Разработка алгоритма обнаружения лиц в защитной маске на основе методов компьютерного зрения и искусственного интеллекта

Цель данной работы – разработка алгоритмов и программных средств обнаружения лиц на видео-последовательности и выявления признаков наличия защитной медицинской маски на лице. Разработанный алгоритм позволяет обнаруживать лица и защитной медицинской маски на лице с помощью методы компьютерного зрения и технологий машинного обучения.

Ведение ……………………………………………………………………………………………………………14
1. Анализ предметной области ……………………………………………………………………………………………….15
1.1. Описание предметной области………………………………………………………………………………………..15
1.2. Машинное обучение ………………………………………………………………………………………………………..16
1.3. Глубокое обучение …………………………………………………………………………………………………………..16
1.4. Переобучение нейронных сетей и методы предотвращения переобучения ……………………18
1.5. Свёрточные нейронные сети …………………………………………………………………………………………..19
1.6. Системы распознавания лиц…………………………………………………………………………………………..23
1.7. Методы обнаружения лиц ……………………………………………………………………………………………….25
1.8. Метод Виолы-Джоса………………………………………………………………………………………………………..28
1.9. Методы предварительной обработки изображений ……………………………………………………….35
1.10. Методы распознавания лиц…………………………………………………………………………………………36
2. Разработка системы распознавания лиц в защитной маске ………………………………………………37
2.1. OpenCV ……………………………………………………………………………………………………………………………37
2.2. Dlib …………………………………………………………………………………………………………………………………..39
2.3. TensorFlow ……………………………………………………………………………………………………………………….40
2.4. NumPy ……………………………………………………………………………………………………………………………..40
2.5. Используемые архитектуры нейронных сетей ……………………………………………………………….41
2.6. Используемые наборы данных ……………………………………………………………………………………….43
2.7. Обработки кадров видеопотока ………………………………………………………………………………………45
3. Результаты тестирования модели ………………………………………………………………………………………49
3.1. Поворот вокруг вертикальной оси………………………………………………………………………………….53
3.2. Поворот вокруг оси Z ……………………………………………………………………………………………………..54
3.3. Критерии принятие решении модели ……………………………………………………………………………..54
4. Финансовый менеджмент, ресурсоэффективность и ресурсосбережение ………………………….56
4.1. Предпроектный анализ …………………………………………………………………………………………………..56
4.2. Технология QuaD…………………………………………………………………………………………………………….57
4.3. SWOT-анализ ………………………………………………………………………………………………………………….59
4.4. Оценка готовности проекта к коммерциализации …………………………………………………………64
4.5. Планирование управления научно-техническим проектом …………………………………………..67
4.5.1. План проекта ……………………………………………………………………………………………………………….67
4.5.2. Бюджет научного исследования ………………………………………………………………………………….69
4.5.2.1. Специальное оборудование для научных работ ………………………………………………………69
4.5.2.2. Основная заработная плата ……………………………………………………………………………………..70
4.5.2.3. Дополнительная заработная плата научно-производственного персонала …………….72
4.5.2.4. Отчисления на социальные нужды………………………………………………………………………….73
4.5.2.5. Накладные расходы …………………………………………………………………………………………………73
4.5.2.6. Формирование бюджета затрат научно-исследовательского проекта …………………….74
4.6. Риски научно-исследовательского проекта ……………………………………………………………………74
4.7. Выводы по разделу «финансовый менеджмент, ресурсоэффективность и
ресурсосбережение» ……………………………………………………………………………………………………………………75
5. Социальная ответственность ……………………………………………………………………………………………..77
Введение …………………………………………………………………………………………………………………………………….77
5.1. Правовые и организационные вопросы обеспечения безопасности ………………………………78
5.2. Производственная безопасность ……………………………………………………………………………………..80
5.2.1. Отклонение показателей микроклимата от нормы…………………………………………………….81
5.2.2. Недостаточная освещенность рабочей зоны ……………………………………………………………….83
5.2.3. Производственные шумы ……………………………………………………………………………………………87
5.2.4. Психофизиологические факторы ………………………………………………………………………………..88
5.2.5. Опасность поражения электрическим током ……………………………………………………………..88
5.2.6. Опасность возникновения пожара ………………………………………………………………………………89
5.3. Мероприятия и по снижению воздействия вредных производственных факторов ……….90
5.4. Экологическая безопасность …………………………………………………………………………………………..91
5.5. Безопасность в чрезвычайных ситуациях ………………………………………………………………………92
5.6. Выводы по разделу «Социальная ответственность» ………………………………………………………94
Заключение ………………………………………………………………………………………………………………………………..95
Список использованных источников ………………………………………………………………………………………..96
Приложение А ………………………………………………………………………………………………………………………….100
Приложение Б. Исходный код процесса обучения и проверки моделей …………………………………118

В результате данной работы были проведены исследования различных
алгоритмов обнаружения лиц и распознавание объектов. Был проведен анализ
актуальности разрабатываемого проекта, исследованы и изучены различные
эффективные методы и подходы, позволяющие определить правильность
получаемых результатов, а также была спроектирована система распознавания
лиц и обнаружения защитной маски на лице в видеопотоке. Данная система
использует в своей основе методы компьютерного зрения и машинного
обучения. Была рассмотрена проблема обнаружения масок, актуальная для
приложений мониторинга пандемии COVID-19. Изучены недостатки набора
данных для обнаружения масок, а также проведены эксперименты, при
проведении которых были рассмотрены: эффективность существующих
методов детектирования лиц в медицинских масках, реализации методов
распознавания, направленных на обнаружение правильно надетых масок,
качество работы существующих моделей обнаружения масок позволяющих
производить мониторинг в задаче борьбы с COVID-19.

Разработанная система может использоваться при решении различных
задач видео аналитики и имеет практическое применение в системах контроля
доступа и идентификации личности, а также для выявления лиц, нарушающих
санитарно-эпидемиологические требования.

Таким образом, поставленные задачи были полностью решены. Путем
расширения обучающей выборки более качественными изображениями и
увеличением времени обучения сверточной нейронной сети, можно добиться
высокой точности работы алгоритма. В дальнейшем планируется оптимизации
модели, в том числе путем изменения ее архитектуры.