دانلود مقاله سیستم امنیتی تعبیه شده کم هزینه برای شناساگر ماسک صورت
چکیده
مقدمه
مطالعات مرتبط
روش پیشنهادی
نتیجه آزمایشی
نتیجه گیری
منابع
Abstract
Introduction
Related Works
Proposed Methodology
Experimental Result
Conclusions
References
چکیده
امروزه موثرترین روش برای مقابله با این ویروس استفاده از ماسک است. از این رو، پوشیدن ماسک مناسب در مکان‌های باز مانند فروشگاه‌های عمومی و مراکز خرید ضروری است. این مقاله یک روش جدید تشخیص ماسک صورت انسان را از توالی فریم های گرفته شده با پهپاد برای حل مشکل فوق پیشنهاد می کند. رویکرد پیشنهادی شامل یک مرحله آفلاین و یک مرحله استنتاج است. مرحله آفلاین ماسک یا بدون ماسک را با استفاده از یک شبکه عصبی کانولوشن تولید می کند. ما مدل خود را بر روی یک مجموعه داده ماسک صورت آموزش دادیم و این بهبود به سیستم پیشنهادی اجازه می‌دهد تا دقت بالایی در تشخیص افراد بدون نقاب به دست آورد. مرحله استنتاج از مدلی که قبلاً ایجاد شده است برای شناسایی انسان‌های بدون ماسک استفاده می‌کند و هشدار را به اینترنت اشیاء مبتنی بر تلفن هوشمند ارسال می‌کند. در این مرحله، جستون نانو برای پیاده‌سازی یک اپلیکیشن قدرتمند در زمان واقعی برای تشخیص ماسک صورت مبتنی بر پهپاد که با فریم‌های بالا در ثانیه اجرا می‌شود، استفاده شد. سیستم پیشنهادی افرادی را که ماسک نپوشیده اند نظارت و شناسایی می کند. همچنین، ما از تکنیک‌های اینترنت اشیا برای ارسال تصاویر و اعلان‌ها به نزدیک‌ترین ایستگاه پلیس استفاده کردیم تا در صورت شناسایی افراد بدون ماسک، گزارش شود. مشارکت اصلی در این مقاله در تنظیم یادگیری عمیق، پلتفرم‌های تعبیه‌شده، تکنیک‌های اینترنت اشیا و پهپاد Tello است که عموماً به شناسایی افراد بدون ماسک با هزینه کم اختصاص دارد. به طور متوسط، دقت تشخیص بر اساس ارزیابی تجربی مدل یادگیری عمیق پیشنهادی برای تشخیص ماسک صورت مبتنی بر پهپاد بر روی مجموعه داده ارائه شده، 99٪ است. به طور کلی، روش پیشنهادی می تواند به کاهش شیوع کووید 19 و سایر بیماری های قابل انتقال کمک کند.
توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.
Abstract
Nowadays, the most effective method against the virus is wearing a mask. Hence, it is fundamental to wear a mask appropriately at open places like general stores and shopping malls. This paper proposes a novel human face mask detection method from UAV-captured frame sequences to solve the aforementioned problem. The proposed approach involves an offline stage and an inference stage. The offline stage generates the mask or no-mask by utilizing a convolutional neural network. We trained our model on a face mask dataset, and this enhancement allows the suggested system to obtain high accuracy in detecting unmasked people. The inference stage uses the already generated model to detect no mask humans and sends the alert to the smartphone-based Internet of Things. At this stage, Jetson nano was used to implement an embedded powerful real-time application for UAV-based face mask detection that runs at high frames per second. The proposed system monitors and detects people who have not worn a mask. Also, we used IoT techniques to send the pictures and notifications to the nearest police station to apply forfeit when it detects unmasked people. The main contributions in this paper lie in adjusting the deep learning, embedded platforms, IoT techniques, and Tello drone, generally dedicated to detecting unmasked people at a low cost. On average, detection accuracy is 99% based on the experimental evaluation of the proposed deep learning model for UAV-based face mask detection on the provided dataset. Overall, the proposed method can help decrease the spread of COVID-19 and other transmissible diseases.
Introduction
COVID-19 pandemic has emerged in China, in December 2019. From there, the virus spread over the world, reaching nearly every country. World Health Organization (WHO) describes the two main factors that contribute to the spread of this infection as respiratory droplets and physical contact across people groups [1,2]. In the event that a tainted individual sneezes or coughs, respiratory droplets from other people in the vicinity (within 1 meter) may flow through the air and reach different surfaces that are closer. This illness can be found on almost any surface, which could lead to contact transmission.
Conclusions
This paper proposed a low-cost embedded security system to reduce the COVID-19-based UAV face mask detector by utilizing deep learning and IoT. The proposed intelligent security system may prevent people from removing their masks while doing their daily activities in public spaces. Mainly, humans without a mask in crowded places cause danger to all those in the area, especially since the coronavirus has been infected with people, and it is a dangerous disease. To solve this crisis, the custom deep learning model trained using the MobileNetV2 architecture to classify whether a human is wearing a mask or not. The trained model attained a classifier that is approximately 100% accurate. Then, we applied the mask detection model to real-time UAV videos by identifying faces in each frame. Additionally, this system is suitably associated with the internet to alert the system's owner based on IoT when an unmasked person is detected. Using MobileNetV2's architecture, the suggested face mask detector is computationally efficient and easy to execute on embedded devices like the Jetson nano.