Le port correct du masque est un moyen efficace pour les habitants de se protéger contre le COVID-19 et de collaborer avec les mesures nationales de contrôle de la pandémie. Pour faire face aux problèmes liés au port incorrect du masque, aux différents angles de prise de vue et aux occultations, un algorithme YOLOv7 amélioré a été proposé. Cet algorithme, basé sur YOLOv7, introduit un mécanisme d'attention convolutive dans la zone Head du réseau, ce qui rend le réseau de caractéristiques plus ciblé dans le traitement de la région du masque, renforçant ainsi la capacité d'apprentissage du réseau sur la zone masque ; la structure de la zone Backbone a été optimisée, la structure du réseau ConvNeXt améliorée, et des substitutions partielles des convolutions ont été introduites, augmentant la précision et la robustesse du modèle, améliorant la précision des prédictions sans alourdir sensiblement le calcul. Le pooling pyramidal spatial dans la couche Head a été amélioré, accélérant la vitesse d'entraînement et la convergence du modèle. Les résultats expérimentaux montrent que la fonction de perte du YOLOv7 amélioré a considérablement diminué dans des conditions complexes et d'occultation. Le mAP sur le jeu de test est de 93,8 %, soit une amélioration de 3,6 % par rapport à l'algorithme YOLOv7 original. La précision de détection s’est améliorée dans toutes les classes, avec une augmentation de la précision de 6,8 % pour la catégorie sans masque, 2,1 % pour la catégorie de port correct du masque, et 1,7 % pour la catégorie de port incorrect. Le nombre de fausses détections a nettement diminué et la capacité de généralisation a significativement augmenté.

Traitement d’image;Détection d’objets;Algorithme YOLOv7;Mécanisme d’attention convolutionnelle;Pooling pyramidal spatial