一种基于轻量级深度学习模型的多类别框架，用于检测口罩佩戴情况

摘要

在健康敏感和依赖监控的环境中，口罩佩戴合规性的监测非常重要。本文介绍了一种基于深度卷积神经网络（DCNN）和先进的MobileNetV3模型的多类别口罩佩戴合规性检测系统。该系统针对的是一个更为复杂的三类别问题（正确佩戴口罩、错误佩戴口罩以及不佩戴口罩），而非传统的二分类口罩检测方法。实验使用了来自KAGGLE的2,079张图像构成的平衡定制数据集，这些图像经过人工审核，确保其质量高、一致性良好，并能充分代表所有类别，包括在以往研究中通常被忽视的错误佩戴口罩的情况。在三类别任务中，通过将原有的MobileNetV3架构中的最终分类层替换为一个包含256个神经元的全连接层以及一个三神经元softmax输出层来重新设计模型。同时添加了Squeeze-and-Excitation（SE）模块，以实现特征在通道层面的重新校准和视觉相关类别之间的更好区分。采用分层保留验证策略（训练集：验证集：测试集 = 70:15:15）来确保评估结果具有可靠的泛化能力。我们通过准确率、精确度、召回率、F1分数、特异性、Cohen Kappa系数和混淆矩阵等指标对模型进行了性能评估。除了与DCNN进行比较外，该模型还与包括MobileNetV2、VGG16和基于YOLO的模型在内的代表性轻量级及最先进框架进行了对比。MobileNetV3模型的准确率达到98.90%，F1分数为0.989，在更具挑战性的多类别合规性检测环境中表现出竞争力甚至更优。未来，研究将重点关注跨数据集验证、实时视频监控以及可解释人工智能技术的整合，以提升模型的实际应用效果。