介紹

我們知道，在當(dāng)前形勢(shì)下，我們正在逐步穩(wěn)定地克服大流行病的情況，而且情況每天都在改善。但是，眾所周知，即使已經(jīng)開始接種疫苗，徹底根除該病毒仍需花費(fèi)很多年。因此，為安全起見(jiàn)，在接下來(lái)的幾年中，我們所有人都可能會(huì)習(xí)慣于戴口罩。就違反交通規(guī)則而言，政府仍然嚴(yán)格對(duì)在路上開車不戴口罩的人處以罰款。建立一個(gè)系統(tǒng)，能夠追蹤所有交通違法者的細(xì)節(jié)，提高公民的意識(shí)和紀(jì)律，是一個(gè)非常有用的辦法。還可以通過(guò)另外創(chuàng)建一個(gè)儀表板監(jiān)視程序來(lái)跟蹤該交通規(guī)則違反者的增加或減少，在給定期間內(nèi)收集罰款，確定主要違反規(guī)則的人群，從而改善該系統(tǒng)。工作范圍作為代碼實(shí)現(xiàn)的一部分，我們計(jì)劃設(shè)計(jì)一個(gè)模型，將圖像分類為戴口罩的和沒(méi)戴口罩的。對(duì)于獲得的屬于沒(méi)戴口罩類別的圖像，我們獲取車輛號(hào)牌的圖像，并嘗試提取車輛詳細(xì)信息。車牌識(shí)別使用第二個(gè)模型完成，該模型接收帶有車牌的輸入作為汽車圖像。一旦完成了車輛ID，我們便將詳細(xì)信息傳遞到虛擬數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)包含車牌持有人的數(shù)據(jù)以及車輛的詳細(xì)信息。根據(jù)數(shù)據(jù)驗(yàn)證，我們將產(chǎn)生罰款，該罰款將直接發(fā)送到違規(guī)者的家庭住址。軟件架構(gòu)

網(wǎng)頁(yè)抓取圖片

項(xiàng)目始于確定要使用的數(shù)據(jù)集的問(wèn)題。在我們的項(xiàng)目中，在線沖浪幾乎無(wú)法為我們提供可用于我們項(xiàng)目的現(xiàn)有數(shù)據(jù)集。因此，我們決定應(yīng)用網(wǎng)絡(luò)抓取收集戴口罩和沒(méi)戴口罩的圖像。我們使用Beautiful Soap and Requests庫(kù)從網(wǎng)站下載圖像并將其保存到包含戴口罩和沒(méi)帶口罩駕駛員的不同文件夾中。我們從下面的URL中提取了數(shù)據(jù)，這些URL由已屏蔽圖像和未屏蔽圖像組成。鏈接url1 ＝ https：／／www．gettyimages．in／photos／driving－mask？page＝鏈接url2 ＝ https：／／www．gettyimages．in／photos／driving－without－mask？page＝下面是一段代碼，演示了Web上的圖像抓取。from bs4 import ＊
import requests as rq
import os
url1 ＝ ＇https：／／www．gettyimages．in／photos／driving－mask？page＝＇
url2 ＝ ＇＆phrase＝driving％20mask＆sort＝mostpopular＇
url＿list＝［］
Links ＝ ［］
for i in range（1，56）：
   full＿url ＝ url1＋str（i）＋url2
   url＿list．a(chǎn)ppend（full＿url）
for lst in url＿list：
   r2 ＝ rq．get（lst）
   soup ＝ BeautifulSoup（r2．text， ＇html．parser＇）
   x＝soup．select（＇img［src＾＝＂https：／／media．gettyimages．com／photos／＂］＇）
   for img in x：
       Links．a(chǎn)ppend（img［＇src＇］）
   print（len（Links））
for index， img＿link in enumerate（Links）：
  if i ＜＝ len（Links）：
      img＿data ＝ rq．get（img＿link）．content
      with open（＂Masked＿Drivers／＂ ＋ str（index ＋ 1） ＋ ＇．jpg＇， ＇wb＋＇） as f：
          f．write（img＿data）
          i ＋＝ 1

圖像預(yù)處理在將圖像發(fā)送到模型之前，我們需要應(yīng)用一些清理技術(shù)，例如圖像大小調(diào)整圖像的灰度和將像素重新縮放為較低的值。之后，圖像和目標(biāo)將保存在陣列中。import cv2，os
data＿path＝＇Dataset＇
categories＝os．listdir（data＿path）
labels＝［i for i in range（len（categories））］
label＿dict＝dict（zip（categories，labels）） ＃empty dictionary
print（label＿dict）
print（categories）
print（labels）
img＿size＝100
data＝［］
target＝［］
img＿size＝100
data＝［］
target＝［］
for category in categories：
   folder＿path＝os．path．join（data＿path，category）
   img＿names＝os．listdir（folder＿path）
       
   for img＿name in img＿names：
       img＿path＝os．path．join（folder＿path，img＿name）
       img＝cv2．imread（img＿path）
       try：
           gray＝cv2．cvtColor（img，cv2．COLOR＿BGR2GRAY）          
           ＃Coverting the image into gray scale
           resized＝cv2．resize（gray，（img＿size，img＿size））
           ＃resizing the gray scale into 50x50， since we need a fixed common size for all the images in the dataset
           data．a(chǎn)ppend（resized）
           target．a(chǎn)ppend（label＿dict［category］）
           ＃appending the image and the label（categorized） into the list （dataset）
       except Exception as e：
           print（＇Exception：＇，e）
           
         
 import numpy as np
data＝np．a(chǎn)rray（data）／255．0
data＝np．reshape（data，（data．shape［0］，img＿size，img＿size，1））
target＝np．a(chǎn)rray（target）
from keras．utils import np＿utils
new＿target＝np＿utils．to＿categorical（target）
np．save（＇data＇，data）
np．save（＇target＇，new＿target）

建立模型在這里，我們使用Keras的Sequential設(shè)計(jì)CNN模型。使用大約200個(gè)神經(jīng)元作為輸入來(lái)構(gòu)建CNN。應(yīng)用激活函數(shù)和最大池化技術(shù)后，我們將獲得另一組輸出特征，這些特征將通過(guò)Conv2D的另一層傳遞。最后，我們從softmax中獲得2個(gè)輸出，它們代表輸入圖像的戴口罩或未戴口罩狀態(tài)。from keras．models import Sequential
from keras．layers import Dense，Activation，F(xiàn)latten，Dropout
from keras．layers import Conv2D，MaxPooling2D
from keras．callbacks import ModelCheckpoint
model＝Sequential（）
model．a(chǎn)dd（Conv2D（200，（3，3），input＿shape＝data．shape［1：］））
model．a(chǎn)dd（Activation（＇relu＇））
model．a(chǎn)dd（MaxPooling2D（pool＿size＝（2，2）））
model．a(chǎn)dd（Conv2D（100，（3，3）））
model．a(chǎn)dd（Activation（＇relu＇））
model．a(chǎn)dd（MaxPooling2D（pool＿size＝（2，2）））
model．a(chǎn)dd（Flatten（））
model．a(chǎn)dd（Dropout（0．5））
model．a(chǎn)dd（Dense（50，activation＝＇relu＇））
model．a(chǎn)dd（Dense（2，activation＝＇softmax＇））
model．compile（loss＝＇categorical＿crossentropy＇，optimizer＝＇adam＇，metrics＝［＇accuracy＇］）
訓(xùn)練和測(cè)試模型構(gòu)建CNN模型后，我們將數(shù)據(jù)分為訓(xùn)練集和測(cè)試集。后來(lái)，我們通過(guò)設(shè)置各種參數(shù)（例如時(shí)期，訓(xùn)練集，驗(yàn)證集和驗(yàn)證拆分值），在訓(xùn)練和測(cè)試數(shù)據(jù)上擬合CNN模型。from sklearn．model＿selection import train＿test＿split
train＿data，test＿data，train＿target，test＿target＝train＿test＿split（data，target，test＿size＝0．4）
checkpoint ＝ ModelCheckpoint（＇model－｛epoch：03d｝．model＇，monitor＝＇val＿loss＇，verbose＝0，save＿best＿only＝True，mode＝＇auto＇）
history＝model．fit（train＿data，train＿target，epochs＝20，callbacks＝［checkpoint］，validation＿split＝0．1）