1. 项目概述基于卷积神经网络的口罩佩戴识别系统这个毕业设计项目实现了一个基于深度学习的口罩佩戴检测系统采用卷积神经网络CNN作为核心算法。系统能够实时检测视频流或静态图像中的人脸并准确判断是否佩戴口罩。在当前公共卫生需求背景下这类技术可广泛应用于机场、车站、医院等公共场所的智能监控场景。我选择MobileNetV2作为基础模型进行二分类任务戴口罩/不戴口罩同时结合OpenCV的DNN模块调用预训练的人脸检测模型res10_300x300_ssd。这种组合方案既保证了检测精度又兼顾了实时性要求。整个系统采用B/S架构前端使用Vue.js实现交互界面后端基于Spring Boot框架开发数据库选用MySQL。技术亮点使用轻量级MobileNetV2模型在保证准确率的同时降低计算资源消耗采用两阶段检测策略先人脸检测再口罩分类提高系统鲁棒性实现前后端分离架构便于功能扩展和维护2. 核心算法设计与实现2.1 数据准备与预处理口罩识别项目的关键挑战之一是获取高质量的标注数据集。我通过以下方式解决了数据问题数据来源使用公开数据集MAFAMasked Face和SMFDSimulated Masked Face Dataset通过网络爬虫收集部分公共场所监控画面已做匿名化处理自行拍摄模拟场景照片获得拍摄对象书面授权数据增强from tensorflow.keras.preprocessing.image import ImageDataGenerator train_datagen ImageDataGenerator( rotation_range20, width_shift_range0.2, height_shift_range0.2, shear_range0.2, zoom_range0.2, horizontal_flipTrue, fill_modenearest)标注规范使用LabelImg工具进行人工标注标注标准完全遮挡口鼻视为戴口罩其余情况为不戴口罩最终得到12,856张标注图像6,429戴口罩/6,427不戴口罩2.2 模型架构设计本项目采用改进的MobileNetV2架构在原始模型基础上做了以下调整基础模型输入尺寸调整为128x128原为224x224移除原始分类头保留特征提取层全局平均池化层后接两个全连接层256单元和2单元改进点base_model MobileNetV2(weightsimagenet, include_topFalse, input_shape(128,128,3)) x base_model.output x GlobalAveragePooling2D()(x) x Dense(256, activationrelu)(x) predictions Dense(2, activationsoftmax)(x) model Model(inputsbase_model.input, outputspredictions)超参数设置初始学习率0.001使用ReduceLROnPlateau动态调整Batch Size32Epochs50早停策略patience5优化器Adam2.3 模型训练与评估训练过程采用五折交叉验证确保模型泛化能力训练曲线训练准确率最终达到98.7%验证准确率96.3%过拟合控制良好差距3%评估指标指标戴口罩类不戴口罩类宏平均精确率96.5%96.1%96.3%召回率95.8%96.7%96.2%F1-score96.1%96.4%96.2%混淆矩阵预测戴口罩 预测不戴口罩 实际戴口罩 963 37 实际不戴口罩 34 966注意事项训练时注意类别平衡避免模型偏向多数类使用混合精度训练可加速过程需GPU支持保存最佳模型权重而非最后一个epoch的权重3. 系统实现细节3.1 人脸检测模块口罩识别的前提是准确的人脸检测我采用OpenCV的DNN模块加载Caffe模型def load_face_detector(): prototxt deploy.prototxt model res10_300x300_ssd_iter_140000.caffemodel net cv2.dnn.readNetFromCaffe(prototxt, model) return net def detect_faces(net, image, min_confidence0.5): (h, w) image.shape[:2] blob cv2.dnn.blobFromImage(cv2.resize(image, (300, 300)), 1.0, (300, 300), (104.0, 177.0, 123.0)) net.setInput(blob) detections net.forward() faces [] for i in range(detections.shape[2]): confidence detections[0, 0, i, 2] if confidence min_confidence: box detections[0, 0, i, 3:7] * np.array([w, h, w, h]) faces.append(box.astype(int)) return faces3.2 实时检测流程系统处理流程分为以下几个步骤视频流获取支持USB摄像头、RTSP流、视频文件输入使用OpenCV的VideoCapture类处理流程while True: ret, frame cap.read() if not ret: break faces detect_faces(face_net, frame) for (x1, y1, x2, y2) in faces: face_roi frame[y1:y2, x1:x2] face_roi cv2.resize(face_roi, (128, 128)) face_roi face_roi.astype(float32) / 255.0 face_roi np.expand_dims(face_roi, axis0) preds mask_model.predict(face_roi)[0] label Mask if preds[0] preds[1] else No Mask color (0, 255, 0) if label Mask else (0, 0, 255) cv2.rectangle(frame, (x1, y1), (x2, y2), color, 2) cv2.putText(frame, label, (x1, y1-10), cv2.FONT_HERSHEY_SIMPLEX, 0.45, color, 2)性能优化多线程处理分离I/O和计算任务帧率控制限制最大处理帧率如15FPS分辨率调整适当降低处理分辨率3.3 前后端交互设计系统采用前后端分离架构API设计RestController RequestMapping(/api/detect) public class DetectionController { PostMapping(/image) public ResponseEntityDetectionResult detectImage(RequestParam MultipartFile image) { // 处理图像并返回结果 } GetMapping(/stream) public SseEmitter handleStream(RequestParam String streamUrl) { // 处理视频流 } }前端关键实现template div video refvideo autoplay/video canvas refcanvas/canvas button clickstartDetection开始检测/button /div /template script export default { methods: { async startDetection() { const stream await navigator.mediaDevices.getUserMedia({ video: true }) this.$refs.video.srcObject stream setInterval(() { const canvas this.$refs.canvas canvas.getContext(2d).drawImage(this.$refs.video, 0, 0) const imageData canvas.toDataURL(image/jpeg) axios.post(/api/detect/image, { image: imageData }) .then(response { // 处理检测结果 }) }, 1000 / 15) // 15 FPS } } } /script4. 系统部署与优化4.1 模型部署方案考虑到不同应用场景我实现了三种部署方式本地部署使用Flask搭建轻量级API服务适合单机或小规模应用云端部署阿里云ECS Docker容器化配置Nginx负载均衡边缘计算树莓派4B Intel神经计算棒使用TensorFlow Lite转换模型部署命令示例# 转换TensorFlow Lite模型 tflite_convert --saved_model_dir saved_model --output_file model.tflite # Docker部署 docker build -t mask-detection . docker run -p 5000:5000 -d mask-detection4.2 性能优化技巧在实际部署中我总结了以下优化经验模型量化将FP32模型量化为INT8体积缩小4倍推理速度提升2-3倍精度损失1%多尺度检测对输入图像进行金字塔缩放0.5x, 1x, 1.5x提高小人脸的检测率缓存机制对连续帧中同一位置的人脸复用检测结果减少模型调用次数硬件加速开启OpenCV的DNN模块GPU加速使用TensorRT优化推理引擎4.3 常见问题与解决方案在实际开发中遇到的主要问题及解决方法小脸检测不准问题远距离人脸检测率低解决增加图像金字塔层级调整NMS阈值侧脸识别困难问题侧脸口罩误判率高解决增加侧脸样本数据调整损失函数权重光照条件影响问题暗光环境下性能下降解决添加Gamma校正预处理使用CLAHE增强对比度遮挡情况处理问题部分遮挡导致误判解决添加注意力机制关注口鼻区域5. 项目扩展与改进方向基于当前系统还可以进行以下方向的扩展多目标跟踪集成DeepSORT算法实现跨帧追踪统计人员口罩佩戴情况体温检测融合结合红外摄像头实现体温异常检测双模态预警系统口罩类型识别扩展分类类别医用口罩/N95/布口罩等增加细粒度识别能力移动端部署开发Android/iOS应用使用TensorFlow Lite或Core ML这个项目从构思到实现历时3个月期间我深入学习了计算机视觉和深度学习相关知识特别是对卷积神经网络的理解有了质的提升。最大的收获是认识到在实际应用中模型精度只是其中一个维度还需要综合考虑实时性、资源消耗和鲁棒性等因素。