مشخصات پژوهش

عنوان	تشخیص و شناسایی چهره ماسک دار برپایه پردازش تصویر با تمرکز بر قسمت پوشیده نشده
نوع پژوهش	پایان نامه های تقاضا محور و غیر تقاضا محور
کلیدواژه‌ها	تشخیص چهره، ماسک صورت، پردازش تصویر، یادگیری عمیق
چکیده	در این مطالعه از شبکه‌های عصبی عمیق (DNN) برای تعیین صحیح افرادی که از ماسک استفاده می‌کنند، استفاده شده است. مدل شبکه های عصبی کانولوشنال مبتنی بر ناحیه سریعتر (R-CNN) برای آموزش داده ها با استفاده از دستگاه واحد پردازش گرافیکی (GPU) استفاده شده است. برای دستیابی به اهداف خود، از یک مدل تشخیص چند فازی استفاده کردیم: اول، برای برچسب زدن به ماسک صورت، و دوم برای تشخیص لبه و محاسبه پیش بینی لبه برای ناحیه صورت انتخابی در ماسک صورت. یافته‌های کنونی نشان داد که R-CNN سریع‌تر کارآمد و دقیق بوده و 97 درصد دقت را ارائه می‌دهد. زیان کلی پس از 200000 دوره 0.0503 است که روند کاهشی دارد. در حالی که ضرر در حال کاهش است، نتایج دقیق تری دریافت می کنیم. در نتیجه، تکنیک R-CNN سریعتر به طور موثر تشخیص می دهد که آیا فرد از ماسک صورت استفاده می کند یا نه، و دوره تمرین با دقت بهتر کاهش می یابد. در آینده، شبکه عصبی عمیق (DNN) ممکن است ابتدا برای آموزش داده‌ها و سپس فشرده‌سازی ابعاد ورودی برای اجرای آن بر روی دستگاه‌های کم‌مصرف استفاده شود و در نتیجه هزینه محاسباتی کمتری به همراه داشته باشد. سیستم پیشنهادی می‌تواند به دقت تشخیص چهره بالایی دست یابد و تخمین وضعیت صورت را بر اساس قانون مشخص شده به‌طور درست بدست آورد. الگوریتم یادگیری R-CNN سریعتر دقت بالایی را برمی‌گرداند و هزینه محاسباتی کمتر مدل بر روی GPU به دست می‌آید. ما از برنامه "برچسب-تصویر" برای برچسب گذاری عکس های استخراج شده از مجموعه داده استفاده می کنیم و 2Inception V از R-CNN سریعتر را برای تشخیص و طبقه بندی ماسک صورت اعمال می کنیم.
پژوهشگران	سیف اله سلیمانی (استاد راهنما)، ساجد روحی (دانشجو)