本项目是基于MAX78000FTHR开发平台和深度学习的一种口罩佩戴识别检测方案。目前我国疫情形势仍较为严峻，本项目能够较为准确和快速的对口罩是否佩戴，是否正确佩戴进行较为高效的识别。

基于MAX78000FTHR与深度学习的口罩佩戴识别

一、项目介绍

2020春节，新型冠状病毒肆虐华夏大地，中华儿女举国防止疫情扩散蔓延，为防止疫情扩散，做好个人防护是每个公民的义务，特别是公共场合，火车站、飞机场和汽车站，人流量大的密集地区，做好人员口罩监控相当有必要。

本项目是基于MAX78000FTHR开发平台和深度学习的一种口罩佩戴识别检测方案。目前我国疫情形势仍较为严峻，本项目能够较为准确和快速的对口罩是否佩戴，是否正确佩戴进行较为高效的识别。

二、项目设计思路

本项目的设计思路主要是：通过当前主流的目标检测深度学习框架，搭建深度学习网络框架，修改网络模型结构，使之能够更加较为精准的定位目标信息。在训练的类别上，我们划分出了佩戴口罩和未佩戴口罩两个类别，通过爬虫搜集8600余张训练图像数据，包含30000多个目标和标签值。通过GPU设备训练网络模型，取训练损失较小的模型用于我们后续的部署任务。将训练好的模型部署到我们的MAX78000FTHR开发平台上并进行调试、改进，以达到预期的效果。

三、搜集素材的思路

在数据集的搜集工作上，通过爬虫搜集8600余张训练图像数据，其中包括一些开源的口罩检测数据集，如RMFD、WIDER等开源数据集，也包括一些自制的图像数据，比如用图像拼接的方式将100张单个目标的图像数据生成一张10*10的密集图像数据，并且重新规划新生成的图像尺寸大小信息，以求在图像预处理阶段就是数据集包含丰富的多尺度语义信息，在不同大小的目标检测任务上都能取得较好的效果。

四、预训练实现过程

更改网络结构：当前的yolov5基准网络模型对于检测大小差距较大的目标，识别精度和误差还是存在着一些问题。我们经过讨论研究后决定在主干网络部分再加入一条分支，接到预测头的输出支路上。这样做会在一定程度上增加网络参数，但是也对网络识别精度带来了显著的提升，对之后的部署工作具有很好的效果。