ارتداء الكمامة بشكل صحيح هو وسيلة فعالة للسكان للوقاية من كوفيد-19 والتعاون مع تدابير مكافحة الوباء الوطنية. لمواجهة مشكلات مثل ارتداء الكمامة بشكل غير صحيح، واختلاف زاوية التصوير، وحالات التغطية، تم اقتراح خوارزمية YOLOv7 محسّنة. هذه الخوارزمية مبنية على YOLOv7، مع إدخال آلية انتباه الالتفاف في منطقة الرأس (Head) للشبكة، مما يجعل شبكة الميزات أكثر تخصصًا في معالجة منطقة الكمامة ويُقوي قدرة الشبكة على تعلم خصائص هذه المنطقة؛ كما تم تحسين هيكل منطقة العمود الفقري (Backbone) عن طريق تعديل بنية شبكة ConvNeXt وإدخال مكونات بديلة للالتفاف في الشبكة، مما يُحسن دقة النموذج ومتانته، ويزيد من دقة التنبؤ دون إضافة حمل حسابي كبير. تم تحسين تجميع الهرم المكاني في طبقة الرأس، مما سرّع من سرعة التدريب وتسريع تقارب النموذج. أظهرت النتائج التجريبية أن دالة الخسارة لخوارزمية YOLOv7 المحسنة انخفضت بشكل كبير في الظروف المعقدة وعند وجود التغطية، وبالنسبة لمجموعة الاختبار كانت قيمة mAP 93.8%، بزيادة 3.6% مقارنة بالخوارزمية الأصلية. كما تحسنت دقة الكشف في جميع الفئات، حيث ارتفعت دقة فئة عدم ارتداء الكمامة بنسبة 6.8%، وارتفعت دقة ارتداء الكمامة بشكل صحيح بنسبة 2.1%، ودقة ارتداء الكمامة بشكل غير صحيح بنسبة 1.7%. انخفضت حالات الكشف الخاطئ بشكل ملحوظ، وزادت القدرة العامة على التعميم.

معالجة الصور;كشف الأهداف;خوارزمية YOLOv7;آلية الانتباه الالتفافي;تجميع الهرم المكاني