人工智能本栏目责任编辑：唐一东ComputerKnowledgeandTechnology电脑知识与技术第19卷第4期(2023年2月）基于改进SSD的口罩佩戴检测算法林思海（安徽理工大学，安徽淮南232001)摘要：新冠疫情期间，佩戴口罩成为出入公共场合的行为规范。但在商场、火车站、机场等人员密集、人流量较大的场所，仅仅由工作人员进行监督、督促口罩佩戴不但检测效率低，而且还极大地浪费了人力资源。除此之外，疫情传播的风险也随之升高。为减轻防疫压力，文章提出一种基于改进SSD的口罩佩戴检测算法。为提高特征提取能力，将原先的VGG-16特征提取网络替换为ResNet50特征提取网络。围绕行人人脸目标尺寸小、外观信息少等特点，从特征上下文信息的关联角度提出一种基于权重的特征融合的子网络，有效地融合低层特征信息与高层抽象语义信息。并在特征融合层后添加裁剪-权重分配网络(SENet),对预测特征层的通道进行权重分配，提升有用的特征权重并抑制无效的特征权重。实验结果表明，改进后的算法在训练数据集上较原有算法的评价精度在IOU为0.5、0.75、0.50:0.95下分别提升4.1%、9.9%、5.3%。关键词：口罩检测；SSD；SeNet；ResNet；特征融合；数据增强中图分类号：TP3文献标识码：A文章编号：1009-3044(2023)04-0037-03开放科学（资源服务）标识码(OSID)：新型冠状病毒是人类面临的第三次冠状病毒大流行。2020年1月30日WHO宣布新冠肺炎疫情构成国际关注的突发公共卫生事件。2020年3月13日，WHO评估认为新冠肺炎可被定为大流行病[1]。新冠疫情期间，佩戴口罩成为出入公共场合的行为规范。在机场、地铁站、医院等公共服务和重点机构场所规定需要佩戴口罩，口罩佩戴检查已成为疫情防控的必备操作[2]。本文提出一种基于深度学习的复杂场景下口罩佩戴实时检测算法。与人工现场监督相比，基于深度学习的监督系统不需要管理人员实时监控和与人流密切接触。同时少量的管理人员即可在管理中心通过多块监视器管理大片区域，不仅提高了效率，还减少了管理人员与人流的长时间接触。目前，主流的目标检测算法分为两阶段(two-stage)方法如R-CNN[3]算法及其变体与一阶段(one-stage)方法如SSD[4]和YOLO[5]。目前已有许多优秀的研究基于上述算法框架进行改进。张洁等基于FasterR-CNN框架，通过结合k-means++算法对标注人头检测框进行聚类[6]，并优化原模型非极大值抑制(non-maximumsuppression)[7]算法惩罚函数剔除无效人头预测框，改善行人之间由于遮挡导致的召回率低的问题。董艳花等人基...
