XÂY DỰNG MÔ HÌNH HỌC SÂU NHẬN DẠNG NGƯỜI KHÔNG ĐEO KHẨU TRANG | Thu | TNU Journal of Science and Technology

XÂY DỰNG MÔ HÌNH HỌC SÂU NHẬN DẠNG NGƯỜI KHÔNG ĐEO KHẨU TRANG

Thông tin bài báo

Ngày nhận bài: 10/03/22                Ngày hoàn thiện: 23/05/22                Ngày đăng: 25/05/22

Các tác giả

1. Ma Thị Hồng Thu Email to author, Trường Đại học Tân Trào
2. Nguyễn Thị Ngọc Anh, Trường Ngoại Ngữ - ĐH Thái Nguyên

Tóm tắt


Hiện nay, dịch Covid-19 đã và đang gây ra những ảnh hưởng không nhỏ đến sức khỏe, kinh tế và xã hội ở nhiều nước trên thế giới cũng như Việt Nam. Đây là mối quan tâm hàng đầu của WHO cũng như các trung tâm kiểm dịch của các quốc gia. Do đó, nhận dạng người không đeo khẩu trang là một trong những yếu tố tiên quyết để phòng chống sự lây lan của virus. Trong bài báo này chúng tôi trình bày một hệ thống nhận dạng người không đeo khẩu trang trong thời gian thực dựa trên học sâu. Hệ thống của chúng tôi bao gồm hai mô hình chính là mô hình RetinaFace và CNN nhẹ. Mô hình RetinaFace có nhiệm vụ trích xuất ra khuôn mặt từ dữ liệu đầu vào là camera. Mô hình CNN nhẹ được đề xuất nhằm nhận dạng người không đeo khẩu trang từ khuôn mặt được trích xuất từ mô hình RetinaFace. Kết quả thử nghiệm cho thấy mô hình CNN nhẹ đạt hiệu suất 96,88% độ chính xác trên tập dữ liệu thử nghiệm. Bên cạnh đó, so sánh với các hệ thống hiện có trên thực tế, hệ thống được chúng tôi đề xuất có nhiều ưu điểm hơn về độ chính xác, thời gian phân tích và trả kết quả, chi phí xây dựng, bảo trì hệ thống.

Từ khóa


Học sâu; Nhận dạng người không đeo khẩu trang; Mạng tích chập; Covid-19; Nhận dạng khuôn mặt

Toàn văn:

PDF

Tài liệu tham khảo


[1] T. Phong, P. Phuong, T. My. "Cough reftlex: reason and mechanism” 2020-06-02. [Online]. Available: https://www.dieutri.vn/trieuchungnoi/phan-xa-ho-tai-sao-va-co-che-hinh-thanh. [Accessed Jan. 07, 2022].

[2] L. Li et al., "A review of face recognition technology," Proceedings of the IEEE/CVF International Conference on Computer Vision, access 8, 2020, pp. 139110-139120.

[3] S. -H. Lin, "An introduction to face recognition technology," Informing Sci. Int. J. an Emerg. Transdiscipl, vol. 3, pp. 1-7, 2000.

[4] K. He et al., “Deep residual learning for image recognition,” Proceedings of the IEEE/CVPR Conference on Computer Vision and Pattern Recognition, 2016, pp. 770-778.

[5] M. Tan and Q. Le, “Efficientnet: Rethinking model scaling for convolutional neural networks,” International conference on machine learning, PMLR, 2019, pp. 6105-6114.

[6] J. Redmon and A. Farhadi, “YOLO9000: better, faster, stronger,” Proceedings of the IEEE/CVPR Conference on Computer Vision and Pattern Recognition, 2017, pp. 7263-7271.

[7] T. Y. Lin et al., “Focal loss for dense object detection,” Proceedings of the IEEE/CVF International Conference on Computer Vision, 2017, pp. 2980-2988.

[8] D. Q. Vu, N. Le, and J. C. Wang, “Teaching yourself: A self-knowledge distillation approach to action recognition,” IEEE Access, vol. 9, pp. 105711-105723, 2021.

[9] D. Q. Vu et al., “A Novel Self-Knowledge Distillation Approach with Siamese Representation Learning for Action Recognition,” Proceedings of the IEEE/VCIP International Conference on Visual Communications and Image Processing, 2021, pp. 1-5.

[10] A. Howard et al., “Searching for mobilenetv3,” Proceedings of the IEEE/CVF International Conference on Computer Vision, 2019, pp. 1314-1324.

[11] N. Ma, Ningning et al., “Shufflenet v2: Practical guidelines for efficient cnn architecture design,” Proceedings of the European conference on computer vision (ECCV), 2018, pp. 116-131.

[12] J. Deng et al., "Retinaface: Single-stage dense face localisation in the wild," Proceedings of the IEEE/CVPR Conference on Computer Vision and Pattern Recognition, 2020, pp. 5203-5212.

[13] Jain, K. Anil, and S. Z. Li, Handbook of face recognition, vol. 1. New York: Springer, 2011.

[14] Q. Luu. “Using the robot to detect human without wearing mask”, 2020. [Online]. Available: https://vnexpress.net/dung-robot-de-phat-hien-nguoi-khong-deo-khau-trang-4099618.html. [Accessed Jan. 12, 2022].

[15] "Open source library - OpenCV”, 1999. [Online]. Available: https://opencv.org/. [Accessed Jan. 12, 2022].

[16] Sakai, T., Kanade, T., Nagao, M., & Ohta, Y. I. “Picture processing system using a computer complex”, Computer Graphics and Image Processing, 2(3-4), 1973, pp. 207-215.

[17] K. Zhang et al., "Joint face detection and alignment using multitask cascaded convolutional networks," IEEE Signal Processing Letters, vol. 23, no. 10, pp. 1499-1503, 2016.

[18] S. Ioffe and C. Szegedy, "Batch normalization: Accelerating deep network training by reducing internal covariate shift," International conference on machine learning, PMLR, 2015, pp. 448-456.

[19] A. Krizhevsky, I. Sutskever, and G. E. Hinton, "Imagenet classification with deep convolutional neural networks," Advances in neural information processing systems, vol. 25, pp. 84-90, 2012.

[20] K. Simonyan and A. Zisserman, "Very deep convolutional networks for large-scale image recognition," Proceedings of the International Conference on Learning Representations, 2015, pp.1-14.




DOI: https://doi.org/10.34238/tnu-jst.5667

Các bài báo tham chiếu

  • Hiện tại không có bài báo tham chiếu
Tạp chí Khoa học và Công nghệ - Đại học Thái Nguyên
Phòng 408, 409 - Tòa nhà Điều hành - Đại học Thái Nguyên
Phường Tân Thịnh - Thành phố Thái Nguyên
Điện thoại: 0208 3840 288 - E-mail: jst@tnu.edu.vn
Phát triển trên nền tảng Open Journal Systems
©2018 All Rights Reserved