Control de accesos con detección de mascarillas en tiempo real implementado con algoritmos de reconocimiento facial y Deep Learning

Abstract

Debido a la pandemia que estamos sufriendo a causa de la covid-19, los gobiernos han tenido que adoptar una serie de restricciones y medidas de prevención para evitar la propagación de dicho virus. La finalidad de este proyecto es crear un sistema de control de accesos con detección de mascarillas en tiempo real, implementado con algoritmos de Deep Learning diseñados para la visión por computador. A través de técnicas de Transfer Learning vamos a aprovechar una red pre entrenada con un gran poder computacional y sobre un enorme dataset de imágenes (Imagenet). Congelaremos las primeras capas y crearemos una red que se acople a la cabeza de este modelo para entrenar con nuestros datos. Este sistema puede ser utilizado en diferentes entornos para asegurar que las medidas de seguridad se están cumpliendo correctamente, como pueden ser fábricas, transporte público, empresas y más. Se concluye que una red previamente entrenada en reconocimiento de imágenes es capaz de reconocer caras y clasificar adecuadamente si lleva mascarilla, si se lleva bien puesta o si por otra parte no se lleva. Esto se consigue con el entreno y acoplamiento de nuestra red con el modelo previamente entrenado. El desarrollo del trabajo se llevará a cabo en lenguaje Python, con bibliotecas de apoyo como Keras para las redes neuronales, Pandas para la manipulación de datos, Numpy para funciones matemáticas, OpenCV para la visión por computador, entre otras.

Due to the pandemic we are suffering because of covid-19, governments have had to adopt a series of restrictions and preventive measures to avoid the spread of this virus. The purpose of this project is to create an access control system with real-time mask detection, implemented with Deep Learning algorithms designed for computer vision. Through Transfer Learning techniques we will take advantage of a pre-trained network with a great computational power and on a huge image dataset (Imagenet). We will freeze the first layers and create a network that will be coupled to the head of this model to train with our data. This system can be used in different environments to ensure that security measures are being properly enforced, such as factories, public transportation, enterprises and more. It is concluded that a network previously trained in image recognition is able to recognize faces and classify properly if a mask is worn, if it is worn correctly or if it is not worn at all. This is achieved by training and coupling our network with the previously trained model. The development of the project will be carried out in Python language, with support libraries such as Keras for neural networks, Pandas for data manipulation, Numpy for mathematical functions, OpenCV for computer vision, and others.

A causa de la pandèmia que estem sofrint a causa de la covid-19, els governs han hagut d'adoptar una sèrie de restriccions i mesures de prevenció per a evitar la propagació d'aquest virus. La finalitat d'aquest projecte és crear un sistema de control d'accessos amb detecció de màscares en temps real, implementat amb algorismes de Deep Learning dissenyats per a la visió per computador. A través de tècniques de Transfer Learning aprofitarem una xarxa pre entrenada amb un gran poder computacional i sobre un enorme dataset d'imatges (Imagenet). Congelarem les primeres capes i crearem una xarxa que s'acobli al capdavant d'aquest model per a entrenar amb les nostres dades. Aquest sistema pot ser utilitzat en diferents entorns per a assegurar que les mesures de seguretat s'estan complint correctament, com poden ser fàbriques, transport públic, empreses i més. Es conclou que una xarxa prèviament entrenada en reconeixement d'imatges és capaç de reconèixer cares i classificar adequadament si porta màscara, si es porta ben posada o si d'altra banda no s'emporta. Això s'aconsegueix amb l'entreno i acoblament de la nostra xarxa amb el model prèviament entrenat. El desenvolupament del treball es durà a terme en llenguatge Python, amb biblioteques de suport com Keras per a les xarxes neuronals, Colles per a la manipulació de dades, Numpy per a funcions matemàtiques, OpenCV per a la visió per computador, entre altres.