Usar correctamente la mascarilla es una forma eficaz para que los habitantes prevengan el COVID-19 y cooperen con las medidas nacionales de control de la pandemia. Para abordar problemas como el uso incorrecto de la mascarilla, diferentes ángulos de captura y obstrucciones, se propuso un algoritmo YOLOv7 mejorado. Este algoritmo se basa en YOLOv7, incorporando un mecanismo de atención convolucional en la zona Head de la red, lo que permite que la red de características sea más específica en el procesamiento de la región de la mascarilla y fortalece la capacidad de aprendizaje de la red sobre esta área; se optimizó la estructura del área Backbone, mejorando la red ConvNeXt e introduciendo reemplazos parciales de convoluciones, lo que mejora la precisión y robustez del modelo, aumentando la precisión de predicción sin añadir una gran carga computacional. Se mejoró el pooling piramidal espacial en la capa Head, acelerando la velocidad de entrenamiento y la convergencia del modelo. Los resultados experimentales demuestran que la función de pérdida del YOLOv7 mejorado disminuyó considerablemente bajo condiciones complejas y de obstrucción, alcanzando un mAP del 93.8% en el conjunto de prueba, un aumento del 3.6% respecto al algoritmo YOLOv7 original. La precisión de detección mejoró en todas las categorías: la precisión para la categoría sin mascarilla aumentó un 6.8%, para el uso correcto un 2.1% y para el uso incorrecto un 1.7%. Los casos de falsas detecciones disminuyeron notablemente y la capacidad de generalización mejoró significativamente.

Procesamiento de imágenes;Detección de objetos;Algoritmo YOLOv7;Mecanismo de atención convolucional;Pooling piramidal espacial