使用TensorFlow和OpenCV实现口罩检测

重磅干货，第一时间送达

在这段艰难的疫情期间，我们决定建立一个非常简单和基本的卷积神经网络(CNN)模型，使用TensorFlow与Keras库和OpenCV来检测人们是否佩戴口罩。

图片来源于澳门图片社

为了建立这个模型，我们将使用由Prajna Bhandary 提供的口罩数据集。这个数据集包括大约1,376幅图像，其中690幅图像包含戴口罩的人，686幅图像包含没有戴口罩的人。

我们将使用这些图像悬链一个基于TensorFlow框架的CNN模型，之后通过电脑端的网络摄像头来检测人们是否戴着口罩。此外，我们也可以使用手机相机做同样的事情。

数据可视化

首先，我们需要标记数据集中两个类别的全部图像。我们可以看到这里有690张图像在‘yes’类里，也就是戴口罩的一类；有686张图像在‘no’类中，也就是没有带口罩的一类。

The number of images with facemask labelled 'yes': 690The number of images with facemask labelled 'no': 686

数据增强

这里，我们需要增强我们的数据集，为训练提供更多数量的图像。在数据增强时，我们旋转并翻转数据集中的每幅图像。在数据增强后，我们总共有2751幅图像，其中‘yes’类中有1380幅图像，‘no’类中有1371幅图像。

Number of examples: 2751Percentage of positive examples: 50.163576881134134%, number of pos examples: 1380Percentage of negative examples: 49.836423118865866%, number of neg examples: 1371

数据分割

我们将我们的数据分割成训练集和测试集，训练集中包含将要被CNN模型训练的图像，测试集中包含将要被我们模型测试的图像。

在此，我们取split_size=0.8，这意味着80%的图像将进入训练集，其余20%的图像将进入测试集。

The number of images with facemask in the training set labelled 'yes': 1104The number of images with facemask in the test set labelled 'yes': 276The number of images without facemask in the training set labelled 'no': 1096The number of images without facemask in the test set labelled 'no': 275

在分割后，我们看到图像已经按照分割的百分比分配给训练集和测试集。

建立模型

在这一步中，我们将使用Conv2D，MaxPooling2D，Flatten，Dropout和Dense等各种层构建顺序CNN模型。在最后一个Dense层中，我们使用‘softmax’函数输出一个向量，给出两个类中每个类的概率。

model = tf.keras.models.Sequential([ tf.keras.layers.Conv2D(100, (3,3), activation='relu', input_shape=(150, 150, 3)), tf.keras.layers.MaxPooling2D(2,2), tf.keras.layers.Conv2D(100, (3,3), activation='relu'), tf.keras.layers.MaxPooling2D(2,2), tf.keras.layers.Flatten(), tf.keras.layers.Dropout(0.5), tf.keras.layers.Dense(50, activation='relu'), tf.keras.layers.Dense(2, activation='softmax') ]) model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['acc'])

在这里，我们使用 ‘adam’ 优化器和‘binary_crossentropy’ 作为我们的损失函数，因为只有两个类。此外，也甚至可以使用MobileNetV2以获得更高的精度。

预训练CNN模型

在构建我们的模型之后，我们创建“train_generator”和“validation_generator”，以便在下一步将它们与我们的模型相匹配。 我们看到训练集中总共有2200张图像，测试集中有551张图像。

Found 2200 images belonging to 2 classes.Found 551 images belonging to 2 classes.

训练CNN模型

这一步是主要的步骤，我们使用训练集中的图像来训练我们的模型，并使用测试集中的数据来测试我们的训练结果，给出准确率。我们进行了30次迭代，我们训练的输出结果在下面给出。同时，我们可以训练更多的迭代，以获得更高的精度，以免发生过拟合。

history = model.fit_generator(train_generator, epochs=30, validation_data=validation_generator, callbacks=[checkpoint])>>Epoch 30/30220/220 [==============================] - 231s 1s/step - loss: 0.0368 - acc: 0.9886 - val_loss: 0.1072 - val_acc: 0.9619

我们看到，在第30个时期之后，我们的模型中训练集的精度为98.86%，测试集的精度为96.19%。 这意味着它是训练结果很好，没有任何过度拟合。

标记信息

在建立模型后，我们为我们的结果标记了两个概率

[‘0’ 作为‘without_mask’ 和‘1’作为‘with_mask’]。我们还使用RGB值设置边界矩形颜色。 [‘RED’ 代表 ‘without_mask’ 和‘GREEN’ 代表 ‘with_mask]

labels_dict={0:'without_mask',1:'with_mask'}color_dict={0:(0,0,255),1:(0,255,0)}

导入人脸检测程序

在此之后，我们打算使用PC的网络摄像头来检测我们是否佩戴口罩。为此，首先我们需要实现人脸检测。在此，我们使用基于Haar特征的级联分类器来检测人脸的特征。

face_clsfr=cv2.CascadeClassifier('haarcascade_frontalface_default.xml')