YOLOv8-YC模型在食品安全场景中的应用

摘 要：食品安全与人民群众的健康密切相关，保障食品安全已成为全世界最受关注的话题。如果没有正确规范地佩戴口罩，就会造成飞沫途径传播，出现食品卫生问题。基于此，本文提出一种规范佩戴口罩的检测方法，将YOLOv8模型进行佩戴口罩检测，YCrCb模型形成灰度图，进行规范佩戴口罩的检测。最终，结合以上2种模型，提出复杂环境下关于人脸口罩规范佩戴的检测方法，用于加强食品环境监管，保障食品安全，具有重要使用价值和研究意义。

关键词：食品安全；YOLOv8模型；YCrCb模型；规范佩戴检测

中图分类号：TS 207" " " " 文献标志码：A

餐饮行业的卫生状况是保障食品安全的重要环节，食品加工人员通过规范佩戴口罩可以有效避免食品加工中通过飞沫传播而造成的食品污染，保障食品加工过程中的卫生安全。但是传统的人工监管方式不仅需要耗费大量的人力、物力，而且存在监管不到位的问题。根据人工智能技术对食品加工人员进行监管可以减少食品安全部门的工作量、提高监管的全面性和有效性。YOLO系列是目标领域知名度最高的算法，也是国际领域较为前沿的算法之一。张丽艳[1]（2022）运用与YOLO算法不同的SSD算法进行口罩检测，为之后的2种算法的性能比对，提供了很好的研究成果。蒋纪威[2]（2020）基于深度学习展开了对视频人脸识别方法的研究，从人脸检测和识别2个方面进行优化。陈政生[3]（2021）运用YCrCb阈值分割肤色模型，降低手和遮挡物的错误识别。为了提高在复杂情景下辨别是否佩戴口罩的准确率，本文在采用YOLOv8算法的基础上，结合YCrCb椭圆肤色模型将人脸和口罩合并作为一个检测目标，提出一种新的YOLOv8-YC模型，将规范佩戴、未规范佩戴口罩和未佩戴口罩3种状态进行检测，最终自制口罩识别系统对待测样本进行研究。

1 算法模型选取

1.1 YOLOv8算法模型

YOLOv8是ultralytics公司在2023年1月10日改进的又一重大版本，它在YOLOv7的基础上进行优化。YOLOv8采用了更深的卷积神经网络结构，是一种基于卷积神经网络的目标检测算法。它将整个图像作为输入，直接在图像上进行目标检测和定位，而不需要使用滑动窗口或区域提议，以提高检测精度和速度。它还引入一些新的技术，例如多尺度训练和测试、特征金字塔网络等，以进一步提升检测性能。同时，它也可以广泛应用于各种场景，例如智能监控、自动驾驶以及人脸识别等。

YOLO系列算法随着版本的更新迭代，在精度mAP与帧率中均呈递增式变化。与SSD算法相比，YOLOv8算法不仅精度提高了43.23%，而且帧率提高了10.28倍，与之前的目标算法相比，很大程度地提升了性能和准确率，见表1。

综上所述，通过比较可知，YOLOv8算法能更好地进行目标检测分析，给本文改进的口罩规范佩戴检测系统提供更好的精度和更快的帧率，因此选择YOLOv8作为本试验的网络研究模型。

1.2 YCrCb色彩空间的椭圆肤色模型

1.2.1 YCrCb色彩空间

生活中最常见的色彩空间的是RGB色彩空间。RGB颜色空间又称为红绿蓝颜色空间，即由红色、绿色和蓝色3种基色合成的所有颜色空间。但是这3种基色不仅表示色调，还受光线变化下亮度的影响。随着亮度变化，R、G、B三个基色的值也会产生变化，因此，这种色彩空间并不适用于人体视觉感知对物体的判断。YCrCb将RGB颜色模式分解成亮度（Y）和色度（Cr和Cb）分量，其中Cr和Cb分量代表红色分量、蓝色分量与亮度的差值。与RGB色彩空间相比，YCrCb色彩空间所占用的频带宽度也相对较小，可以广泛应用于数字图像和视频的处理。同时，YCrCb色彩空间可以分离出亮度信息和色度信息的特点，具有运算简便、不受亮度影响以及色彩聚类特性较好的优势。

1.2.2 YCrCb椭圆肤色模型

Hsu.R.L于2002年提出了YCrCb椭圆肤色模型，运用YCrYb色彩空间将亮度信息单独处理的特点进行肤色检测，通过将RGB色彩空间转换为YCrCb色彩空间形成更好色彩聚类，从而进行肤色检测，图像模型也由之前的三维的颜色空间转变成二维。具体转换公式如公式（1）所示[4]。

（1）

完成了原始图像在YCrCb色彩空间的映射后，对其中Cr和Cb色度进行一系列非线性变换后可以得到新的YCr'Cb'色彩空间。某个象素点在YCr'Cb'色彩空间中对应的坐标（x，y）如公式（2）所示。

（2）

式中：Cb=109.38，Cy=152.02，θ=2.53（弧度）。

肤色信息在YCr'Cb'色彩空间中会产生聚类现象，生成一个形状似椭圆的分布模型，即椭圆肤色模型，其计算过程如公式（3）所示。

（3）

其中，ecx=1.60，ecy=2.41，a=25.39，b=14.03。

根据公式（2）求出原始图片中某个像素点的坐标，将求得的x值和y值代入公式（3）中判断该像素点是否落在椭圆的区域内。在椭圆内即为皮肤区域，不在椭圆内为非皮肤区域。

2 基于改进的YOLOv8-YC口罩检测模型

本试验运用目标检测模型进行颜色识别的改进后，可以检测3种佩戴状态，用于区分是否正确佩戴口罩。有效解决食品加工场所中人员口罩佩戴实时检测的问题。在改进后的检测任务里，口罩检测任务的精度得到了明显提升，且判断依据也进行新的升级，将改进后的算法命名为YOLOv8-YC（YouOnlyLookOnce-YCrCb）。

2.1 口罩检测数据集

2.1.1 数据集建立

划分训练集和测试集，分别将370份‘mask’与375份‘no_mask’共745份划分为测试集，即“train”；将剩余数据集8420份划分为训练集，即“val”，共9165个目标群体进行系统的研究。

2.1.1.1 数据集的标注

使用Labelimg（版本：v1.8.6）标注图像，生成适合YOLOv8训练的txt格式的文件，txt文件中标注的‘mask’对应的类别为‘0’，‘no_mask’对应的类别为‘1’。

2.1.1.2 数据集标的物的处理

初步整理好试验所需的数据集后，发现人脸数据集中的位置分布不位于图像中心处，这给YOLOv8-YC模型的检测增加了难度；因此，试验选择了聚类算法进行标的物聚类，这样可以可视化解决标的物分布不均，导致结果不准确的问题。

2.2 模型的构建与评估

2.2.1 构建说明

目标检测也称为目标提取，是一种基于目标几何和统计特征的图像分割，输出目标信息以及目标物体的具体定位。

YOLOv8-YC是一种基于卷积神经网络的目标检测算法，结合色彩空间和肤色模型，为图像分割和图像识别带来了绝佳选择。

YOLOv8-YC算法由以下3个部分组成。①Backbone（主干网络）——特征提取。②neck——特征融合。③head——结果输出。

2.2.2 模型评估

试验采用目标检测任务中的评价指标来测试整体性能：P（Positive）表示目前预测这个行为是佩戴口罩；N（Negative）表示目前预测这个行为是不佩戴口罩；T（True）表示预测正确；F（）表示预测错误混淆矩阵见表2。

由表2可以计算的指标如公式（1）～公式（5）所示[5]。

（1）

（2）

（3）

Loss=λ1Lbox+λ1Lobj+λ1Lcls " （4）

（5）

式中：Recall表示正确类别并被正确预测的概率；Precision表示实际模型中正确样本数的百分比；Accuracy表示预测结果正确的数量占样本总数；Loss表示用来估量模型预测值与真实值不一致的程度。

3 模型运行实现

3.1 模型设计

将YOLOv8算法与YCrCb模型改进为YOLOv8-YC口罩检测模型，通过Socket通信后，树莓派4B与服务管理器实现了信息传输，符合要求的照片经摄像头拍摄，运用YOLOv8-YC模型进行图像预处理、特征提取、识别分类等检测，对检测通过的目标群体予以持续检测或门口放行；对不佩戴口罩和不规范佩戴口罩的目标群体播报警报语音或进行放行拦截（舵机可用于随时拆卸，试具体情况而定），如图1所示。其次，在构建模型权重的基础上制定初始化模型，并依据目标物体的距离，设定NMS伪距离阈值，为符合最小距离的目标物体进行拍照，记录是否存在员工擅自离职的现象。本次试验环境主要使用Windows为操作系统，使用Anaconda3 为PyCharm Version2019.3.3的安装建立虚拟环境，同时并入SGD优化算法，对样本和标签进行参数更新以及运行速度的迭代优化，使用PyTorch框架用于储存计算进行中的数据。最终实现在食品加工、生产、销售环节，员工实时按照规定规范佩戴口罩的目标，降低食品被污染的风险。

3.2 YOLOv8-YC模型检测结果

基于改进的YOLOv8-YC模型在测试集上得到的结果，如图2所示。

整体目标群体正脸及侧脸的识别都较为准确，且精确值较高，对于目标群体3种口罩佩戴情况的识别效果理想。

4 结论

传统YOLOV8模型只有“佩戴口罩”和“未佩戴口罩”两种状态，本试验基于YOLOv8目标检测算法对食品加工人员是否佩戴口罩进行识别，结合YCrCb模型进行色度划分来检测对食品加工人员是否规范佩戴口罩，设计了一套新的YOLOv8-YC模型，从而得出“规范佩戴口罩”、“未规范佩戴口罩”和“未佩戴口罩”3种状态。最终的试验结果显示：YOLOv8-YC能够更精确地对口罩佩戴情况进行判断，同时提高了人脸口罩检测和人脸口罩规范佩戴检测的速度和精确度，为检测食品加工人员实时规范佩戴口罩提供了一种可行的方法，具有重要的现实参考意义。

参考文献

[1]张丽艳，赵艺璇，李林.一种基于树莓派的口罩自动检测装置[J].大连交通大学学报，2022（1）：111-114.

[2]蒋纪威.基于深度学习的视频人脸识别方法研究[D].青岛：山东科技大学，2020.

[3]陈政生.基于深度学习的口罩佩戴检测方法研究[D].武汉：华中师范大学，2021.

[4]邱鹏瑞.基于YCbCr肤色模型改进算法及区域特征的人脸检测研究[J].计算机与现代化，2012（4）：179-182，187.

[5]周志华.机器学习[M].北京：清华大学出版社，2018：28-35.