口罩佩戴状态分类系统

摘要

人员密集场所对口罩佩戴有持续监管需求，人工巡查难全覆盖、易疏漏，传统视觉方法在复杂环境下难以稳定区分细粒度佩戴状态，故将基于深度学习的口罩佩戴状态分类作为研究选题。

本文总览三分类任务，完成EfficientNet模型设计与迁移学习，实现含数据爬取与多格式导入、标注、异步训练部署及在线检测的B/S系统，并开展实验与功能测试。

在模型上，依据EfficientNet复合缩放兼顾精度与计算量的思路，选用EfficientNet-B0为骨干，经全局平均池化、全连接与Softmax完成"正确佩戴""未佩戴""错误佩戴"三分类。以ImageNet预训练迁移学习，配合随机裁剪、翻转、旋转与颜色抖动等增强，交叉熵训练并可加权缓解类别不均衡。理论上概述卷积、池化与分类层及准确率、精确率、召回率与F1等指标。系统以Flask与PyTorch实现数据爬取、ZIP与MAFA/RMFD导入、标注与数据集管理、异步训练与模型部署、单张与批量检测及结果展示，MySQL持久化业务数据。在给定数据与参数条件下，实验表明模型在验证集与测试集上准确率与F1较高；功能测试表明数据流与状态管理正确，训练与检测衔接符合设计预期，可满足课题对识别效果与系统可用性的要求，为口罩佩戴监管场景提供可用的软件工具与后续扩展基础。

关键词：口罩佩戴状态分类；EfficientNet；卷积神经网络；Flask

1.3研究内容

本课题的研究内容主要包括,在明确"正确佩戴""未佩戴""错误佩戴"三类定义的基础上，选用EfficientNet作为主干网络，设计并实现一套从数据采集与标注、模型训练、到单张与批量图像检测及结果可视化的完整系统。

系统支持RMFD等公开数据集的导入与自定义数据集的整理，采用交叉熵损失与常见数据增强进行训练，并通过准确率、精确率、召回率、F1值等指标对模型进行评价。

在实现层面，采用Web应用形式集成数据爬取、数据集管理、训练任务调度、检测服务与历史记录管理等功能，并设计相应数据库表结构以持久化用户、数据集、训练任务与检测结果，便于实际使用与二次开发。

2.4数据集

2.4.1RMFD数据集

RMFD（Real-World Masked Face Dataset）为面向真实场景的戴口罩人脸数据集，包含大量在自然条件下采集的戴口罩与未戴口罩的人脸图像，部分子集还提供了口罩遮挡程度或佩戴方式的标注。该数据集常被用于口罩检测、人脸识别 under 口罩遮挡、以及佩戴状态分类等研究。

本系统在设计与实验部分参考RMFD的数据组织方式与类别划分，支持将符合"按类别分目录"或"按标注文件"组织的数据导入系统。使用的为RMFD或其衍生版本，可按照系统约定的三类（正确佩戴、未佩戴、错误佩戴）进行映射与划分，用于训练与验证。

官网下载URL地址：https://github.com/X-zhangyang/Real-World-Masked-Face-Dataset。

正确佩戴指口罩主体覆盖口鼻，鼻梁条（若有）贴近鼻梁，下颌处贴合度较好，口罩上缘大致位于鼻梁与面颊过渡区域，遮挡范围符合常见防疫佩戴规范；该类样本在视觉上口罩边缘与面部轮廓关系相对稳定。如图2-5所示。

错误佩戴指虽有口罩但佩戴不规范，例如仅遮住下巴、口罩滑落露出鼻孔或口唇、口罩歪斜严重未覆盖口鼻等；该类与"未佩戴"在局部纹理上可能接近，与"正确佩戴"的差异主要体现在口鼻是否被有效遮盖，属于细粒度分类中的难点类别。如图2-6所示。

未佩戴指口鼻区域无口罩遮挡，面部人中、鼻翼、口唇等关键区域可见，便于与"有遮挡但遮挡不当"的样本区分；该类图像在监控与门禁场景中对应未按规定佩戴口罩的情形。如图2-7所示。

2.4.2数据集分析

本节在2.4.1对RMFD等典型公开数据集介绍的基础上，进一步面向本课题实际使用的口罩佩戴状态数据集展开分析，目的是说明本文训练和评估所依赖的数据是如何被严格筛选、评估和构建的，为后续实验结果的可信性提供数据层面的依据。具体从数据分布、图像质量、类别平衡性、类别相似度以及数据增强与划分策略等方面进行分析。

（1）数据分布分析

数据分布分析主要关注各类别样本数量的分布情况。理想的训练数据集应使各类别样本数量大致均衡，避免类别不平衡导致的模型偏向多数类问题。

设数据集包含C个类别，第i个类别的样本数为ni，则类别平衡度可以表示为：

Balance=min{ni}max{ni},i∈ $1,C$ (2-12)

平衡度越接近1，表示数据集越均衡。

（2）图像质量分析

图像质量直接影响模型训练与泛化效果，需要从以下几方面考察。分辨率分布：统计图像分辨率（宽×高）的分布情况，确保分辨率满足模型输入要求（如本系统统一缩放到 224×224），并剔除尺寸过小、有效信息不足的样本。模糊度分布：可使用拉普拉斯算子等评估图像清晰度，过滤严重模糊的人脸或口罩图像。亮度分布：分析图像亮度分布，识别过曝或欠曝样本，必要时通过预处理或数据增强进行校正。对比度分布：评估图像对比度，确保人脸与口罩区域、皮肤与口罩边界等细节清晰可见，便于模型学习判别性特征。

（3）类别相似度分析

不同口罩佩戴状态类别之间可能存在视觉相似性，容易导致模型混淆。例如"未佩戴"与"错误佩戴"（如口罩仅遮住下巴）在部分姿态或遮挡下较难区分；"正确佩戴"与"错误佩戴"在口罩款式或佩戴松紧度上也可能存在边界样本。通过统计混淆矩阵或类间特征距离，可识别潜在的易混类别，进而采取针对性的数据增强、样本补充或损失加权等策略，提升模型对易混类别的区分能力。

（4）数据增强策略

针对数据集的不足（如样本量有限、姿态与光照单一），可采用数据增强技术扩充有效样本、提高泛化能力。几何变换：旋转、水平/垂直翻转、随机裁剪、缩放等，使模型对人脸角度与构图变化更鲁棒。颜色变换：亮度、对比度、饱和度、色调的随机调整（如 ColorJitter），模拟不同光照与拍摄条件。噪声添加：在部分样本上添加高斯噪声或椒盐噪声，增强对噪声的鲁棒性（需控制强度以免破坏语义）。混合增强：如 Mixup、CutMix 等高级增强技术，在图像或特征层面进行混合，可进一步增加多样性。本系统在训练阶段采用了随机缩放裁剪、随机翻转、随机旋转与颜色抖动等，验证与测试阶段不做随机增强以保证评估一致性。

（5）数据集划分

为客观评估模型性能，需将数据集划分为训练集、验证集与测试集。训练集用于模型参数学习，通常占总样本的 70%～80%。验证集用于超参数调优、早停判断及训练过程监控，通常占 10%～15%。测试集仅用于最终性能评估，不参与训练与调参，通常占 10%～15%。划分时应采用分层采样，使各集合中各类别的比例与原始数据集保持一致，避免因划分导致的类别分布偏移。本系统支持按"训练/验证/测试"子目录组织数据，或在导入时指定划分比例并自动分层划分，保证训练与评估的数据基础可靠。

3.1算法/模型介绍

本系统将口罩佩戴状态分类建模为三分类问题，类别为"正确佩戴""未佩戴""错误佩戴"。算法采用以EfficientNet为骨干的卷积神经网络：输入为固定尺寸的RGB图像，经EfficientNet主干提取特征后，由全局池化得到一维特征向量，再经全连接层映射到三类 logits，经 softmax 得到各类别概率，取 argmax 得到预测类别。训练时采用交叉熵损失与梯度下降类优化器，并可选用学习率调度与类别权重以应对不平衡数据。

3.1.1特征提取部分介绍

特征提取部分由EfficientNet主干承担，输入为经预处理与数据增强后的图像张量（如 224×224×3），经过若干 MBConv 块（含深度可分离卷积、Swish 激活、SE 注意力等）逐层下采样并增加通道数，最终得到高维特征图。本系统在该特征图后接全局平均池化（GAP），将每个通道的空间维度压成单个标量，得到一维特征向量，维度与最后一层通道数一致（如 EfficientNet-B0 为 1280）。该向量作为高层语义表示，供后续分类层使用。若使用预训练权重，主干参数在微调时通常仍参与更新，以便适应口罩场景的分布。仅冻结部分底层或采用较小学习率也是常见做法。

图3-2表示从输入图像到分类头之前、特征是如何被抽成固定长度向量的。左侧「主干」对应 EfficientNet 的多阶段（Stage 1～7）特征提取.预处理后的 RGB 图像（如 224×224×3）依次经过多个 MBConv 等模块，在空间上逐步下采样、在通道上逐步加宽，得到一张高通道、低空间分辨率的特征图；图中用 Stage 串联概括这一过程，强调网络由浅层到深层逐级形成从边缘纹理到更抽象语义的表示。主干末端接全局平均池化（GAP）：对每一个通道在空间维度（高×宽）上取平均值，把二维特征图压成每个通道一个标量，从而得到长度为「最后一层通道数」的一维向量（文中 EfficientNet-B0 为 1280 维）。这样做的效果是：无论特征图空间尺寸如何，输出向量维度固定，便于接全连接层做三分类；同时相比直接展平整幅特征图，参数量更可控，并带有对空间位置的一定汇总与平移鲁棒性。图中「特征向量 1280-d」即送入后续全连接分类层与 Softmax 的输入。

3.2数据预处理

数据预处理与增强直接影响模型收敛速度与泛化能力。本系统在训练与推理阶段采用统一的归一化参数（ImageNet 均值与标准差），保证与预训练权重的统计一致性；在训练阶段额外施加随机变换以增强数据多样性。

3.2.1图像裁剪

训练时使用随机缩放裁剪（RandomResizedCrop），在给定尺度范围内随机裁取一块区域并缩放到目标尺寸，使模型适应不同构图与尺度；验证与推理时采用中心裁剪或直接缩放到112×112，不做随机性。

3.2.2图像旋转

训练时施加小角度随机旋转（如 ±15°），模拟拍摄时人脸或相机轻微倾斜，提高对姿态变化的鲁棒性；验证与推理阶段不旋转。

3.2.3灰度图像转换

本任务依赖颜色与纹理信息（如口罩颜色、皮肤与口罩边界），因此输入保持 RGB 三通道，不做灰度化；数据增强中的颜色抖动可间接改变色彩与对比度。

3.2.4其他预处理技术

训练阶段还采用随机水平翻转（RandomHorizontalFlip）、颜色抖动（ColorJitter，对亮度、对比度、饱和度、色调做小幅随机变化），以进一步增加多样性；所有增强仅在训练时启用，验证与推理时仅做 Resize、ToTensor 与归一化，保证评估一致性。

3.2.5预处理流程

训练时流程为"读取图像 → 随机缩放裁剪 → 随机水平翻转 → 随机旋转 → 颜色抖动 → 转 Tensor → 归一化"；验证/推理时为"读取图像 → 缩放到 224×224 → 转 Tensor → 归一化"。归一化均使用 mean= $0.485, 0.456, 0.406$ 、std= $0.229, 0.224, 0.225$ ，与 ImageNet 预训练一致。预处理与增强项汇总如下表。