Usar a máscara corretamente é uma forma eficaz para os moradores prevenirem o COVID-19 e cooperarem com as medidas nacionais de controle da pandemia. Para lidar com problemas como o uso incorreto da máscara, diferentes ângulos de captura e obstruções, foi proposto um algoritmo YOLOv7 aprimorado. Este algoritmo é baseado no YOLOv7, introduzindo um mecanismo de atenção convolucional na área Head da rede, tornando a rede de características mais direcionada ao processamento da região da máscara e fortalecendo a capacidade da rede de aprender sobre essa área; a estrutura da área Backbone foi otimizada, a estrutura da rede ConvNeXt melhorada, e foram introduzidas substituições parciais de convoluções, o que melhora a precisão e a robustez do modelo, aumentando a precisão da previsão sem adicionar grande carga computacional. O pooling piramidal espacial na camada Head foi aprimorado, acelerando a velocidade de treinamento e a convergência do modelo. Os resultados experimentais mostram que a função de perda do YOLOv7 aprimorado diminuiu significativamente em condições complexas e de obstrução, com mAP de 93,8% no conjunto de teste, um aumento de 3,6% em relação ao algoritmo YOLOv7 original. A precisão de detecção melhorou em todas as categorias: a precisão para a categoria sem máscara aumentou 6,8%, para o uso correto da máscara 2,1% e para o uso incorreto 1,7%. Os casos de detecção falsa foram significativamente reduzidos e a capacidade de generalização foi significativamente melhorada.

Processamento de imagens;Detecção de objetos;Algoritmo YOLOv7;Mecanismo de atenção convolucional;Pooling piramidal espacial