Abstract

Bu çalışmanın amacı koronavirüsün yayılım hızını düşürmede önemli bir etkisi olan maske takma, sosyal mesafe ve kalabılık analizinin yapılmasıdır. Bu analiz için çalışmada derin öğrenme tabanlı yöntemler olan Evrişimli Sinir Ağları (ESA) ve YOLO mimari tasarımları kullanılmıştır. Maske tespitinin yapılması için yeni bir veri seti oluşturulmuştur. Oluşturulan veri seti ‘maskeli ve ‘maskesiz sınıflandırma işleminin yapılması için AlexNet, DenseNet, MobileNet, ResNet, ShuffleNet, SqueezeNet, VGG, Xception ve ZFNet gibi ESA mimari tasarımları ile kullanılmıştır. En iyi sınıflandırma performansını %96.86 doğruluk oranı ve %91.81 F1-skoru değeri ile DenseNet-121 mimari tasarımı elde etmiştir. Sosyal mesafe ve kalabalık analizi için çalışmada YOLOv3 algoritması ve COCO veri seti kullanılmıştır. Daha sonra maske sınıflandırması görevinde elde edilen ağırlık dosyası, Haar Cascade yüz sınıflandırıcı algoritması ile birlikte kullanılarak, sosyal mesafe ve kalabalık analizini sağlayan algoritmaya dahil edilmiştir. Sonuç olarak ise hem maske tespitini sağlayan hem de sosyal mesafe ve kişi sayısını hesaplayan tümleşik bir yazılım oluşturulmuştur.

References

[1] Rational use of personal protective equipment for coronavirus disease (COVID-19) and considerations during severe shortages. Published 2020. Accessed July 29, 2021. https://www.who.int/publications/i/item/rational-use-of-personal-protective-equipment-for-coronavirus-disease-(covid-19)-and-considerations-during-severe-shortages

[2] Bai Y, Yao L, Wei T, et al. Presumed Asymptomatic Carrier Transmission of COVID-19. JAMA - J Am Med Assoc. 2020;323(14):1406-1407. doi:10.1001/jama.2020.2565

[3] CDC. Infection Control: Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) | CDC. Centers Dis Control Prev. Published online 2020:1-4.

[4] Park HC, Kim DH, Yoo KD, et al. Korean clinical practice guidelines for preventing transmission of coronavirus disease 2019 (COVID-19) in hemodialysis facilities. Kidney Res Clin Pract. 2020;39(2):145-150. doi:10.23876/j.krcp.20.046

[5] Ejaz MS, Islam MR, Sifatullah M, Sarker A. Implementation of Principal Component Analysis on Masked and Non-masked Face Recognition. In: 1st International Conference on Advances in Science, Engineering and Robotics Technology 2019, ICASERT 2019. Institute of Electrical and Electronics Engineers Inc.; 2019. doi:10.1109/ICASERT.2019.8934543

[6] Loey M, Manogaran G, Taha MHN, Khalifa NEM. A hybrid deep transfer learning model with machine learning methods for face mask detection in the era of the COVID-19 pandemic. Meas J Int Meas Confed. 2021;167:108288. doi:10.1016/j.measurement.2020.108288

[7] Militante S V., Dionisio N V. Real-Time Facemask Recognition with Alarm System using Deep Learning. In: 2020 11th IEEE Control and System Graduate Research Colloquium, ICSGRC 2020 - Proceedings. Institute of Electrical and Electronics Engineers Inc.; 2020:106-110. doi:10.1109/ICSGRC49013.2020.9232610

[8] Ahmed I, Ahmad M, Rodrigues JJPC, Jeon G, Din S. A deep learning-based social distance monitoring framework for COVID-19. Sustain Cities Soc. 2021;65:102571. doi:10.1016/j.scs.2020.102571

[9] Punn NS, Sonbhadra SK, Agarwal S, Rai G. Monitoring COVID-19 social distancing with person detection and tracking via fine-tuned YOLO v3 and Deepsort techniques. Published online May 4, 2020.

[10] Hou YC, Baharuddin MZ, Yussof S, Dzulkifly S. Social Distancing Detection with Deep Learning Model. In: 2020 8th International Conference on Information Technology and Multimedia, ICIMU 2020. Institute of Electrical and Electronics Engineers Inc.; 2020:334-338. doi:10.1109/ICIMU49871.2020.9243478

[11] Landesa-Vázquez I, Alba-Castro JL. The role of polarity in haar-like features for face detection. In: Proceedings - International Conference on Pattern Recognition. ; 2010:412-415. doi:10.1109/ICPR.2010.109

[12] Lang L, Gu W. Study of face detection algorithm for real-time face detection system. In: 2nd International Symposium on Electronic Commerce and Security, ISECS 2009. Vol 2. ; 2009:129-132. doi:10.1109/ISECS.2009.237

[13] Redmon J, Farhadi A. YOLOv3: An Incremental Improvement. Published online April 8, 2018.

[14] Lin TY, Maire M, Belongie S, et al. Microsoft COCO: Common objects in context. In: Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). Vol 8693 LNCS. Springer, Cham; 2014:740-755. doi:10.1007/978-3-319-10602-1_48