عنوان مقاله:
سیستم امنیتی تعبیه شده کم هزینه برای شناساگر ماسک صورت مبنی بر پهپاد با استفاده از اینترنت اشیا و یادگیری عمیق برای کاهش کووید 19
A Low-Cost Embedded Security System for UAVBased Face Mask Detector Using IoT and Deep Learning to Reduce COVID-19
سال انتشار: 2022
رشته: کامپیوتر
گرایش: امنیت اطلاعات - معماری سیستم های کامپیوتری - هوش مصنوعی
دانلود رایگان این مقاله:
دانلود مقاله سیستم امنیتی کم هزینه
مشاهده سایر مقالات جدید:
IV. EXPERIMENTAL RESULTS
Deep convolutional neural networks have lately been proven to be more effective than humans at detecting and recognizing objects. This study employs deep learning algorithms to determine whether the person is wearing a facemask. In the suggested method, we trained the deep learning model to detect face masks, and it is capable of achieving approximately 99% accuracy on the test set. The evaluated results for the trained model are shown in Table I. Fig. 7 illustrates the accuracy and training loss for the trained face mask detector model. It has a high degree of accuracy and only a small amount of overfitting, with the validation loss less than the training loss.
After training stage, we will be ready to deploy the model based the proposed pipeline. We developed an embedded intelligent security system that uses deep learning and IoT to reduce COVID-19 disease in real-time UAV-video frames. When an unmasked person is discovered, the system will raise alarms. As a programming language, Python was utilized to develop this brilliant application. Therefore, a low-cost, highperformance embedded system can be created using the Jetson nano platform. The Jetson nano board, Tello drone, and power bank are included in the low-cost experimental setup represented in figure 8. All the necessary software has been installed, apart from the hardware connections.
The real-time UAV-based face mask detector system is prepared by utilizing a deep learning method for the human face. When a person's face is detected, the system next determines whether or not the person is wearing a mask. Fig. 9 displays the result when the human is wearing a mask. The IoT Telegram application is used to integrate the suggested system. As shown in Figure 10, after unmasked people are detected, the system will notify the smartphone by sending an image of the unmasked person with a notification. Conversely, when a human is wearing a mask, the system will not alert the smartphone.
(دقت کنید که این بخش از متن، با استفاده از گوگل ترنسلیت ترجمه شده و توسط مترجمین سایت ای ترجمه، ترجمه نشده است و صرفا جهت آشنایی شما با متن میباشد.)
IV. نتایج تجربی
اخیراً ثابت شده است که شبکه‌های عصبی کانولوشنال عمیق در تشخیص و تشخیص اشیاء مؤثرتر از انسان هستند. این مطالعه از الگوریتم‌های یادگیری عمیق برای تعیین اینکه آیا فرد از ماسک صورت استفاده می‌کند استفاده می‌کند. در روش پیشنهادی، ما مدل یادگیری عمیق را برای تشخیص ماسک‌های صورت آموزش دادیم و قادر به دستیابی به دقت 99 درصدی در مجموعه تست است. نتایج ارزیابی شده برای مدل آموزش دیده در جدول I نشان داده شده است. شکل 7 دقت و از دست دادن تمرین برای مدل آشکارساز ماسک صورت آموزش دیده را نشان می دهد. دقت بالایی دارد و فقط مقدار کمی اضافه برازش دارد، با افت اعتبار کمتر از ضرر تمرین.
پس از مرحله آموزش، ما آماده استقرار مدل مبتنی بر خط لوله پیشنهادی خواهیم بود. ما یک سیستم امنیتی هوشمند تعبیه‌شده ایجاد کردیم که از یادگیری عمیق و اینترنت اشیا برای کاهش بیماری COVID-19 در فریم‌های ویدیویی پهپاد در زمان واقعی استفاده می‌کند. هنگامی که یک فرد بدون نقاب کشف می شود، سیستم هشدار می دهد. به عنوان یک زبان برنامه نویسی، پایتون برای توسعه این برنامه درخشان مورد استفاده قرار گرفت. بنابراین می توان با استفاده از پلتفرم نانو جتسون، یک سیستم تعبیه شده کم هزینه و با کارایی بالا ایجاد کرد. نانو برد جتسون، پهپاد Tello و پاور بانک در راه اندازی آزمایشی کم هزینه نشان داده شده در شکل 8 گنجانده شده است. تمام نرم افزارهای لازم، جدا از اتصالات سخت افزاری، نصب شده است.
