Diseño y desarrollo de una red neuronal convolucional capaz de identificar clases de mascarillas

Abstract

[ES] El presente Trabajo Final de Grado, surge de la necesidad de ciertas empresas de verificar de forma eficiente el uso correcto de las mascarillas durante la jornada laboral, según las correspondientes directrices de la empresa. Para lograr este objetivo, se han desarrollado algoritmos y se han entrenado redes neuronales convolucionales (RNC) utilizando técnicas de Deep Learning con el lenguaje de programación ¿Python¿ y las librerías de ¿Keras¿ y ¿TensorFlow 2.0¿. Así pues, se han combinado modelos entrenados para realizar la detección de mascarillas y la clasificación de las mismas. Además, también se ha entrenado un modelo capaz de realizar ambas tareas simultáneamente. Los clasificadores constan de cinco clases: sin mascarilla, mascarilla quirúrgica, mascarilla de tela, mascarilla FFP1 y mascarilla FFP2. Por consiguiente, se ha logrado que los modelos sean capaces de realizar la correcta identificación del tipo de mascarilla que una persona esté usando. Para realizar la detección de mascarillas, se ha hecho uso del algoritmo ¿Haar Cascade¿ y de la arquitectura ¿YOLO-v4¿. Además, también se ha utilizado esta última arquitectura para realizar las tareas de detección y clasificación de mascarillas simultáneamente. Adicionalmente, una vez entrenados todos los modelos, se han analizado las mejores combinaciones de estos en orden a determinar la solución óptima. De este modo, gracias al contenido desarrollado en el trabajo, las empresas serán capaces de detectar inmediatamente el correcto cumplimiento de sus directrices.

[CA] El present Treball Final de Grau, sorgeix de la necessitat de certes empreses de verificar de manera eficient, l'ús correcte de les mascaretes durant la jornada laboral, segons les corresponents directrius de l'empresa. Per a aconseguir aquest objectiu, s'han desenvolupat algorismes i s'han entrenat xarxes neuronals convolucionals (XNC) utilitzant tècniques de Deep Learning amb el llenguatge de programació “Python” i les llibreries de “Keras” i “TensorFlow 2.0”. Aleshores, s'han combinat models entrenats per a realitzar la detecció i la classificació de mascaretes. A més, també s'ha entrenat un model capaç de fer totes aquestes tasques simultàniament. Els classificadors consten de cinc classes: sense mascareta, mascareta quirúrgica, mascareta de tela, mascareta FFP1 i mascareta FFP2. Per consegüent, s'ha aconseguit que els models siguen capaços de realitzar la correcta identificació del tipus de mascareta que una persona estiga usant. Per a realitzar la detecció de màscares, s'ha fet ús de l'algorisme “Haar Cascade” i de l'arquitectura “YOLO-v4”. A més, també s'ha utilitzat aquesta última arquitectura per a fer les tasques de detecció i classificació de màscares simultàniament. Addicionalment, una vegada entrenats tots els models, s'han analitzat les millors combinacions d'aquests amb vista a determinar la solució òptima. D'aquesta manera, gràcies al contingut desenvolupat en el treball, les empreses seran capaços de detectar immediatament el correcte compliment de les seues directrius.

[EN] This bachelor's thesis arises from the need of certain companies to efficiently verify the correct use of masks during the working day, according to the corresponding company guidelines. To achieve this objective, algorithms have been developed and convolutional neural networks (CNN) have been trained using Deep Learning techniques with the "Python" programming language and the "Keras" and "TensorFlow 2.0" libraries. Thus, trained models have been combined to perform mask detection and to perform mask classification. In addition, a model capable of performing both tasks simultaneously has also been trained. The classifiers consist of five classes: no mask, surgical mask, fabric mask, FFP1 mask and FFP2 mask. Consequently, the models are capable of correctly identifying the type of mask that a person is wearing. To perform mask detection, the "Haar Cascade" algorithm and the "YOLO-v4" architecture have been used. In addition, the latter architecture has also been used to perform the tasks of mask detection and classification simultaneously. Additionally, once all the models have been trained, the best combinations of these have been analyzed in order to determine the optimal solution. In this way, thanks to the content developed in this bachelor¿s thesis, the different companies will be able to immediately detect the correct compliance with the guidelines imposed by them.