Detección de mascarilla para COVID-19 a través de Aprendizaje Profundo usando OpenCV y Cascade Trainer GUI

Palabras clave: Aprendizaje de Maquina, Aprendizaje Profundo, redes convolucionales, falsos positivos

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

La descarga de datos todavía no está disponible.

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

Publicado
2021-06-21
Cómo citar
Chuquimarca Jimenez, L., Pinzón Tituana, S., & Rosales Pincay, A. (2021). Detección de mascarilla para COVID-19 a través de Aprendizaje Profundo usando OpenCV y Cascade Trainer GUI. Revista Científica Y Tecnológica UPSE, 8(1), 68-73. https://doi.org/10.26423/rctu.v8i1.572
Sección
Artículos científicos