刘国明，江巨浪，查 兵，任 钰，严华锋

（安庆师范大学电子工程与智能制造学院，安徽安庆 246133）

2020年初新冠肺炎疫情蔓延全球，对人类生命健康构成严重威胁，在公共场所佩戴口罩是预防疫情传播的最有效措施。采用深度神经网络自动检测口罩佩戴，能够弥补人工管控的不足。在新冠肺炎疫情发生之前，还没有专门研究口罩佩戴检测算法的文献，但在人脸检测、目标检测和物体分类等方面已经提出了很多算法。2019年，Insightface团队提出了基于one-state的RetinaFace算法[1]，该算法具有较高的检测精度和较快的检测速度。牛作东等[2]通过改进RetinaFace人脸检测算法，实现对口罩佩戴的有效检测，该方法用于自建的3 000 张图片数据集，口罩目标检测准确率为87.7%，但该算法需要检测到眼、口、鼻等特征，存在对小目标和戴口罩侧脸漏检的不足。本文基于ResNet-34深度神经网络模型[3]，研究网络输入图片的预处理方法、网络模型的最优学习率和批数据量大小（batch size），对自建的包含12 000幅口罩佩戴图片样本集进行训练。相比于文献[1]的算法，口罩检测准确率得到提高，对小目标和侧面戴口罩人脸漏检的不足得到改善，并且获得一个性能优良的口罩佩戴检测器。

1 理论模型

1.1 残差网络

一般情况下网络越深，检测效果越好，但计算量大，网络很难训练成功。因此，对于深度神经网络难以训练的问题，微软实验室提出了残差网络模块（Residual）并丢弃了dropout机制。引入残差网络解决了超深网络参数优化困难，提高了超深网络的分类准确率，其内部的残差块使用了跳跃连接（shortcut），一定程度上解决了在深度神经网络中的梯度消失问题。……