林昭成 李家文 廖宝琳 林家浚

随着新冠肺炎疫情逐渐好转，人们的防疫意识有所松懈。考虑到疫情的危害性以及可能会出现的变异毒株传播事件，我们想通过建立一个“口罩率”智能识别与预警系统以助防疫。该系统通过计算出公众场合人们佩戴口罩的比例，得出某地某时的“口罩率”，并根据当地实际情况进行播报预警。

一、准备过程

（一）设备准备

在学校、老师以及区教育局的帮助下，我们租用了GPU云服务器、计算机房，购买了数据采集设备、系统原型设备和网络摄像头，并借来3D打印机和摄像机。

（二）问卷调查

起初，我们开展了问卷调查，收集了反馈效果。根据问卷填写的情况和反馈的结果，我们撰写了问卷调查研究报告，并得出以下结论。

1.目前，有部分人的防疫意识淡薄，对所在地区的疫情风险程度不够了解，这会导致在日常的工作、生活中不能采取较好的防疫措施来保护自己和他人，因此需要更直观、有效的方式使人们能及时了解疫情。

2.人们虽然知道佩戴口罩的重要性，但不能较好地落实这一项防疫措施。

3.人们希望能继续加强疫情防控，所以不管是外部防控还是个人防控，都应注意细节。

密集人流“口罩率”智能识别和预警系统的研发不仅能实时有效地帮助人们全面防控疫情，还能用直观的数据提醒人们，及时采取相应的防疫措施保护自己和他人。

综上所述，本次问卷调查表明了密集人流“口罩率”智能识别和预警系统课题与社会热点贴切，具备开展的可行性。

在老师的指引下，我们查阅文献并进行汇总，决定采用yolo4模型作为系统模型的基础。

二、实践过程

（一）数据收集

我们先收集了一部分网络数据（即网络图片）进行训练，在这个过程中，老师指导我们对数据进行加工处理，利用label image软件给佩戴口罩的人脸做“face_mask”的标记，给未戴口罩的人脸做“face”的标记。但网络数据不够真实也不符合现实场景，所以我们收集了一些小组成员的照片，并在征得同意后进入学校监控室，收集了更多的人脸数据。

收集到足够的数据后，另一个问题来了：数据如此庞大，仅凭我们4个人根本无法在短时间内打完标签，在老师的帮助下，我们召集了50名义工在学校的计算机室完成了数据标记。

（二）构建模型

口罩率的识别需要系统在人群中对每一个对象做到精准识别，并提取出佩戴口罩的人脸和未佩戴口罩人脸的比例。在现实场景中，这对系统的精度要求较高，我们要尽量将误差控制在最小的范围内。另外，由于口罩率具有时效性，因此系统还要对视频流做出及时演算，达到精度与速度的平衡。

为了达到精度和速度的要求，在构建模型的过程中我们查阅了多篇文献，最终决定采用yolo4的模型，并针对现有的数据加以实现。相较于上一代的yolo模型，yolo4通过更大的网络输入分辨率用于检测小目标，更深的网络层便于覆盖更大的感受野，更多的参数便于检测同一图像内不同的目标，在输入网络分辨率、卷积层数量、参数数量、输出维度多方面达到平衡，从而达到高效精准的检测效果。

（三）训练过程

模型搭建完成后，首先导入预训练模型，接着导入训练集数据进行模型训练，其超参数设置如表 1。

每一次迭代训练，模型输出一个训练的损失值train_loss，并利用验证集对模型进行训练效果验证，输出验证的损失值val_loss。可以看到，训练效果比较明显，train_loss稳步下降，而val_loss在缓慢下降后有微小的反弹。可以判断，模型在训练过程中出现过拟合现象。

为了避免训练过程中拟合现象对模型效果产生影响，除模型本身的措施外（如batchnormal层的运用、数据增强、IOT阈值设置），每一次迭代训练结束后都保存好该次训练的模型权重参数，并标注对应的训练损失值train_loss和验证损失值val_loss。待迭代训练结束后，通过人工选择train_loss和val_loss值最优的模型权重参数，将其应用在后续的验证和测试过程。

三、模型测试

（一）模型评估

训练结束后，要进行模型的评估。此时，将测试集导入模型中，输出每张图片数据的识别结果，并计算出每个类别的准确率、平均准确率以及最后输出总体map值。

计算结果显示，对“face_mask”即佩戴口罩人脸的识别准确率高达99%，而“face”即未佩戴口罩人脸的识别准确率也达到了91%，平均准确率约为94.56%。这是一个令人满意的结果，说明本研究模型的构建和实施是可行的，但也有优化的空间，可以通过模型优化、训练优化、数据优化等方法提升系统和模型的性能。

（二）软硬件结合

首先，为了让系统真正应用到现实场景中，我们决定通过Arduino实现预警系统的硬件部分，模拟现实中小区的出入门阀，比较系统识别的口罩率与阈值，当某地的口罩率低于阈值（如50%）就会触发预警措施，而当口罩率高于阈值，即停止预警或取消预警。

接着，我们利用3D打印技术打印出一个模拟现实小区中出入门阀的装置，盒子表面有一块显示屏和一根长杆。系统能持续识别当地的口罩率，并将结果呈现在显示屏上。当某地的口罩率低于阈值（如50%）就会触发预警措施，长杆下落即限制车辆人员进入;当口罩率高于阈值，即停止预警或取消预警，长杆升起允许车辆、人员进入。由此实现模型的软硬件结合。

（三）实地测试

我们在校园内的实地测试如图4。

四、创新点

1.佩戴口罩是日常防疫的重要措施之一，以“口罩率”为切入点，从收集到的数据分析人与社会的问题，切合时事。运用人工智能深度学习、3D打印、Arduino等技术，切合科创主题。

2.本课题研究形成的预警模型具有可操作性，可以帮助地方政府结合当地情况应用到实处，起到疫情防控的目的。

（指导老师：刘翔武  梁志浩）

专家点评

林昭成、李家文、廖宝琳、林家浚同学完成的“口罩率”智能识别和预警系统虽说是一个应景式的热點项目，但极具原创性，在青少年科技创新活动中属于原始性创新作品。

原始性创新可分为科学上的原始性创新和技术上的原始性创新。科学上的原始创新是指在基础研究领域做出了从来没有人做出的新的科学发现，包括新现象的发现、新领域的开拓、新概念的提出、核心理论体系的形成。技术上的原始性创新是指在新方法、新工艺、新产品等技术领域，取得前人所没有的创新。

四位同学完成的“口罩率”智能识别和预警系统，其原创性就是首次提出通过建立一个“口罩率”智能识别与预警系统来帮助人们防疫。该作品能通过计算公众场合人们佩戴口罩的比例，得出某地某时刻的“口罩率”，并根据当地实际情况进行播报预警。这种防疫的方式别具一格。

但中学生应以实践小的创新项目为主。该项目之所以能获得成功，也源于学校、老师以及区教育局的大力支持与帮助，让他们能租用GPU云服务器、计算机房，购买相关器材，并借来3D打印机和摄像机等。这种特殊待遇，一般的学生团体或个人是无法获得的。