公共场所内要求每个人正确佩戴口罩是疫情期间一项有效的防护措施,有利于保障人民的生命安全和身体健康,若能实现公共场所下口罩佩戴的智能化监管,这将大大减轻工作人员的工作量并提高监管效率。深度学习有强大的特征学习能力,解决了很多复杂的模式识别难题,课题基于深度学习对公共场所口罩佩戴检测展开研究,并实现了一个口罩佩戴检测系统。主要工作及其创新点如下:1)由于目前未有公开统一的用于复杂场景口罩佩戴检测的数据集,首先筛选出RMFD数据集和WIDER FACE数据集中质量较高的图片,并通过摄像头采集和网络爬虫对图片进行补充,最后进行手工标注自制了一个包含5515张图片的口罩佩戴检测数据集,并利用在线数据增强对图片进行扩充,提高了模型的泛化能力。2)针对公共场所存在密集、遮挡、侧脸和小尺度等复杂场景导致口罩佩戴检测精度不高的问题,对精度和速度均较好的YOLOv3（You Only Look Once version3）算法进行改进,首先改进了YOLOv3算法的特征金字塔网络,利用跳跃连接和包含通道注意力的位置特征增强模块（Location Feature Enhancement,LFE）将低层特征图的丰富位置信息传递到中层特征图和高层特征图中,加强了对口罩和人脸的识别效果;然后使用CIo U损失函数代替均方误差损失函数进行边框回归,提高了算法的定位精度。除佩戴口罩和未佩戴口罩外,改进的YOLOv3算法也能检测出不正确佩戴口罩的情况。实验结果表明:改进的YOLOv3算法在自制的口罩佩戴数据集上m AP达到86.96%,相比YOLOv3算法提高了3.30个百分点,该结果也优于Faster R-CNN、SSD300、DSSD321和YOLOv4等主流算法,且该算法检测速度达到39.2frame/s,满足实时检测要求。3)结合改进的YOLOv3算法和多目标跟踪算法Deep SORT,搭建了一个包括图像获取模块、口罩佩戴检测模块和人员跟踪模块的口罩佩戴检测系统,以进一步验证算法在实际环境中的检测性能。经测试,该系统可以准确、快速检测出未佩戴口罩或未正确佩戴口罩的人员,达到了公共场所口罩佩戴智能化检测的效果。图38幅;表13个;参85篇。