Evrişimsel Sinir Ağları Kullanılarak Yüz Maskesinin Tespit Edilmesi

Year 2021, , 160 - 167, 01.10.2021

Fatih Ahmet Şenel

https://doi.org/10.34248/bsengineering.930727

Abstract

Bu çalışmada, hava yoluyla salgın hastalıkların yayıldığı pandemi dönemlerinde, yüz maskesi takan ve takmayan insanların otomatik olarak tespit edildiği bir evrişimsel sinir ağı geliştirilmiştir. Tüm dünyayı etkileyen büyük bir salgında, tek bir kişinin bile dikkatsiz davranışları öncelikle kendi yakın çevresinden başlamak üzere yaşadığı tüm ülkeyi hatta tüm dünyayı tehlikeye atabilme potansiyeline sahiptir. Bu nedenle basit gibi görülen bir yüz maskesinin, salgın boyunca kullanımı küçümsenmemelidir. Gerekli tüm tedbirlerin üst düzeyde alınması bir zorunluluktur. Her ülkenin kendi kolluk kuvvetleri tarafından gerekli denetimler gerçekleştirilmektedir. Ancak insan sayısının kolluk kuvvetlerinin denetleyebileceğinden çok daha fazla olması nedeniyle teknolojik gelişmelerden faydalanılmak zorunda kalınmaktadır. Geliştirilen bu sistemle birlikte, yüz maskesi denetiminin insan gücü yerine yapay zekâ kullanan sistemler tarafından yapılması amaçlanmıştır. Bu amaçla, ilk olarak gerçek insan yüzü fotoğraflarından oluşan veri seti oluşturulmuştur. Oluşturulan veri setinde maskeli ve maskesiz olmak üzere toplamda 418 adet resim bulunmaktadır. Resimler seçilirken farklı renk ve şekillerde maskelerin veri setinde yer alması sağlanmıştır. Doğrudan resim girdisi ile çalışan ve sınıflandırma işlemlerinde kullanılan evrişimsel sinir ağları ile sınıflandırma işlemi gerçekleştirilmiştir. İkili sınıflandırma olarak ele alınan bu problemde, evrişimsel sinir ağı mimarisinin en iyi sonucu vermesi için hiper parametre ayarlaması yapılmıştır. Modelin optimum parametreleri ayarlanarak sınıflandırma işlemi gerçekleştirilmiştir. Sınıflandırma işlemi sonucunda %95’lik bir doğruluk yüzdesi elde edilmiştir. Elde edilen bu başarı yüzdesi, evrişimsel sinir ağlarının yüzde bulunan maskenin tespit edilmesinde başarılı bir şekilde kullanılabileceğini göstermiştir.

Keywords

Covid-19, Derin öğrenme, Maske, Pandemi, Yapay zeka

Detecting Face Mask Using Convolution Neural Network

Abstract

In this study, a convolutional neural network was developed to detect people who wear and do not wear face masks during periods of epidemics spreading with airborne. In a major pandemic that affects the whole world, the careless behavior of a single person has the potential to endanger the entire country, even the whole world, starting from his immediate environment. For this reason, using a simple face mask during the pandemic should not be underestimated. It is a must to take all necessary precautions at the highest level. Necessary audits are carried out by each country's own law enforcement officers. However, because the number of people is much more than the law enforcement officers can control, technological developments have to be utilized. With this developed system, it is aimed to perform face mask control by artificial intelligence systems instead of manpower. For this purpose, the data set consisting of real human face photographs was generated firstly. In the data set generated, there are 418 face pictures in total, with a mask, and without a mask. While selecting the pictures, masks with different colors and shapes are included in the data set. The classification process was carried out with the convolutional neural networks working with direct raw image input and it is often used in classification processes. In this problem, which is considered as binary classification, hyper parameter adjustment has been made to give the best result of the convolutional neural network architecture. The classification process was carried out by adjusting the optimum parameters of the model. As a result of the classification process, an accuracy rate of 95% was obtained. This percentage of success obtained showed that the convolutional neural networks can be used successfully in detecting the mask on the face.

Keywords

Covid-19, Deep learning, Mask, Pandemic, Artificial intelligence

References

• Bargshady G, Zhou X, Deo RC, Soar J, Whittaker F, Wang H. 2020. Enhanced deep learning algorithm development to detect pain intensity from facial expression images. Expert Systems with App, 149: 113305. DOI: 10.1016/j.eswa.2020.113305.
• Chollet F. 2018. Deep Learning with Python. Simon & Schuster, NY, USA, pp: 384.
• Çavuşoğlu İ, Hatun EKTİ, Güvendi A, Gökcan A, Demir H. 2020. Bir yeraltı altın madeninde kişisel koruyucu donanımlar için risk değerlendirilmesi. Yerbilimleri, 41(1): 100-113.
• Dai X, Huang L, Qian Y, Xia S, Chong W, Liu J, Di Leva A, Hou X, Ou C. 2020. Deep learning for automated cerebral aneurysm detection on computed tomography images. Int J Comp Assis Radiol and Surg, 15(4): 715-723.
• DImitriou N, Leontaris L, Vafeiadis T, Ioannidis DI, Wotherspoon T, Tinker G, Tzovaras D. 2020. Fault diagnosis in microelectronics attachment via deep learning analysis of 3-D laser scans. IEEE Trans on Indust Electr, 67(7): 5748-5757.
• Doğan F, Türkoğlu İ. 2018. Derin öğrenme algoritmalarının yaprak sınıflandırma başarımlarının karşılaştırılması. Sakarya Univer J Comp and Inf Sci, 1(1): 10–21.
• Ediz İG, Yuvka Ş, Beyhan S, Çolpan R. 2001. GLİ Tunçbilek-Ömerler bölgesinde mekanize üretimde toz sorunu. Türkiye 17 Uluslararası Madencilik Kongresi ve Sergisi-TUMAKS, 169-176.
• Fei Z, Yang E, Li DDU, Butler S, Ijomah W, Li X, Zhou H. 2020. Deep convolution network based emotion analysis towards mental health care. Neurocomputing, 388: 212-227. DOI: 10.1016/j.neucom.2020.01.034.
• Fujima N, Andreu-Arasa VC, Meibom SK, Mercier GA, Truong MT, Sakai O. 2020. Prediction of the human papillomavirus status in patients with oropharyngeal squamous cell carcinoma by FDG-PET imaging dataset using deep learning analysis: A hypothesis-generating study. European J Radiol, 126: 108936. DOI: 10.1016/j.ejrad.2020.108936.
• Göksel ULAY, Engür MO. 2016. Bir mobilya işletmesinde iş güvenliği uygulamaları ve bunların işletmeye maliyeti. Selçuk-Teknik Derg, 2016: 1260-1274.
• Gündüz G, Cedimoğlu İH. 2019. Derin öğrenme algoritmalarını kullanarak görüntüden cinsiyet tahmini. Sakarya Univ J Comp and Inf Sci, 2(1): 9-17.
• Jiang M, Fan X, Yan H. 2020. Retinamask: A face mask detector. URL: https://arxiv.org/abs/2005.03950 (erişim tarihi: 05 Mart 2021)
• Nayak DR, Dash R, Majhi B, Pachori RB, Zhang Y. 2020. A deep stacked random vector functional link network autoencoder for diagnosis of brain abnormalities and breast cancer. Biomedical Signal Proces and Cont, 58: 101860. DOI: 10.1016/j.bspc.2020.101860.
• Sevinç AY, Karabatak M. 2019. A Target tracking application on mobese videos. In 2019 7th International Symposium on Digital Forensics and Security (ISDFS) (pp. 1-5). IEEE.
• Shahverdy M, Fathy M, Berangi R, Sabokrou M. 2020. Driver behavior detection and classification using deep convolutional neural networks. Expert Sys with App, 149: 113240. DOI: 10.1016/j.eswa.2020.113240.
• Til UDA. 2020. Yeni Koronavirüs hastalığı Hakkında bilinmesi gerekenler. Ayrıntı Derg, 8(85): 53-57.
• Yıldırım ZB, Özdemir BE, Eren E. 2019. Trafikteki araç sayımlarının farklı görüntü işleme teknikleri kullanılarak karşılaştırılması. 2nd Int Congress on Engineering and Architecture, pp: 242-248, 22-24 April 2019, Marmaris, Turkey.