图片来自 像素
新冠肺炎严重影响了整个世界。它对我们的日常生活产生了巨大的影响，这种危机与日俱增。在不久的将来，似乎很难彻底根除这种病毒。
为了对抗这种病毒，口罩已经成为我们生活中不可或缺的一部分。这些口罩能够阻止这种致命病毒的传播，这将有助于控制传播。随着我们开始在这个“新常态”的世界中前进，口罩的必要性增加了。因此，在这里，我们将建立一个模型，将能够分类的人是否戴着面具。这种模式可以用在拥挤的地方，如商场、公交车站和其他公共场所。
步骤 1:导入要使用的库:
import cv2,os
import numpy as np
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense, Activation, Dropout, Conv2D, Flatten, MaxPooling2Dfrom keras.callbacks import ModelCheckpoint
from sklearn.model_selection import train_test_split
from matplotlib import pyplot as plt
from keras.models import load_model
第二步:添加数据路径并标记类别:
为了建立这个模型，我们将使用由般若班达瑞提供的面具数据集。它由大约1376 张 图像与 690 张 图像包含带面具的人和 686 张 图像包含不带面具的人组成。
#*use the file path where your dataset is stored*
data_path = r'C:\Users\admin\Desktop\face mask detection\face-mask-detector\dataset'categories = os.listdir(data_path)
labels = [i for i in range(len(categories))]label_dict = dict(zip(categories,labels))
print(label_dict)
print(categories)
print(labels)
输出:-
(作者供图)
第三步:列出数据和目标:
img_size = 150
data = []
target = []for category in categories:
folder_path = os.path.join(data_path,category)
img_names = os.listdir(folder_path)
for img_name in img_names:
img_path = os.path.join(folder_path,img_name)
img = cv2.imread(img_path)
try:
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
resized = cv2.resize(gray,(img_size,img_size))
data.append(resized)
target.append(label_dict[category])
except Exception as e:
print("Exception: ",e)
形成的列表(数据和目标)被转换成 NumPy 数组，以便于数据预处理。数据阵列被重新整形，以便它可以作为输入提供给神经网络结构。之后，这些文件被保存为. npy 文件。
data = np.array(data)/255.0 #*data values are normalized*#*reshaping of data* data = np.reshape(data,(data.shape[0],img_size,img_size,1))target = np.array(target)
new_target = np_utils.to_categorical(target)#saving the files np.save('data',data)
np.save('target',new_target)
第四步:建立神经网络模型:
首先，我们将从上一步创建的文件中加载数据。然后我们正在使用卷积层和最大池层制作一个神经网络。最后，输出被平坦化，并被馈送到具有 50 个神经元的完全连接的密集层中，最后被馈送到具有 2 个神经元的层中，因为它将分别输出一个人戴面具或不戴面具的概率。
使用的神经网络模型(作者提供照片)
data = np.load('data.npy')
target = np.load('target.npy')model = Sequential()
model.add(Conv2D(200,(3,3),input_shape=data.shape[1:]))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2,2)))model.add(Conv2D(100,(3,3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2,2)))model.add(Flatten())
model.add(Dropout(0.5))
model.add(Dense(50,activation='relu'))
model.add(Dense(2,activation='softmax'))model.compile(optimizer='adam', loss='categorical_crossentropy', metrics = ['acc'])model.summary()
模型总结如下:
模型摘要(作者照片)
第四步:拆分数据和目标并放入模型:
然后将数据和目标划分为训练数据，测试数据保留 10%的数据作为测试数据，90%作为训练数据。
train_data, test_data, train_target, test_target = train_test_split(data, target, test_size=0.1)
创建一个检查点，它将保存模型，这将具有最小的验证损失。然后将训练数据拟合到模型中，以便在未来进行预测。
checkpoint=ModelCheckpoint('model-{epoch:03d}.model', monitor='val_loss', verbose = 0, save_best_only = True,mode='auto')history = model.fit(train_data,train_target,epochs = 20, callbacks = [checkpoint], validation_split = 0.2)
拟合模型后，绘制训练和验证数据的准确性和损失图表
plt.plot(history.history['acc'],'r',label='training accuracy')
plt.plot(history.history['val_acc'],'b',label='validation accuracy')
plt.xlabel('epochs')
plt.ylabel('accuracy')
plt.legend()
plt.show()plt.plot(history.history['loss'],'r',label='training loss')
plt.plot(history.history['val_loss'],'b',label='validation loss')
plt.xlabel('epochs')
plt.ylabel('loss')
plt.legend()
plt.show()
准确度图(作者提供照片)
损失图(作者照片)
我们可以看到一些过度拟合的迹象，可以通过调整参数来解决。否则，这个模型在实时情况下也能很好地工作。
注意:- 不用自己做神经网络 arch，可以使用互联网上的 arch，像 ResNets，MobileNetV2 等。他们一定会表现得很好。
现在，根据测试数据评估模型:
print(model.evaluate(test_data,test_target))
输出:
模型对测试数据的评估(作者照片)
我们可以看到，该模型对测试数据的准确率约为 93%，损失为 0.309。
现在我们可以实时应用这个模型了。
第六步:通过网络摄像头实时使用模型:
首先，通过回调加载保存为最佳模型的模型。现在我们将使用 Haar Cascade 分类器在视频的每一帧中查找人脸(*使用您存储 XML 文件的路径)。*另外，为两个不同的类别制作标签和颜色字典，即蒙版和无蒙版。
可以从下面的 链接 下载 XML 文件。
model = load_model('model-017.model') *#load the best model*faceCascade=cv2.CascadeClassifier(r'C:\Users\admin\Desktop\capstone\HaarCascade\haarcascade_frontalface_default.xml')video_capture = cv2.VideoCapture(0) *#starts the webcam*
labels_dict = {0:'NO MASK',1:'MASK'}
color_dict = { 0:(0,0,255),1:(0,255,0)}
在一个无限循环中，从视频流中捕获每一帧，并将其转换为灰度以便更好地处理，然后应用级联来找到 ROI(感兴趣的区域)，在我们的 case- faces 中。调整每个 ROI 图像的大小并使其正常化，然后将其交给模型进行预测。通过这个，你将得到有无屏蔽的概率。选择概率较高的一个。在脸部周围画一个框，也表示一个人有没有戴面具。要关闭网络摄像头，请按 Esc 按钮。
while(True):
ret,frame = video_capture.read()
gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
faces = faceCascade.detectMultiScale(gray,1.3,5)
for x,y,w,h in faces:
face_img = gray[y:y+w,x:x+h]
resized = cv2.resize(face_img,(img_size,img_size))
normalized = resized/255.0
reshaped = np.reshape(normalized,(1,img_size,img_size,1))
result = model.predict(reshaped)
label = np.argmax(result,axis=1)[0]
cv2.rectangle(frame,(x,y),(x+w,y+h),color_dict[label],2)
cv2.putText(frame,labels_dict[label],(x,y-10),cv2.FONT_HERSHEY_SIMPLEX,0.8,(255,255,255),2)
cv2.imshow('Video',frame)
key=cv2.waitKey(1)
if(key==27):
break;
cv2.destroyAllWindows()
video_capture.release()
模型的样本输出
万岁！！我们开发了一个模型，可以描述一个人是否戴了面具。这些类型的模型可以在公共场所实施，这将有助于当局容易地监测情况。我希望你喜欢制作这个模型，并愿意在未来看到更多…:)