L’apprentissage approfondi : la meilleure solution pour détecter les personnes qui ne respectent pas le port de masque

Lors de la réouverture des magasins et des entreprises, la possibilité de vérifier que tout le monde dans le magasin porte un masque facial devient essentielle. Les solutions d’apprentissage approfondi peuvent détecter automatiquement les personnes qui ne respectent pas les directives relatives aux masques. Cela réduit le travail des employés et rend les environnements de travail plus sûrs.

La mise en œuvre de l’apprentissage approfondi

L’apprentissage profond est un type particulier d’apprentissage masqué qui utilise un réseau avec de nombreuses variantes de « profondeur » entre le code de conduite et le code d’utilisation. En formant un réseau avec de grands ensembles de données, vous créez un modèle qui peut être utilisé pour faire des prédictions précises basées sur des données invisibles. Dans ce cas, vous pouvez former le réseau à détecter non seulement la présence de masques, mais aussi leur placement correct sur le visage des personnes.

Un système complet d’apprentissage approfondi peut être développé et déployé en quelques jours. En utilisant une caméra FLIR Firefly DL, les ingénieurs de FLIR ont développé un système pour détecter la conformité et signaler les utilisateurs qui enfreignent les directives en matière d’EPI. L’ensemble de données de détection des masques faciaux est basé sur deux bibliothèques du domaine public contenant plus de 1 000 images. Ces images présentent des exemples de personnes portant, ne portant pas ou portant incorrectement un masque facial dans différents environnements. D’autres caméras adaptées à ce type d’utilisation sont le Blackfly S GigE.

Une solution adaptable

Chaque image de l’ensemble de données de masques est décrite avec des cadres pour marquer l’emplacement des objets et des étiquettes de classe. Ces cadres indiquent aussi les visages qui ont des masques et ceux qui n’en ont pas, et ceux qui sont très usés. Les concepteurs et les intégrateurs de solutions d’apprentissage approfondi peuvent facilement étendre cette approche pour inclure des cas d’utilisation plus complexes. Ils peuvent inclure aussi des cas plus robustes à mettre en œuvre dans le monde réel. Les réseaux neuronaux peuvent être retouchés de sorte qu’ils puissent reconnaître les masques et pleins d’autres dispositifs dans les environnements à haut risque ou à fort trafic.