Detección de mascarilla para COVID-19 a través de Aprendizaje Profundo usando OpenCV y Cascade Trainer GUI
Resumen
La pandemia del covid-19 está provocando una crisis de salud a nivel mundial, una de las recomendaciones de los científicos y gobiernos para evitar contagios es el uso de mascarilla. Con base a esto, el presente artículo muestra el desarrollo de un software que permite detectar la mascarilla en distintos escenarios usando el lenguaje de programación de Python mediante las librerías de cv2, os, numpy y imutils, utilizando redes neuronales convolucionales más eficaces que las redes neuronales comunes, las cuales fueron entrenadas con el software Cascade Trainer GUI, usando diferentes canti-dades de bases de datos desde 400 hasta 1400 imágenes para comparar los distintos tipos de precisión del sistema de detección de la mascarilla. Sin embargo, la primera base de datos no se obtuvo una buena presión por una baja cantidad de falsos positivos, por lo cual a medida que se usa más datos la precisión fue aumentando considerablemente hasta obtener una precisión de 92 % con mascarilla y un 100% sin mascarilla.
Descargas
Citas
Andrés, J. M. A., de Castro, M. T. G. V., Vicente-Guijarro, J., Peribáñez, J. B., Haro, M. G., Valencia-Martín, J. L., ... & Montero, G. G. (2020). Mascarillas como equipo de protección individual durante la pandemia de COVID-19: cómo, cuándo y cuáles deben utilizarse. Journal of Healthcare Quality Research, 35(4), 245-252.
Loey, M., Manogaran, G., Taha, M. H. N., & Khalifa, N. E. M. (2021). A hybrid deep transfer learning model with Machine Learning methods for face mask detection in the era of the COVID - 19 pandemic. Measurement, 167, 108288.
Biamonte, J., Wittek, P., Pancotti, N., Rebentrost, P., Wiebe, N., & Lloyd, S. (2017). Quantum Machine Learning. Nature, 549(7671), 195-202.
Kan, A. (2017). Machine Learning applications in cell image analysis. Immunology and cell biology, 95(6), 525 - 530.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep Learning. nature, 521(7553), 436-444.
Kubilius, J., Bracci, S., & Op de Beeck, H. P. (2016). Deep neural networks asa computational model for human shape sensitivity. PLoS computational biology, 12(4), e1004896.
Python https://www.python.org/
Bauckhage, C. (2015). NumPy/SciPy Recipes for Image Processing: Creating Fractal Images. researchgate. net, Feb.
Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., ... & Oliphant, T. E. (2020). Array programming with NumPy. Nature, 585(7825), 357-362.
Pypi https://pypi.org/project/imutils/
Pypi https://pypi.org/project/OpenCV-python/
Python https://docs.python.org/es/3.10/library/os.html
Arévalo, V., González, J., & Ambrosio, G. (2004). La Librería de Visión Artificial OpenCV. Aplicación a la Docencia e Investigación. Base Informática, 40, 61-66.
Cascade Trainer GUI https://amin-ahmadi.com/cascade-trainer-gui/
Nofallah, S., Mehta, S., Mercan, E., Knezevich, S., May, C. J., Weaver, D., ... & Shapiro, L. (2021). Machine Learning techniques for mitoses classification. Computerized Medical Imaging and Graphics, 87, 101832
Derechos de autor 2021 Revista Científica y Tecnológica UPSE
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
El titular de los derechos de autor de la obra, otorga derechos de uso a los lectores mediante la licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional. Esto permite el acceso gratuito inmediato a la obra y permite a cualquier usuario leer, descargar, copiar, distribuir, imprimir, buscar o vincular a los textos completos de los artículos, rastrearlos para su indexación, pasarlos como datos al software o usarlos para cualquier otro propósito legal.
Cuando la obra es aprobada y aceptada para su publicación, los autores conservan los derechos de autor sin restricciones, cediendo únicamente los derechos de reproducción, distribución para su explotación en formato de papel, así como en cualquier otro soporte magnético, óptico y digital.
