(biāo)的物聚類(lèi)，這樣可以可視化解決標(biāo)的物分布不均，導(dǎo)致結(jié)果不準(zhǔn)確的問(wèn)題。

2.2 模型的構(gòu)建與評(píng)估

2.2.1 構(gòu)建說(shuō)明

目標(biāo)檢測(cè)也稱(chēng)為目標(biāo)提取，是一種基于目標(biāo)幾何和統(tǒng)計(jì)特征的圖像分割，輸出目標(biāo)信息以及目標(biāo)物體的具體定位。

YOLOv8-YC是一種基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法，結(jié)合色彩空間和膚色模型，為圖像分割和圖像識(shí)別帶來(lái)了絕佳選擇。

YOLOv8-YC算法由以下3個(gè)部分組成。①Backbone（主干網(wǎng)絡(luò)）——特征提取。②neck——特征融合。③head——結(jié)果輸出。

2.2.2 模型評(píng)估

試驗(yàn)采用目標(biāo)檢測(cè)任務(wù)中的評(píng)價(jià)指標(biāo)來(lái)測(cè)試整體性能：P（Positive）表示目前預(yù)測(cè)這個(gè)行為是佩戴口罩；N（Negative）表示目前預(yù)測(cè)這個(gè)行為是不佩戴口罩；T（True）表示預(yù)測(cè)正確；F（）表示預(yù)測(cè)錯(cuò)誤混淆矩陣見(jiàn)表2。

由表2可以計(jì)算的指標(biāo)如公式（1）～公式（5）所示[5]。

（1）

（2）

（3）

Loss=λ1Lbox+λ1Lobj+λ1Lcls " （4）

（5）

式中：Recall表示正確類(lèi)別并被正確預(yù)測(cè)的概率；Precision表示實(shí)際模型中正確樣本數(shù)的百分比；Accuracy表示預(yù)測(cè)結(jié)果正確的數(shù)量占樣本總數(shù)；Loss表示用來(lái)估量模型預(yù)測(cè)值與真實(shí)值不一致的程度。

3 模型運(yùn)行實(shí)現(xiàn)

3.1 模型設(shè)計(jì)

將YOLOv8算法與YCrCb模型改進(jìn)為YOLOv8-YC口罩檢測(cè)模型，通過(guò)Socket通信后，樹(shù)莓派4B與服務(wù)管理器實(shí)現(xiàn)了信息傳輸，符合要求的照片經(jīng)攝像頭拍攝，運(yùn)用YOLOv8-YC模型進(jìn)行圖像預(yù)處理、特征提取、識(shí)別分類(lèi)等檢測(cè)，對(duì)檢測(cè)通過(guò)的目標(biāo)群體予以持續(xù)檢測(cè)或門(mén)口放行；對(duì)不佩戴口罩和不規(guī)范佩戴口罩的目標(biāo)群體播報(bào)警報(bào)語(yǔ)音或進(jìn)行放行攔截（舵機(jī)可用于隨時(shí)拆卸，試具體情況而定），如圖1所示。其次，在構(gòu)建模型權(quán)重的基礎(chǔ)上制定初始化模型，并依據(jù)目標(biāo)物體的距離，設(shè)定NMS偽距離閾值，為符合最小距離的目標(biāo)物體進(jìn)行拍照，記錄是否存在員工擅自離職的現(xiàn)象。本次試驗(yàn)環(huán)境主要使用Windows為操作系統(tǒng)，使用Anaconda3 為PyCharm Version2019.3.3的安裝建立虛擬環(huán)境，同時(shí)并入SGD優(yōu)化算法，對(duì)樣本和標(biāo)簽進(jìn)行參數(shù)更新以及運(yùn)行速度的迭代優(yōu)化，使用PyTorch框架用于儲(chǔ)存計(jì)算進(jìn)行中的數(shù)據(jù)。最終實(shí)現(xiàn)在食品加工、生產(chǎn)、銷(xiāo)售環(huán)節(jié)，員工實(shí)時(shí)按照規(guī)定規(guī)范佩戴口罩的目標(biāo)，降低食品被污染的風(fēng)險(xiǎn)。

3.2 YOLOv8-YC模型檢測(cè)結(jié)果

基于改進(jìn)的YOLOv8-YC模型在測(cè)試集上得到的結(jié)果，如圖2所示。

整體目標(biāo)群體正臉及側(cè)臉的識(shí)別都較為準(zhǔn)確，且精確值較高，對(duì)于目標(biāo)群體3種口罩佩戴情況的識(shí)別效果理想。

4 結(jié)論

傳統(tǒng)YOLOV8模型只有“佩戴口罩”和“未佩戴口罩”兩種狀態(tài)，本試驗(yàn)基于YOLOv8目標(biāo)檢測(cè)算法對(duì)食品加工人員是否佩戴口罩進(jìn)行識(shí)別，結(jié)合YCrCb模型進(jìn)行色度劃分來(lái)檢測(cè)對(duì)食品加工人員是否規(guī)范佩戴口罩，設(shè)計(jì)了一套新的YOLOv8-YC模型，從而得出“規(guī)范佩戴口罩”、“未規(guī)范佩戴口罩”和“未佩戴口罩”3種狀態(tài)。最終的試驗(yàn)結(jié)果顯示：YOLOv8-YC能夠更精確地對(duì)口罩佩戴情況進(jìn)行判斷，同時(shí)提高了人臉口罩檢測(cè)和人臉口罩規(guī)范佩戴檢測(cè)的速度和精確度，為檢測(cè)食品加工人員實(shí)時(shí)規(guī)范佩戴口罩提供了一種可行的方法，具有重要的現(xiàn)實(shí)參考意義。

參考文獻(xiàn)

[1]張麗艷，趙藝璇，李林.一種基于樹(shù)莓派的口罩自動(dòng)檢測(cè)裝置[J].大連交通大學(xué)學(xué)報(bào)，2022（1）：111-114.

[2]蔣紀(jì)威.基于深度學(xué)習(xí)的視頻人臉識(shí)別方法研究[D].青島：山東科技大學(xué)，2020.

[3]陳政生.基于深度學(xué)習(xí)的口罩佩戴檢測(cè)方法研究[D].武漢：華中師范大學(xué)，2021.

[4]邱鵬瑞.基于YCbCr膚色模型改進(jìn)算法及區(qū)域特征的人臉檢測(cè)研究[J].計(jì)算機(jī)與現(xiàn)代化，2012（4）：179-182，187.

[5]周志華.機(jī)器學(xué)習(xí)[M].北京：清華大學(xué)出版社，2018：28-35.