Covid19 Yayilimini Azaltmak İçin Yüz Maskesinin Evrişimsel Sinir Aği Modelleri ile Tespiti

Year 2023, , 1511 - 1527, 01.09.2023

Aslıhan Daşgın , Kemal Adem , Serhat Kılıçarslan

https://doi.org/10.21597/jist.1251058

Cited By: 1

Abstract

Son yıllarda hayatımızın gerçeği olan ve tüm dünya için pandemi haline gelen Covid-19’un gerekli tedbirlere sıkı şekilde uyulmadığı takdirde bulaşma oranı artmakta hatta varyantları bile ortaya çıkmaya başlamaktadır. DSÖ tarafından yayınlanan ve alınması gerekli olan tedbirler alındıkça hastalıkla mücadele daha kolay hale gelebilmektedir. Tedbirlere uymanın zorluğu olsa da uymaya özen gösterildiği taktirde, hastalık ya daha hafif atlatılmakta ya da hastalığa kolayca yakalanılmamaktadır. Bu tedbirlerin en önemlilerinden birisi de kalabalık alanlarda maske kullanımına özen gösterilmesidir. Maske kullanımının önemi araştırmalarla desteklenmesinden sonra, bazı alışveriş merkezi, sağlık kuruluşları, okullar gibi kalabalık mekanlarda maske kullanımına yönelik denetimler başlamıştır. Ancak bu denetimleri bir insanın gerçekleştirmesi zor olduğundan günümüzde sıklıkla kullanılan derin öğrenme yöntemleriyle maske tespiti çalışmaları yapılmaya başlanmıştır. Bu tez çalışmasında, transfer öğrenme tabanlı modeller kullanılarak maske tespiti gerçekleştirilmesi amaçlanmaktadır. Kaggle web sitesinde bulunan veri seti ile toplamda 906 görüntü ile DenseNet121, EfficientNetV2M, NasNetMobile, InceptionV3, VGG19 ve InceptionResNetV2 derin öğrenme modelleri kullanılmıştır. Deneysel değerlendirmeler sonucunda, en iyi başarı oranı olarak NasNetMobile modeliyle, %99.35 doğruluk, %99 kesinlik, %99 geri çağırma ve %99 f1 skorları elde edildiği görülmüştür.

Keywords

Maske Tespiti, Derin Öğrenme, CNN, Covid-19, Maskeli, Maskesiz, Nesne Tespiti

Detection Of Face Mask With Convolutional Neural Network Models To Reduce Covid19 Spread

Abstract

In recent years, Covid-19, which has become a reality of our lives and has become a pandemic for the whole world, increases the rate of infection and even variants of it begin to appear if the necessary precautions are not strictly followed. As the measures published by WHO and necessary to be taken are taken, the fight against the disease may become easier. Although it is difficult to comply with the measures, if care is taken to comply, the disease is either milder or the disease is not easily caught. One of the most important of these measures is to pay attention to the use of masks in crowded areas. After the importance of mask use was supported by research, inspections for the use of masks in crowded places such as some shopping malls, health institutions and schools began. However, since it is difficult for a human to perform these inspections, mask detection studies have begun to be carried out with deep learning methods, which are frequently used today. In this thesis, it is aimed to perform mask detection using transfer learning based models. DenseNet121, EfficientNetV2M, NasNetMobile, InceptionV3, VGG19 and InceptionResNetV2 deep learning models were used with a total of 906 images with the data set available on the Kaggle website. As a result of the experimental evaluations, it was seen that the best success rate was obtained with the NasNetMobile model, with 99.35% accuracy, 99% precision, 99% recall and 99% f1 scores.

Keywords

Mask Detection, Deep Learning, Covid-19, CNN, Masked, Unmasked, Object Detection

References

• Akar, M. (2022). Covıd-19’ A Karşı İnsansız Hava Aracı ile Derin Öğrenme Tabanlı Maske Tespiti. (Yüksek Lisans Tezi), Karamanoğlu Mehmet Bey Üniversitesi Fen Bilimleri Enstitüsü, Karaman.
• Alqadiri, Y. (2022). Face Mask Detectıon Usıng Deep Learnıng Methods. (Yüksek Lisans Tezi), Bahçeşehir Üniversitesi Bilgisayar Mühendisliği Ana Bilim Dalı, İstanbul.
• Ashames, M. M. A. (2020). Derin öğrenme yöntemleri kullanılarak osteoporozun belirlenmesi. (Yüksek Lisans Tezi), Konya Teknik Üniversitesi Lisansüstü Eğitim Enstitüsü, Konya.
• Aydemi̇r, F., & Arslan, S. (2021). COVID-19 Pandemi Sürecinde Çocukların El Yıkama Alışkanlığının Nesnelerin İnterneti Tabanlı Sistem ile İzlenmesi. Mühendislik Bilimleri ve Araştırmaları Dergisi, 3 (2), 161-168.
• Ba Alawi, A. E., & Qasem, A. M. (2021). Lightweight CNN-based Models for Masked Face Recognition. 2021 International Congress of Advanced Technology and Engineering (ICOTEN), 1-5.
• Başaran, E., Cömert, Z., Sengur, A., Budak, Ü., Celik, Y., & Toğaçar, M. (2020). Normal ve Kronik Hastalıklı Orta Kulak İmgelerinin Evrişimsel Sinir Ağları Yöntemiyle Tespit Edilmesi. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 13(1), Art. 1.
• Bozkurt, F. (2021). Derin Öğrenme Tekniklerini Kullanarak Akciğer X-Ray Görüntülerinden COVID-19 Tespiti. Avrupa Bilim ve Teknoloji Dergisi, (24), 149-156.
• Bozkurt, F. (2022). A deep and handcrafted features‐based framework for diagnosis of COVID‐19 from chest x‐ray images. Concurrency and Computation: Practice and Experience, 34(5), e6725.
• Ceri̇t, B. (2020). Gerçek Zamanlı Öğrenci Takip Sistemi ve Derin Öğrenme Yaklaşımı ile Maske Tespiti. (Yüksek Lisans Tezi), Karabük Üniversitesi Mekatronik Mühendisliği Ana Bilim Dalı, Karabük.
• Degadwala, S., Vyas, D., Chakraborty, U., Dider, A. R., & Biswas, H. (2021). Yolo-v4 Deep Learning Model for Medical Face Mask Detection. 2021 International Conference on Artificial Intelligence and Smart Systems (ICAIS), 209-213.
• DSÖ. (2022). Advice for the public on COVID-19 – World Health Organization. https://www.who.int/emergencies/diseases/novel-coronavirus-2019/advice-for-public (Erişim tarihi: 26.12.2022)
• Eryilmaz, F., & Karacan, H. (2021). Akciğer X-Ray Görüntülerinden COVID-19 Tespitinde Hafif ve Geleneksel Evrişimsel Sinir Ağ Mimarilerinin Karşılaştırılması. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, ICAIAME 2021, 26-39.
• Güngör, S., Kaya, M., & Alhajj, R. (2021). Renklendirilmiş BT Görüntülerinden Covid-19 Tespiti İçin Derin Öğrenmeye Dayalı Bir Yöntem. Computer Science, 5th International Artificial Intelligence and Data Processing symposium, 391-399.
• Harriat Christa, G., J, J., K, A., & Sagayam, K. M. (2021). CNN-based Mask Detection System Using OpenCV and MobileNetV2. 2021 3rd International Conference on Signal Processing and Communication (ICPS), 115-119.
• Goyal, H., Sidana, K., Singh, C., Jain, A., & Jindal, S. (2022). A real time face mask detection system using convolutional neural network. Multimedia Tools and Applications, 81(11), 14999-15015. https://doi.org/10.1007/s11042-022-12166-x
• Herdian, Putra, G., &-. (2019). Classification of C2C e-Commerce Product Images using Deep Learning Algorithm. International Journal of Advanced Computer Science and Applications, 10(9).
• Hoang, V.-T., & Jo, K.-H. (2021). Practical Analysis on Architecture of EfficientNet. 2021 14th International Conference on Human System Interaction (HSI), 1-4.
• Jasim, A. A. (2022). Gerçek Zamanlı Yüz Maskesi Algılama Uyarı Sistemi. (Yüksek Lisans Tezi), Kırşehir Ahi Evran Üniversitesi İleri Teknolojiler Ana Bilim Dalı, Kırşehir.
• Kaçmaz, R. N. (2020). Mınıng Colonoscopy Images For Abnormalıty Detectıon. (Doktora Tezi), Abdullah Gül Üniversitesi Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı, Kayseri.
• Kaur, G., Sinha, R., Tiwari, P. K., Yadav, S. K., Pandey, P., Raj, R., ... & Rakhra, M. (2022). Face mask recognition system using CNN model. Neuroscience Informatics, 2(3), 100035.
• Militante, S. V., & Dionisio, N. V. (2020). Real-Time Facemask Recognition with Alarm System using Deep Learning. 2020 11th IEEE Control and System Graduate Research Colloquium (ICSGR), 106-110.
• Nagrath, P., Jain, R., Madan, A., Arora, R., Kataria, P., & Hemanth, J. (2021). SSDMNV2: A real time DNN-based face mask detection system using single shot multibox detector and MobileNetV2. Sustainable cities and society, 66, 102692.
• Simonyan, K., & Zisserman, A. (2014). Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv 1409.1556.
• Susanto, S., Putra, F. A., Analia, R., & Suciningtyas, I. K. L. N. (2020, October). The face mask detection for preventing the spread of COVID-19 at Politeknik Negeri Batam. In 2020 3rd International conference on applied engineering (ICAE) (pp. 1-5). IEEE.
• Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., & Rabinovich, A. (2015). Going deeper with convolutions. 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 1-9.
• Tan, M., & Le, Q. V. (2021). EfficientNetV2: Smaller Models and Faster Training (arXiv:2104.00298). arXiv. http://arxiv.org/abs/2104.00298
• Yavuz, M. (2020). Derin Öğrenme Modellerinin Hücre Veri Seti Üzerinde Eğitilerek Kıyaslanması ve Mobil Ortama Uyarlanması. (Yüksek Lisans Tezi), Sakarya Uygulamalı Bilimler Üniversitesi Biyomedikal Mühendisliği Ana Bilim Dalı, Sakarya.