王福康，閆存瑩，田存?zhèn)?/p>

（聊城大學(xué)物理科學(xué)與信息工程學(xué)院，聊城 252059）

0 引言

近年來，由于全球疫情的蔓延，全球社會(huì)都處于一種極度重視個(gè)人健康的狀態(tài)下，我國也積極地采用常態(tài)化防控舉措，使我國疫情的蔓延趨勢得到極大緩解。而佩戴口罩作為一種經(jīng)濟(jì)且安全的有效防護(hù)方式，也逐漸成為了人們外出、工作時(shí)的一種行為習(xí)慣，不僅保護(hù)了自己安全，同時(shí)也給別人帶來了方便。因此，一種更加智能化的口罩檢測方法，成為了一種新興的研究熱點(diǎn)，在當(dāng)前世界處于疫情的大環(huán)境下，它的重要意義不言而喻。

口罩檢測作為目標(biāo)檢測的一種，其發(fā)展趨勢也在不斷進(jìn)行改善。傳統(tǒng)的目標(biāo)檢測任務(wù)，通常是通過區(qū)域選擇、人工提取特征，然后根據(jù)特定的檢測方法來進(jìn)行識(shí)別［1］。通過滑動(dòng)窗口等方式，根據(jù)目標(biāo)顏色、紋理、色度等特征，通過一些典型提取算法，比如梯度直方圖（histogram of oriented gradients，HOG）等，然后采用分類器進(jìn)行分類，比如支持向量機(jī)（SVM）進(jìn)行分類［2］。這種情況下的設(shè)計(jì)過程較為復(fù)雜，且準(zhǔn)確率不高，泛化性較差，實(shí)用性不高。隨著2006年以來神經(jīng)網(wǎng)絡(luò)算法思想的發(fā)展，因其本身具有較強(qiáng)的特征學(xué)習(xí)能力，極大地節(jié)省了人工提取特征這一步驟，使得目標(biāo)檢測這一方向無論是在實(shí)時(shí)性還是在準(zhǔn)確性上都有了很大提升。目標(biāo)檢測大致上分為兩種，一種是兩階段目標(biāo)檢測算法，另一種是單階段目標(biāo)檢測算法［3］。兩階段目標(biāo)檢測算法的第一階段是生成可能包含目標(biāo)的候選區(qū)域，第二階段則是對候選區(qū)域的目標(biāo)進(jìn)行校準(zhǔn)分類，然后得出結(jié)果，其經(jīng)典算法包括Girshick 等［4］提出的R-CNN（region-CNN）、Fast RCNN［5］、Faster RCNN［6］；而單階段目標(biāo)檢測算法是直接對輸入圖像進(jìn)行處理，省去提取候選框這一步驟，得到最終檢測結(jié)果，常見的為YOLO系列算法。2015年YOLOv1［7］首先被提出，它與Faster RCNN 類似，將圖片輸入后，在輸出層上直接確定邊界框以及分類；Redmon 等［8］在2017年提出了YOLOv2 算法，它采用了批量歸一化、高分分類器和先驗(yàn)框等策略，提升了識(shí)別事物的數(shù)量以及識(shí)別準(zhǔn)確率。后面經(jīng)過改進(jìn)的YOLOv3結(jié)構(gòu)，更是引入了特征金字塔結(jié)構(gòu)網(wǎng)絡(luò)（feature pyramid network，F(xiàn)PN）［9］，它可以融合三個(gè)不同尺寸大小的特征圖層，并且可以通過改變網(wǎng)絡(luò)結(jié)構(gòu)，使計(jì)算速度和準(zhǔn)確率大幅提高。YOLOv4［10］算法在通過輸入網(wǎng)絡(luò)分辨率以及卷積網(wǎng)絡(luò)層數(shù)和參數(shù)等方面，使用多種數(shù)據(jù)增強(qiáng)技術(shù)進(jìn)行不斷調(diào)試，得出最佳平衡。YOLOv5 則是在YOLOv4 的基礎(chǔ)上進(jìn)行改進(jìn)，在輸入端通過數(shù)據(jù)加載器進(jìn)行圖像傳遞，在靈活性與訓(xùn)練速度上要優(yōu)于YOLOv4。

對于口罩檢測問題，已有多位學(xué)者進(jìn)行過研究。文獻(xiàn)［11］在YOLOv3的基礎(chǔ)上，對空間金字塔結(jié)構(gòu)進(jìn)行改進(jìn)，替換損失函數(shù)，相較于YOLOv3，其準(zhǔn)確率提升14.9%；文獻(xiàn)［12］通過YOLOv3 和YcrCb 相結(jié)合的方式，把識(shí)別率提升到82.48%；文獻(xiàn)［13］通過在原YOLOv4 的基礎(chǔ)上，加入注意力機(jī)制，復(fù)用空間金字塔池化方法，提升感受野提取并融合空間特征能力，使其在口罩檢測的任務(wù)中平均準(zhǔn)確率均值達(dá)到94.81%。

本文考慮為了使模型能夠適應(yīng)移動(dòng)端設(shè)備，提出一種輕量化YOLOv5的檢測模型，通過改變網(wǎng)絡(luò)深度、替換特征提取結(jié)構(gòu)等方法，把浮點(diǎn)數(shù)壓縮為原來的四分之一，并且使模型大小壓縮至原來的37.5%，使其在不改變網(wǎng)絡(luò)檢測性能的前提下，大大提高算法模型的可移植性，來提升口罩識(shí)別的檢測效率。

1 理論部分

1.1 YOLOv5算法原理

YOLOv5 算法是YOLO 系列的第五代目標(biāo)檢測網(wǎng)絡(luò)［14］，它是在YOLOv3 以及YOLOv4 算法的基礎(chǔ)上加以改進(jìn)而產(chǎn)生的最新YOLO 模型，并且它提出了四個(gè)版本，即YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，這四個(gè)版本的精度大小依次遞增。其詳細(xì)參數(shù)如表1所示。

表1 各版本參數(shù)

本文的主要?jiǎng)?chuàng)新點(diǎn)在于使YOLO 模型輕量化，主要采用精度較小的YOLOv5s版本，在其基礎(chǔ)上進(jìn)一步改進(jìn)結(jié)構(gòu)，讓模型能夠在資源有限的移動(dòng)終端上使用。YOLOv5s模型，也是經(jīng)歷了幾次版本更迭，現(xiàn)在的較新版本是YOLOv5s-5.0，這一版本主要是將原來的瓶頸層（BottleneckCSP）模塊轉(zhuǎn)變?yōu)镃3模塊。C3模塊相對于原BottleneckCSP 模塊主要改動(dòng)了兩部分，把經(jīng)歷過殘差輸出后的Conv 模塊去掉，concat 后的標(biāo)準(zhǔn)卷積模塊中的激活函數(shù)也由LeakyRelu 變?yōu)镾iLU。YOLOv5s 模型結(jié)構(gòu)如圖1所示，其中的CBS 為卷積模塊，Res unit為殘差模塊，CSP1_X即由原BottleneckCSP 模塊修改而成的C3 模塊，CSP2_X 不包含殘差模塊，全部由卷積模塊構(gòu)成，SPP采用1x1，5x5，9x9，13x13的最大池化方式，是進(jìn)行多尺度融合模塊，F(xiàn)OCUS 模塊是將輸入進(jìn)行Slice 切片操作，然后送入CBS 模塊中。具體網(wǎng)絡(luò)結(jié)構(gòu)以及模塊視圖分別如圖1、圖2所示。

圖1 YOLOv5s網(wǎng)絡(luò)結(jié)構(gòu)

圖2 YOLOv5s網(wǎng)絡(luò)結(jié)構(gòu)各模塊視圖

1.2 GhostBottleneck 模塊

GhostBottleneck 模塊是根據(jù)GhostNet 模型中的“幻影卷積”（GhostConv）所設(shè)計(jì)。Ghost-Net［15］是一種新型端側(cè)神經(jīng)網(wǎng)絡(luò)架構(gòu)，它由華為諾亞方舟實(shí)驗(yàn)室提出。在提出時(shí)，作者認(rèn)為在提取的特征中會(huì)含有大量的冗余特征圖，為了保證對輸入數(shù)據(jù)有詳細(xì)的特征理解，于是在提取時(shí)，并不是所有特征圖都要通過卷積操作得到，對于冗余的特征圖可以通過更簡單的線性變換解決，因此提出了GhostConv，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 GhostConv 結(jié)構(gòu)圖

其中Ghost 模塊采用了深度卷積（Depthwise Convolution）作為更價(jià)廉的線性變換。分組卷積使通道間的相關(guān)性得到消除，使得當(dāng)前通道特征僅與自身相關(guān)，顯著降低了參數(shù)以及計(jì)算量。

在GhsotConv 中，假設(shè)對于給定的數(shù)據(jù)X∈R(h×w×c)，其中h和w表示輸入的高度和寬度，c表示輸入通道數(shù)，分別用于生成n個(gè)特征圖的普通卷積運(yùn)算如公式（1）所示：

其中Y∈R(h'×w'×n)是生成的n個(gè)通道，大小為h'×w'的特征圖，*為卷積運(yùn)算，f∈R(c×k×k×n)是卷積核大小為k×k的卷積運(yùn)算，b為偏置項(xiàng)。卷積過程中，由于存在的通道數(shù)和卷積核數(shù)量非常大，引起的FLOPs 數(shù)量也非常多，由卷積層生成的特征圖會(huì)存在很多冗余，并且一些特征圖十分相似，可以理解為部分特征圖是由一次卷積運(yùn)算生成的，假設(shè)m個(gè)特征圖由一次運(yùn)算生成，那么此時(shí)的卷積運(yùn)算如公式（2）所示：

為了簡單起見，把偏置項(xiàng)b省略，這里f'∈R(c×k×k×m)，且m?n，為了使輸出特征圖大小一致，進(jìn)一步獲得所需要的n個(gè)特征圖，提出把Y'中的特征圖用一系列線性運(yùn)算，生成s個(gè)幻影特征圖，線性運(yùn)算如公式（3）所示：

其中y'i是Y'的第i個(gè)特征圖，Φi,j表示第j個(gè)線性運(yùn)算，每個(gè)Y'中的特征圖都通過線性變換Φi,j得到GhostConv 輸出特征圖集合Y中的s個(gè)幻影特征圖。

使用GhostConv 構(gòu)建GhostBottleneck 模塊，其GhostBottleneck網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 GhostBottleneck 模塊網(wǎng)絡(luò)結(jié)構(gòu)

1.3 深度可分離卷積

深度可分離卷積［16］（Depthwise Separable Convolution，DSConv）由逐通道卷積（Depthwise Convolution，DWConv）和逐點(diǎn)卷積（Pointwise Convlution，PWConv）兩部分組成。與普通卷積操作不同，普通卷積的卷積核同時(shí)作用于每一個(gè)通道，而DWConv 的一個(gè)卷積核只負(fù)責(zé)一個(gè)通道，也就是一個(gè)通道只被一個(gè)卷積核卷積，因此卷積核數(shù)量也與上一個(gè)通道數(shù)相同；PW 的卷積核尺寸為1*1*M，M表示上一層的通道數(shù)量，上一層的MAP 也就在這里進(jìn)行深度方向的加權(quán)組合，生成新的特征圖。圖5所示為深度可分離卷積的網(wǎng)絡(luò)結(jié)構(gòu)圖。

圖5 深度可分離卷積網(wǎng)絡(luò)結(jié)構(gòu)

2 輕量型YOLOv5s-Ghost算法

2.1 構(gòu)建YOLOv5s-Ghost網(wǎng)絡(luò)結(jié)構(gòu)

在口罩檢測模型的選擇上，將YOLOv5s 網(wǎng)絡(luò)作為基礎(chǔ)網(wǎng)絡(luò)，根據(jù)1.1 節(jié)和1.2 節(jié)的內(nèi)容，采用GhostBottleneck 模塊替換YOLOv5s 原始特征提取網(wǎng)絡(luò)中的C3 模塊，并采用深度可分離卷積替換除輸入端卷積層外的其余卷積層，得到本文所采用的YOLOv5s-Ghost 網(wǎng)絡(luò)，其主干網(wǎng)絡(luò)參數(shù)具體如表2所示。

表2 YOLOv5s-Ghost主干網(wǎng)絡(luò)參數(shù)

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)環(huán)境

所采用的實(shí)驗(yàn)平臺(tái)如表3所示。

表3 實(shí)驗(yàn)平臺(tái)

3.2 獲取數(shù)據(jù)集

實(shí)驗(yàn)所采用的數(shù)據(jù)集來自于現(xiàn)場拍攝、人群圖像采集以及部分網(wǎng)絡(luò)收集，一共有2000 張包含佩戴口罩以及未佩戴口罩的圖像，并且部分圖像中包括多個(gè)檢測目標(biāo)。將其中1200 張圖像作為訓(xùn)練數(shù)據(jù)集，400張圖像作為測試數(shù)據(jù)集，400張圖像作為驗(yàn)證數(shù)據(jù)集。全部數(shù)據(jù)格式均采用PASCAL VOC格式，部分?jǐn)?shù)據(jù)集如圖6所示。

圖6 部分?jǐn)?shù)據(jù)集樣本實(shí)例

3.3 數(shù)據(jù)預(yù)處理

在數(shù)據(jù)處理部分，本文使用Labellmg 軟件將戴口罩與未戴口罩的圖像分別進(jìn)行標(biāo)注，其中戴口罩的圖像標(biāo)為mask，未戴口罩的圖像標(biāo)為face。標(biāo)簽收集到的數(shù)據(jù)用txt 文本格式表示，格式內(nèi)容為（class_id，x，y，w，h），其中class_id表示類別種類，本文共有兩類，因此class_id 取值0 或1。x，y，w，h都是歸一化后的位置參數(shù)，以原圖像左上角為原點(diǎn)，x表示標(biāo)簽錨框橫軸中心點(diǎn)與原圖像寬度的比值，y表示標(biāo)簽錨框縱軸中心點(diǎn)與原圖像高度的比值，w表示標(biāo)簽錨框?qū)挾扰c原圖像寬度的比值，h表示標(biāo)簽錨框高度與原圖像高度的比值。

將數(shù)據(jù)集的圖像進(jìn)行resize 操作，使得圖片輸入大小均設(shè)置為640×640，并且采用Mosaic方法進(jìn)行數(shù)據(jù)增強(qiáng)。Mosaic 數(shù)據(jù)增強(qiáng)［17］的原理是將一張選定的圖片和隨機(jī)的三張圖片進(jìn)行裁剪，然后將其拼接到一張圖上進(jìn)行訓(xùn)練。這樣做的好處是間接提高了圖片的batch_size，使得模型在訓(xùn)練的時(shí)候不會(huì)過多依賴一次訓(xùn)練所抓取的樣本數(shù)量，使得模型的魯棒性得到提高。

3.4 網(wǎng)絡(luò)訓(xùn)練

在模型的訓(xùn)練過程中，使用損失函數(shù)Loss表示該模型性能的優(yōu)劣。Loss 越小，模型的檢測性能越好；Loss 越大，模型的檢測性能越差。本文實(shí)驗(yàn)的epoch 為100，batch-size 設(shè)置為4，即將全部的數(shù)據(jù)樣本訓(xùn)練100次，每一次訓(xùn)練時(shí)再分為25 批次（batch）進(jìn)行，每一批次數(shù)據(jù)量的大?。╞atch-size）為4。在模型中初始設(shè)置學(xué)習(xí)率為0.01。圖7展示了YOLOv5s-Ghost 模型在驗(yàn)證集上定位損失、置信度損失和分類損失的損失函數(shù)變化情況。

圖7 YOLOv5s-Ghost模型的損失函數(shù)變化情況

圖7所示橫坐標(biāo)為訓(xùn)練的epoch 輪數(shù)，單位為輪次；縱坐標(biāo)依次為定位損失函數(shù)值、置信度損失函數(shù)值以及分類損失函數(shù)值，其函數(shù)值大小均在0～1 區(qū)間內(nèi)?？梢钥吹剑Ｐ蛷拈_始到第10 epoch，損失函數(shù)曲線急劇下降，從第10 epoch 到第50 epoch 時(shí)緩慢下降，從第50 epoch 到第100 epoch 趨于穩(wěn)定。定位損失在0.045 時(shí)達(dá)到最優(yōu)值，置信度損失在0.033 時(shí)達(dá)到最優(yōu)值，分類損失在0.002時(shí)達(dá)到最優(yōu)值。

3.5 模型的評價(jià)指標(biāo)

YOLOv5s-Ghost 模型的評價(jià)指標(biāo)主要有三種，精度（Precision）、召回率（Recall）與均值平均精確度（mAP_0.5、和mAP_0.5:0.95）。

精度和召回率主要由TP、FP、TN、FN 計(jì)算得出。TP是指被模型預(yù)測為正類的正樣本（真正例），F(xiàn)P是指被模型預(yù)測為正類的負(fù)樣本（假正例），TN是指被模型預(yù)測為負(fù)類的負(fù)樣本（真反例），F(xiàn)N是指被模型預(yù)測為負(fù)類的正樣本（假反例）。根據(jù)本文的實(shí)驗(yàn)指標(biāo)，TP指預(yù)測為戴口罩實(shí)際上也是戴口罩的樣本，F(xiàn)P指預(yù)測為戴口罩實(shí)際上未戴口罩的樣本，TN指預(yù)測為未戴口罩實(shí)際上也是未帶口罩的樣本，F(xiàn)N指預(yù)測為未戴口罩實(shí)際上戴口罩的樣本。AP表示平均精度，它指某一類在所有召回率的可能取值下對全部精度取平均值，在圖像上表示的是PR曲線下的面積，衡量訓(xùn)練好的模型在某一類別下的好壞；mAP即在所有類別下的AP取平均值，衡量模型在所有類別上的好壞。其中精度、召回率、平均精度和均值平均精度的計(jì)算方式依次如公式（5）、公式（6）、公式（7）、公式（8）所示。

而mAP_0.5 和mAP_0.5:0.95 指的是mAP 分別在置信度閾值為0.5 和從0.5 到0.95 的情況下的均值平均精度。置信度閾值即預(yù)測框與真實(shí)框之間的重疊程度，用IoU 表示。當(dāng)IoU=1 時(shí)，表示預(yù)測框與真實(shí)框完全重合。

3.6 結(jié)果分析

為了驗(yàn)證本文所提出的YOLOv5s-Ghost 算法具有更好的識(shí)別效果，使用本數(shù)據(jù)集分別在YOLOv5s、YOLOv5l、YOLOv5s-MobileNetV3［18］、YOLOv5s-Ghost 四種不同的算法上進(jìn)行對比實(shí)驗(yàn)。其中MobileNetV3 是谷歌提出的一種輕量化網(wǎng)絡(luò)模型，此模型加入了注意力機(jī)制，并且將激活函數(shù)設(shè)為h-swish［x］。實(shí)驗(yàn)結(jié)果分別用3.5節(jié)提到的指標(biāo)來評價(jià)，其具體結(jié)果如表4所示。

表4 不同模型性能對比

由表4可以看出，當(dāng)采用算法為YOLOv5l時(shí)，其精確度、召回率和mAP值會(huì)比YOLOv5s稍大，性能參數(shù)更高一些，但其浮點(diǎn)數(shù)是YOLOv5s模型的9.8倍，參數(shù)量為9.9倍，模型的體積大小也是9.6 倍，因此考慮到在資源有限的移動(dòng)設(shè)備上實(shí)現(xiàn)模型的移植，YOLOv5s 無疑是更加優(yōu)秀、便捷的。

當(dāng)確定采用YOLOv5s 模型后，對其主干網(wǎng)絡(luò)進(jìn)行進(jìn)一步優(yōu)化，通過實(shí)驗(yàn)查看其優(yōu)化效果。本文通過把其主干網(wǎng)絡(luò)替換為GhostBottleneck 和MobileNetV3 進(jìn)行測試。由表4所示：發(fā)現(xiàn)當(dāng)主干網(wǎng)絡(luò)為GhostBottleneck時(shí)，其精確度相較于YOLOv5s 來說大致不變，召回率大約低0.5%，mAP值低0.1%；而主干網(wǎng)絡(luò)采用Mobile-NetV3 時(shí)，其精確度相較于YOLOv5s 大約低4.3%，召回率大約低4.2%，mAP值也是大約低2.9%。因此基于YOLOv5s 模型作比較，YOLOv5s-Ghost 比YOL0v5s-MobileNetV3 表現(xiàn)要更好一些。YOL0v5s-MobileNetV3 模型的計(jì)算量是YOLOv5s-Ghost 模型的1.43 倍，參數(shù)量是后者的2.19 倍，體積是后者的2.03 倍。因此在輕量化模型的部署上，YOLOv5s-Ghost 無疑是更好的選擇。

3.7 效果圖對比

本文采用YOLOv5s 模型和YOLOv5s-Ghost模型的測試效果圖進(jìn)行分析。通過圖8可以看出，在預(yù)測距采集設(shè)備較近位置的目標(biāo)時(shí)，兩種模型的檢測準(zhǔn)確率都在70%、80%左右；而在預(yù)測中等距離的目標(biāo)時(shí)，YOLOv5s 模型的準(zhǔn)確率在60%左右，而YOLOv5s-Ghost 模型的準(zhǔn)確率卻在30%左右；在預(yù)測較遠(yuǎn)距離的目標(biāo)時(shí)，兩模型的準(zhǔn)確率分別在30%以及40%左右。由此大致可以看出，YOLOv5s-Ghost 模型通過犧牲預(yù)測中遠(yuǎn)位置時(shí)的準(zhǔn)確度來換取了更加輕量化的體積大小。因此，提升中遠(yuǎn)距離目標(biāo)的預(yù)測準(zhǔn)確度，是未來需要加以改進(jìn)的方向。

圖8 YOLOv5s和YOLOv5s-Ghost測試效果圖

4 結(jié)語

本文提出了一種輕量化YOLOv5算法的口罩檢測模型，通過降低算法深度，采用Ghost-Bottleneck模塊來替換原始的C3模塊，采用深度可分離卷積替換除輸入端卷積層外的其余卷積層，得到Y(jié)OLOv5s-Ghost 算法。實(shí)驗(yàn)結(jié)果表明，本算法在大致保持評價(jià)指標(biāo)不降低的情況下，大大減少了浮點(diǎn)數(shù)的計(jì)算以及模型的參數(shù)量，更是將模型大小縮小至原來的37.5%，使其可以更好地在資源有限的移動(dòng)端設(shè)備上進(jìn)行部署，基本滿足了現(xiàn)在用于口罩檢測的均值精度需求。而在檢測相對遠(yuǎn)距離的目標(biāo)時(shí)，未來還會(huì)繼續(xù)探索更加優(yōu)化的算法。