Hệ thống nhận diện và đo khoảng cách giữa người với người sử dụng học sâu :Hội nghị khoa học trẻ lần 4

Hội nghị Khoa học trẻ lần 4 năm 2022 (YSC2022) – IUH

Ngày 14/10/2022 ISBN: xxx-xxx-xxx-xxx-x

65  2022 Trường Đại học Công nghiệp Thành phố Hồ Chí Minh

YSC4F.206

HỆ THỐNG NHẬN DIỆN VÀ ĐO KHOẢNG CÁCH GIỮA NGƯỜI VỚI NGƯỜI

SỬ DỤNG HỌC SÂU

NGUYỄN HOANH, ĐỖ NGUYỄN HOÀNG LONG, HUỲNH TRẦN MINH THUẬN,

TRẦN NGUYỄN BÁ THỌ, BÙI NGỌC MINH PHONG

Khoa Công nghệ Điện, Trường Đại học Công nghiệp Thành phố Hồ Chí Minh

[email protected], [email protected], [email protected],

[email protected], [email protected]

Tóm tắt. Trong thời điểm dịch Covid-19, việc giữ khoảng cách giữa mọi người trong phòng có vai trò

quan trọng góp phần làm giảm đi sự lây lan của dịch bệnh, giúp bảo vệ sức khoẻ cộng đồng. Trong bài báo

này, chúng tôi phát triển hệ thống dựa trên mô hình Faster-RCNN, là mô hình học sâu phát hiện đối tượng

là người trên hình ảnh thu được, kết hợp với các thuật toán xử lí ảnh để tính toán số người và khoảng cách

giữa người. Nhằm cải thiện độ chính xác và tốc độ xử lý, chúng tôi sử dụng mạng nơ-ron tích chập ResNet

kết hợp mạng thu phóng EfficientNet thay cho mạng VGG16 trong mô hình Faster-RCNN ban đầu. Quá

trình huấn luyện và kiểm tra trên bộ dữ liệu cho thấy hệ thống có thể phát hiện người đạt độ chính xác với

tỉ lệ là 90%, thuật toán đo khoảng cách có sai số so với thực tế thấp khoảng ± 0.3 (m). Ngoài ra, chúng tôi

còn xây dựng một giao diện trực quan thân thiện với người sử dụng, cho phép hiển thị và lưu trữ các trường

hợp không đúng khoảng cách quy định để tạo thành một phần mềm hoàn chỉnh giúp người dùng nắm bắt

thông tin một cách chính xác. Với nghiên cứu này, nhóm chúng tôi hi vọng hệ thống sẽ góp phần bảo vệ

sức khỏe cộng đồng thông qua việc phát hiện và giữ đúng khoảng cách quy định.

Từ khóa. COVID-19, Faster-RCNN, EfficientNet, học sâu, tính khoảng cách, tính số người.

COUNTING PEOPLE AND MEASURING SPACE DISTANCES SYSTEM BASEDON

DEEP LEARNING

Abstract. During the Covid-19 epidemic, keeping a distance between people in the room plays an

important role in reducing the spread of the disease, helping to protect public health. In this paper, we

develop a system based on the Faster-RCNN model, which is a deep learning model that detects human

objects on the acquired images, combined with image processing algorithms to calculate the number of

people. and distance between people. In order to improve the accuracy and processing speed, we use

ResNet convolutional neural network combined with EfficientNet zoom network instead of VGG16

network in the original Faster-RCNN model. The training and testing process on the data set shows that

the system can detect people with an accuracy of 90%, the distance measurement algorithm has an error

as low as ± 0.3 (m). Besides, We also build a user-friendly intuitive interface that allows displaying and

storing cases that are not at the specified distance to form a complete software that helps users capture

information in a timely manner. exactly. With this study, our team hopes that the system will contribute

to protecting public health by detecting and keeping the prescribed distance.

Keywords. COVID-19, Faster-RCNN, EfficientNet, Deep learning, Measuring space distances,

Counting people.