Resumen

La aparición frecuente y la existencia a largo plazo de enfermedades respiratorias como el COVID-19 y la gripe exigen que los conductores de autobuses lleven correctamente la mascarilla durante la conducción. Para detectar rápidamente si la máscara se lleva correctamente en dispositivos con recursos limitados, se propone una red ligera de detección de objetivos SAI-YOLO. Basada en YOLOv4-Tiny, la red incorpora la estructura de Inception V3, sustituye dos módulos CSPBlock por los módulos RES-SEBlock para reducir el número de parámetros y la dificultad computacional, y añade un módulo de atención por bloques convolucional y un módulo de exprimido y excitación para extraer información de características clave. Además, se introduce una función de activación ReLU modificada (M-ReLU) para sustituir la función Leaky_ReLU original. Los resultados experimentales muestran que SAI-YOLO reduce el número de parámetros de la red y la dificultad de cálculo y mejora la velocidad de detección de la red, manteniendo cierta precisión de reconocimiento. La precisión media (mAP) para la detección de rostros con máscara alcanza el 86 y la precisión media (AP) para la detección normativa con máscara alcanza el 88%. En el dispositivo Raspberry Pi 4B, de recursos limitados, el tiempo medio de detección después de la aceleración es de 197 ms, lo que cumple los requisitos reales de la aplicación.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:máscara, tiempo medio de detección, información de características clave, módulo de atención por bloques, dispositivo restringido raspberry, significa precisión media, número de red, requisitos reales de aplicación, red de detección de objetivos, dispositivo raspberry pi
• Keywords:mask, average detection time, key features information, block attention module, constrained device raspberry, means average precision, number of network, actual application requirements, target detection network, device raspberry pi