Deploying Deep Learning for Facemask Detection in Mobile Healthcare Units : master's thesis

Abstract

Identifying facemasks is an important duty that affects public health and safety, especially during epidemics of communicable diseases. Many architectures of deep learning models are being investigated for their effectiveness, as they have demonstrated great potential in automating this process. The performance of four well-known deep learning architectures—VGG19, VGG16, GRU, and Fully Convolutional Neural Networks (FCNN)—for facemask identification is thoroughly compared in this thesis. The goal of the study is to assess these architectures in terms of accuracy, efficiency, and robustness in order to offer important information for the creation of efficient facemask detection systems. This study examines the advantages and disadvantages of each model in relation to facemask detection through thorough testing and analysis. The models are statistically evaluated for their ability to detect facemasks in pictures or video streams using performance metrics including precision, recall, and F1-score. Furthermore, the actual feasibility of using these models in real-world applications is assessed by analyzing computational efficiency measures like inference time and model size. Moreover, the models' resilience is assessed in a range of demanding scenarios, such as changes in illumination, facial expressions, and occlusions. The consequences of these results are discussed in the thesis along with suggestions for improving each architecture for facemask detection tasks. This study's methodology focuses on developing and evaluating deep learning models for facemask recognition that are especially suited for usage in mobile health care units. This method seeks to guarantee high accuracy, robustness, and efficiency in real-world healthcare environments, where prompt and accurate facemask detection is essential. Four well-known deep learning architectures VGG19, VGG16, Gated Recurrent Unit (GRU), and Fully Convolutional Neural Networks (FCNN) were chosen for the models' selection and development. Due to their shown effectiveness in a range of image recognition tasks and possible flexibility to facemask detection, these models were selected.

Идентификация лицевых масок является важной задачей, которая влияет на здоровье и безопасность населения, особенно во время эпидемий инфекционных заболеваний. Многие архитектуры моделей глубокого обучения исследуются на предмет их эффективности, поскольку они продемонстрировали большой потенциал в автоматизации этого процесса. В этой работе проводится тщательное сравнение производительности четырех хорошо известных архитектур глубокого обучения —VGG19, VGG16, GRU и полностью сверточных нейронных сетей (FCNN)— для идентификации лицевых масок. Цель исследования - оценить эти архитектуры с точки зрения точности, эффективности и надежности, чтобы предоставить важную информацию для создания эффективных систем обнаружения лицевых масок. В этом исследовании рассматриваются преимущества и недостатки каждой модели в отношении распознавания лицевых масок путем тщательного тестирования и анализа. Модели подвергаются статистической оценке на предмет их способности обнаруживать лицевые маски на изображениях или в видеопотоках с использованием показателей производительности, включая точность, запоминаемость и показатель F1. Кроме того, фактическая возможность использования этих моделей в реальных приложениях оценивается путем анализа показателей вычислительной эффективности, таких как время вывода и размер модели. Более того, устойчивость моделей оценивается в ряде сложных сценариев, таких как изменение освещения, выражения лица и прикуса. В диссертации обсуждаются последствия этих результатов, а также предложения по улучшению каждой архитектуры для задач обнаружения лицевых масок. Методология этого исследования направлена на разработку и оценку моделей глубокого обучения для распознавания лицевых масок, которые особенно подходят для использования в мобильных медицинских учреждениях. Этот метод призван гарантировать высокую точность, надежность и эффективность в реальных условиях здравоохранения, где важно быстрое и точное распознавание лицевых масок. Для выбора и разработки моделей были выбраны четыре хорошо известные архитектуры глубокого обучения VGG19, VGG16, Gated Recurrent Unit (GRU) и полностью сверточные нейронные сети (FCNN). Эти модели были выбраны из-за их доказанной эффективности в решении целого ряда задач распознавания изображений и возможной гибкости в обнаружении лицевых масок. Ключевые слова: Распознавание лицевых масок, глубокое обучение, VGG19, VGG16, GRU, Полностью сверточные нейронные сети, Оценка эффективности, Мобильные медицинские учреждения.