Search

Es presenta el disseny i la implementació d’un sistema de detecció de cares amb i sense mascareta, preparat per poder ser exportat en diferents plataformes. S’ha desenvolupat amb TensorFlow i amb la llibreria OpenCV mitjançant els llenguatges de programació Python i C++. El model prèviament entrenat SSD MobileNet V2 FPNLite 320x320 ha estat la base de l’entrenament de la xarxa neuronal. L’entrenament s’ha dut a terme a partir d’una base d’imatges àmplia i diversa, construïda gràcies a la creació d’un procés automatitzat que, donades imatges de cares sense mascareta, es generen cares amb mascareta de diferents tipus, colors i contrasts. A més a més, s’ha augmentat aquesta base d’imatges amb altres processos automatitzats, com el canvi aleatori de la brillantor de la imatge o el redimensionament i col·locació de les cares amb mascareta generades sobre fons aleatoris. Aquestes accions permeten aconseguir més robustesa per a imatges amb múltiples il·luminacions, així com per a cares de diverses mides i col·locades en diferents parts de la imatge. La situació de la pandèmia de la COVID-19 fa que l’eina pugui tenir diverses aplicacions mentre l’ús de les mascaretes sigui obligatori en espais tancats. Des de control de l’entrada en una porta automàtica a aportar informació a una persona amb visibilitat reduïda. Se presenta el diseño y la implementación de un sistema de detección de caras con y sin mascarilla, preparado para poder ser exportado en diferentes plataformas. Se ha desarrollado con TensorFlow y con la librería OpenCV mediante los lenguajes de programación Python y C++. El modelo previamente entrenado SSD MobileNet V2 FPNLite 320x320 ha sido la base del entrenamiento de la red neuronal. El entrenamiento se ha llevado a cabo a partir de una base de imágenes amplia y diversa, construida gracias a la creación de un proceso automatizado que, dadas imágenes de caras sin mascarilla, se generan caras con mascarilla de diferentes tipos, colores y contrastes. Además, se ha aumentado esta base de imágenes con otros procesos automatizados como el cambio aleatorio del brillo de la imagen o el redimensionamiento y la colocación de las caras con mascarilla generadas sobre fondos aleatorios. Estas acciones permiten conseguir mas robustez para imágenes con múltiples iluminaciones, así como para caras de varios tamaños y colocadas en diferentes partes de la imagen. La situación de la pandemia de la COVID-19 hace que la herramienta pueda tener varias aplicaciones mientras el uso de las mascarillas sea obligatorio en espacios cerrados. Desde control de la entrada en una puerta automática a aportar información a una persona con visibilidad reducida. The design and implementation of a face wearing and not wearing a face mask detection system are presented, prepared to be exported for different platforms. It has been developed with TensorFlow and with the OpenCV library using the Python and C++ program languages. The pre-trained model SSD MobileNet V2 FPNLite 320x320 has been the basis of neural network training. The model has been trained from a wide and diverse dataset, built by the creation of an automated process which, given images of faces not wearing a face mask, generate faces wearing a face mask of different types, colors, and contrasts. In addition, this dataset has been increased with other automated processes, such as random change in image brightness or resizing and placing faces with a mask on random backgrounds. These actions provide more robustness for images with multiple illuminations, as well as for faces of various sizes and placed in different parts of the image. The situation of the COVID-19 pandemic makes the tool able to have several applications while the use of masks is mandatory in enclosed spaces. From input control on an automatic door to provide information to a person with reduced visibility. Objectius de Desenvolupament Sostenible::3 - Salut i Benestar