Application of Deep-Learning Methods to Real Time Face Mask Detection

Authors

  • Diego Gonzalez Dondo Centro de Investigación en Informática para la Ingeniería (CIII) de la Universidad Tecnológica Nacional https://orcid.org/0000-0002-7474-9941
  • Javier Andres Redolfi Grupo de Investigación Sobre Aplicaciones Inteligentes (GISAI) de la Universidad Tecnológica Nacional, Facultad Regional San Francisco https://orcid.org/0000-0003-1240-497X
  • R. Gastón Araguás Centro de Investigación en Informática para la Ingeniería - UTNFRC https://orcid.org/0000-0002-2478-5477
  • Daiana Garcia Instituto de Investigaciones en Microbiología y Microtoxicología de la Universidad Nacional de Rio Cuarto https://orcid.org/0000-0002-8652-5531

Keywords:

EPP detection, TinyYOLO, Neural Network, deep learning, facemasks detection

Abstract

Due to the high rate of infection and the lack of a specific vaccine or medication for the new disease known as SARS-CoV2, the World Health Organization (WHO) has recommended the use of Personal Protective Equipment (PPE) as the main measure to avoid or reduce infections. One way to maximize compliance with this recommendation is through an automatic system that can recognize in real time whether a person is correctly using the corresponding PPE. This work presents the design, implementation and performance analysis of a system for recognizing the use of masks from image sequences, with the ability to operate in real time. Based on a generic object detection network, a training scheme is proposed for a detector of faces with masks and faces without masks, wherewith an average detection accuracy higher than 90% is obtained. This accuracy can be improved by using a network with a greater number of parameters, but with a longer computation time. The performance of the detector is validated with video sequences of people with and without facemasks, captured in different environments.

Downloads

Download data is not yet available.

Author Biographies

Diego Gonzalez Dondo, Centro de Investigación en Informática para la Ingeniería (CIII) de la Universidad Tecnológica Nacional

Ing. en Electrónica y Dr. en Ingeniería por la Universidad Tecnológica Nacional. Es docente del Departamento de Ingeniería Electrónica de la UTN, Facultad Regional Córdoba e investigador en el área de fusión sensorial y visión por computadora en el Centro de Investigación en Informática para la Ingeniería en dicha Facultad.

Javier Andres Redolfi, Grupo de Investigación Sobre Aplicaciones Inteligentes (GISAI) de la Universidad Tecnológica Nacional, Facultad Regional San Francisco

Ing. en Electrónica y Dr. en Ciencias de la Ingeniería por la Universidad Nacional de Córdoba, Argentina. Actualmente es becario Post-Doctoral en la Universidad Tecnológica Nacional (UTN), docente e investigador en la misma Universidad. Además se desempaña como director del Grupo de Investigación sobre Aplicaciones Inteligentes (GISAI) de la UTN Facultad Regional San Francisco e investigador en el Centro de Investigación en Informática para la Ingeniería (CIII) para la Ingeniería de la UTN Facultad Regional Córdoba.

R. Gastón Araguás, Centro de Investigación en Informática para la Ingeniería - UTNFRC

Ingeniero en Electrónica, y Doctor en Ingeniería por la Universidad Tecnológica Nacional de la República Argentina. Se desempeña como docente investigador en el área de la robótica y visión por computadoras. Desde el año 2018 es miembro de la Comisión de Posgrado de la UTN, y director del programa de Doctorado, mención Electrónica de la Facultad Regional Córdoba de la UTN. Es Profesor Asociado del departamento de Ingeniería en Electrónica de la Facultad Regional Córdoba de la UTN. Desde el año 2018 es director del Centro de Investigación en Informática para la Ingeniería (CIII) de la UTNFRC.

Daiana Garcia, Instituto de Investigaciones en Microbiología y Microtoxicología de la Universidad Nacional de Rio Cuarto

Microbíologa, Magíster y Dra. en Ciencias y Tecnología Agraria y Alimentaria (doctorado Europeo). Actualmente es Investigadora Adjunta del CONICET la Universidad Nacional de Río Cuarto (URNC), docente e investigadora de las cátedras de Virología y Ecología Microbiana en la misma Universidad.

Published

2021-06-08

How to Cite

Gonzalez Dondo, D., Redolfi, J. A., Araguás, R. G., & Garcia, D. (2021). Application of Deep-Learning Methods to Real Time Face Mask Detection. IEEE Latin America Transactions, 19(6), 994–1001. Retrieved from https://latamt.ieeer9.org/index.php/transactions/article/view/4378

Issue

Section

Special Issue on Fighting against COVID-19