自2019年12月新冠疫情开始大规模传播以来,新型冠状病毒已经蔓延至全球200多个国家和地区,对全世界人民的生命健康构成了重大威胁。新型冠状病毒的传播途径主要包括飞沫传播和接触传播,一般可以通过在公共场所进行体温测量、佩戴口罩和保持间距等方式阻断病毒的传播途径,遏止疫情的蔓延趋势。机场、车站等公共交通场所由于职能性质比较特殊,而且人流密度大,是新冠疫情防控工作的重要开展地点。此类公共场所的人流管理是疫情防控期间的重要工作之一,为了高效地监测人流的口罩佩戴情况以便防控人员及时采取应对措施,论文提出了一种基于YOLOv4-tiny算法改进的口罩检测算法。论文的主要工作如下:1.建立了一个包含13 324张图像以及详细标注的口罩检测数据集,用于口罩检测任务的模型训练以及测试。该数据集图像包含了多种真实的社会场景,并结合口罩检测任务的相关要求进行了详细标注。2.在原算法YOLOv4-tiny的骨干网络之后引入了空间金字塔池化结构。该结构将输入特征层进行多尺度池化并融合,以增强网络的感受野,提高特征层的信息量。3.使用路径聚合网络代替YOLOv4-tiny算法的特征金字塔网络作为特征增强模块,将不同尺度的输入特征层分两条路径(自下而上和自上而下)进行特征融合与反复增强,以充分利用网络提取到的细节信息。4.结合CIo U损失函数和标签平滑策略,对口罩检测任务中边界框的定位损失函数和预测类别损失函数进行了优化。并使用Mosaic数据增强方法和学习率余弦退火衰减策略提高了模型的训练效率与检测精度。5.在消融实验里,控制相关变量设置了多组对照实验,验证了论文对网络结构的改进和所用训练策略的有效性。实验结果表明,论文算法在口罩目标和人脸目标上的检测精度分别达到了94.7%和85.7%,相比原算法YOLOv4-tiny分别提高了4.3%和7.1%,并且达到了76.8 FPS(测试于GTX 1050Ti GPU)的实时检测速度。论文算法满足了多种场景下口罩检测任务的检测精度与实时性要求。