Das richtige Tragen von Masken ist eine effektive Methode für Bewohner, um sich vor COVID-19 zu schützen und die nationalen Pandemiebekämpfungsmaßnahmen zu unterstützen. Um Probleme wie falsches Maskentragen, unterschiedliche Aufnahmewinkel und Verdeckungen zu adressieren, wurde ein verbesserter YOLOv7-Algorithmus vorgeschlagen. Der Algorithmus basiert auf YOLOv7 und führt im Head-Bereich des Netzwerks einen Faltungs-Attentionsmechanismus ein, der das Merkmalsnetzwerk gezielter auf die Maskenregion ausrichtet und somit die Lernfähigkeit des Netzwerks für diese Region verbessert; die Struktur des Backbone-Bereichs wurde optimiert, die ConvNeXt-Netzwerkstruktur verbessert und teilweise Faltungsoperationen ersetzt, was die Erkennungsgenauigkeit und Robustheit des Modells erhöht. Dabei wird die Vorhersagegenauigkeit verbessert, ohne einen großen zusätzlichen Rechenaufwand zu verursachen. Die räumliche Pyramid Pooling im Head-Layer wurde verbessert, was die Trainingsgeschwindigkeit erhöht und die Modellkonvergenz beschleunigt. Experimentelle Ergebnisse zeigen, dass die Verlustfunktion des verbesserten YOLOv7 unter komplexen und verdeckten Bedingungen deutlich reduziert wurde. Der mAP auf dem Testdatensatz beträgt 93,8 %, was eine Steigerung von 3,6 % gegenüber dem ursprünglichen YOLOv7-Algorithmus darstellt. Die Erkennungsgenauigkeit wurde in allen Kategorien verbessert, mit einer Steigerung von 6,8 % bei der Kategorie ohne Maske, 2,1 % bei korrekt getragenen Masken und 1,7 % bei falsch getragenen Masken. Fehlalarme wurden deutlich reduziert, und die Generalisierungsfähigkeit wurde erheblich verbessert.

Bildverarbeitung;Objekterkennung;YOLOv7-Algorithmus;Faltungs-Attentionsmechanismus;Räumliches Pyramid Pooling