基于改进Yolo算法的厨师头面部着装检测算法研究

作     者：陈晓虎 

作者单位：安徽建筑大学 

学位级别：硕士

导师姓名：张露;江舒

授予年度：2024年

学科分类：0832[工学-食品科学与工程（可授工学、农学学位）] 12[管理学] 120203[管理学-旅游管理] 1202[管理学-工商管理] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：室内目标检测 yolov5 初始锚框 聚类算法 注意力机制 数据平均保真度损失函数 

摘      要：在餐饮行业中,食品安全问题备受关注。二十大报告中更是把食品安全提升到战略的高度来规划部署。厨师是食品烹饪过程中不可或缺的角色,所以保障食品安全的第一道防线就在于厨师的卫生防护。虽然《食品安全国家标准》中明确规定厨师工作时必须遵守着装规范,但由于厨房中环境湿热度大,厨师通常会存在不规范佩戴防护口罩及防护帽的情况,其中防护口罩未完全遮住口鼻,防护帽未完全遮盖前额头发都属于不规范佩戴。着装不规范增加了唾沫体液传播疾病和头发掉落菜品中造成污染的风险,且由于病菌和毛发具有体积微小不易发现的特点,就使得对厨师着装规范的检测显得尤为重要。厨师着装的检测场景常处于人员较多的室内,传统的目标检测算法因受到人员设备的遮挡、光线的变化和厨师站姿角度变化的影响,导致目标识别精度低或者识别不到,增加了检测的难度。 yolov5是一种优秀的目标检测算法,具有高性能、多尺度检测、灵活训练和部署的优点,可以根据特定场景添加各种模块使目标检测更加适配。本研究基于yolov5目标检测算法,选取了防护帽和防护口罩作为研究对象,着重研究室内场景厨师着装的检测,旨在设计一种先进的目标检测算法,提高检测的精度,增加算法的鲁棒性。主要研究工作如下: (1)初始锚框的重新设定。原yolov5算法采用的是k-means聚类算法存在生成类别大小相差不明显、对脏数据敏感的缺陷。k-medoids聚类算法是k-means聚类算法的改进版,修复了上述问题。本研究采用了改进版的k-medoids聚类算法,对防护帽及防护口罩数据集进行重新聚类,生成更适用于防护帽及防护口罩目标检测的初始锚框。实验结果表明,在公共数据集VOC2012上,重新设定的初始锚框可使精准度P相较原模型提升了0.2%。 (2)SENet注意力机制的引入。原yolov5算法在检测对象识别面积小和识别区域存在相互遮挡时存在准确率不高的问题,SENet注意力机制能够在特征提取阶段增强检测目标的局部特征权重,有效弥补了原算法存在的不足。本研究在yolov5网络框架的C3模块中引入了SENet注意力机制,提升原算法的识别准确度,实验结果表明,在公共数据集VOC2012上,引入了SENet注意力机制后,精准度P相较原模型提升了0.5%。 (3)增加了DFL模块。原yolov5模型中,使用了二元交叉熵损失BCE作为分类损失函数,CIOU作为回归损失函数,存在当类别之间的边界不清晰或者数据分布不均衡时,BCE无法充分捕捉到类别之间的细微差别,导致分类性能受限,且CIOU计算开销较大。DFL模块能够对数量差异较大的类别起到均衡作用,从而增强了模型在训练阶段的学习效果,对最终的目标检测精度产生积极影响。本研究在yolov5模型的基础上,在CIOU回归损失函数的基础上增加了DFL模块。实验结果表明,在公共数据集VOC2012上,增加了DFL模块后,训练曲线相较原模型收敛的更快,学习效果更好。 将以上三点研究结论引入yolov5目标检测算法模型中,提出了改进的yolov5目标检测算法,该算法提高了原算法在识别面积小、识别区域存在相互遮挡时的识别准确率,对类别之间的边界不清晰、数据差异较大的数据进行了均衡,通过在公共数据集VOC2012上验证,改进的yolov5目标检测算法精准度P相较原模型提升了2.3%。 图[36]表[9]参[60]