基于深度学习的人脸口罩识别检测系统源码（可以识别正确佩戴口罩、未正确佩戴口罩、未佩戴口罩+可以测温和控制闸机开闭）.zip

- [项目介绍](#项目介绍) - [演示视频](#演示视频) - [系统框图](#系统框图) - [数据集及标注](#数据集及标注) - [1. 数据集获取](#1-数据集获取) - [2. 标注](#2-标注) - [3. 标注好的数据集](#3-标注好的数据集) - [训练过程及模型转换](#训练过程及模型转换) - [硬件模块介绍](#硬件模块介绍) - [总体控制代码](#总体控制代码) - [遇到问题的解决](#创新之处和遇到问题的解决) - [1. 研发过程中遇到的问题](#1-研发过程中遇到的问题) - [1）测温模块在程序运行中一直返回温度值，是测得的环境温度](#1测温模块在程序运行中一直返回温度值是测得的环境温度) - [2） 口罩识别模型会对摄像头采集的每一帧图像进行识别，如果对模型输出的每一个预测结果做出反应的话，会造成系统过于混乱](#2-口罩识别模型会对摄像头采集的每一帧图像进行识别如果对模型输出的每一个预测结果做出反应的话会造成系统过于混乱) - [3） 由于K210开发板可用接口有限，在正常的插上测温模块后就不能插舵机模块了。](#3-由于k210开发板可用接口有限在正常的插上测温模块后就不能插舵机模块了) - [2. 测试阶段遇到的问题](#2-测试阶段遇到的问题) - [1） 语音播报模块在播放完音频后会有一声比较短暂刺耳的爆音](#1-语音播报模块在播放完音频后会有一声比较短暂刺耳的爆音) - [2） 模型对测试数据集预测效果不好，准确率较低](#2-模型对测试数据集预测效果不好准确率较低) - [不足待改进之处](#不足待改进之处) - [1. 弱光条件下识别准备率有待提升](#1-弱光条件下识别准备率有待提升) - [1） 原因](#1-原因) - [2） 建议改进措施](#2-建议改进措施) - [2. 远距离识别准确率不高](#2-远距离识别准确率不高) - [1） 原因](#1-原因-1) - [2） 建议改进措施](#2-建议改进措施-1) - [3. 测温模块精度不高](#3-测温模块精度不高) - [1） 原因](#1-原因-2) - [2） 建议改进措施](#2-建议改进措施-2) - [产品图](#产品图) - [1. 内部结构](#1-内部结构) - [2. 产品外观图](#2-产品外观图) - [参考资料](#参考资料) ### 项目介绍 ​ 人脸口罩佩戴识别监测系统是一款集口罩识别、体温检测、语音播报和门闸开合于一体的智能识别反馈系统，它利用yolov2神经网络训练生成的模型进行人脸识别，具有较高的准确性、较低的时延等特性。 ​ 该设备能够针对口罩佩戴情况进行不同的内容反馈，并且语音提示，如果符合通过条件，可以控制闸机进行人员分流，非常适合当前后疫情时代的公共场所的疫情防控需求。 ### 演示视频 [](https://www.youtube.com/watch?v=jPf7qErI8BM "演示视频") ### 系统框图 #### 1. 系统框图  **注：** 系统框图与最终实现有所差别 ### 数据集及标注 #### 1. 数据集获取 训练的数据集是来自互联网的公开数据集，链接如下： https://github.com/cabani/MaskedFace-Net，里面有正确佩戴口罩和不正确佩戴口罩的数据集，各有20Gb左右。 https://github.com/balajisrinivas/Face-Mask-Detection/tree/master/dataset，里面有未佩戴口罩的数据集 我们用到的K210开发板在运行图像识别的时候，模型只能输入224*224大小的图片，所以需要先将数据集大小调整为**224\*224**. #### 2. 标注 用到的标注软件为 **labelImg**,下载链接为：https://wwt.lanzoul.com/iAXAG05bnjxc， 或其他标注软件也可以，需要把标注结果导出为xml格式 #### 3. 标注好的数据集 下载链接如下， pics: https://www.aliyundrive.com/s/cRFP1YaU9WM labels: https://www.aliyundrive.com/s/uMY9xoWPovu pics文件夹里存放图片，分为三类：with_correct_mask/with_incorrect_mask/without_mask labels文件夹中存放标签，为xml格式 **注：** 用开发板的摄像头拍摄多张照片多为数据集的一部分可以提高模型的识别精度 ### 训练过程及模型转换 由于K210开发板只支持YOLOV2和V3，我们采用YOLOV2框架来进行训练 环境配置及训练方法见链接： [Mx-yolov3+Maixpy+ K210进行本地模型训练和目标检测_我与nano的博客-CSDN博客_k210芯片](https://blog.csdn.net/qq_51963216/article/details/121044449?utm_source=app&app_version=5.1.1) [[人工智能\]更新：Mx-yolov3 3.0版本 (qq.com)](https://mp.weixin.qq.com/s/OpFfBedx2MrLX7QeQBJPrw) K210开发板只能运行kmodel格式的模型文件，所以需要将训练好的tilite、pt、h5等格式的模型转换成kmodel格式的模型。我们采用的是**NCC**工具箱，上面的链接中有提到。 ### 硬件模块介绍 #### 用到的开发板是K210开发板，详细介绍见稚晖君在知乎上的这篇文章：https://zhuanlan.zhihu.com/p/81969854 介绍的很详细 ### 总体控制代码 #### 总体控制代码见： 主要控制代码/summary.py 其中还有一个py文件叫 mlx90614，是红外测温模块的底层代码，需要复制到sd卡根目录，或者用maxpyide发送到开发板上 其中模型文件、音频文件和各种提示图片需要自己准备。将各种文件存到SD卡中，插在K210开发板上即可运行 ### 创新之处和遇到问题的解决 #### 1. 研发过程中遇到的问题 ##### 1）测温模块在程序运行中一直返回温度值，是测得的环境温度 **解决办法**：经过分析后可得在程序的循环中，测温模块一直在测量温度。将控制程序改为只有在识别到正确佩戴口罩后才会测量温度。设定[34.5 37.9]的温度区间，低于最低值是认为测得的是环境温度，测温失败；高于该区间的最大值后认为体温异常，播放声音提醒。并且在5秒内没有测得大于温度区间最小值的温度后，视为放弃测温，程序进入下一次循环。 ##### 2） 口罩识别模型会对摄像头采集的每一帧图像进行识别，如果对模型输出的每一个预测结果做出反应的话，会造成系统过于混乱 **解决办法**：我们在发现这个问题后，认为模型对摄像头采集的每一帧进行预测并作出后续反应的话，会造成系统混乱，因为模型有小概率会识别不稳定。经过几天的仔细思考，发现可以利用模型识别的累积效果，引入状态列表和状态和变量，将模型识别10的结果存入状态列表中，并在状态列表长度为10时计算状态和。模型识别结果0为without_mask, 1为with_correct_mask, 2为with_incorrect_mask. 若状态和小于3，则认为这10次中多数都是without_mask，识别为正确佩戴口罩；若状态和在7到13之间，则认为10次中多数都是with_correct_mask，识别为正确佩戴口罩；若状态和大于17，则认为10次中多数是with_incorrect_mask，识别为口罩佩戴不正确。 ​ 经过这样的累计效果后，系统可以正常工作，识别精度也有提升，但是正确佩戴口罩和口罩佩戴不正确会识别错误，分析原因是，由于模型预测结果2被认为是with_incorrect_mask，所以10次中有少数的with_incorrect_mask和多数的with_correct_mask也会被判定为口罩配得不正确。将模型预测结果1改为with_incoeerct_mask，2改为with_correct_mask后，这个问题有�