疫情之下，公共場所需要對人流是否佩戴口罩、是否正確佩戴口罩進行嚴格督察。而此項工作冗雜瑣碎，為降低人力成本、提高人員流通的效率，人工智能技術正被應用到疫情防控工作中。

以百度、滴滴為首，許多科技公司都積極研發(fā)并開放了口罩識別模型，WakeData亦在人臉識別模型基礎上開發(fā)了口罩識別模型，可快速識別受檢者是否正確佩戴口罩，準確率達98.5%，高于百度基于PyramidBox-Lite優(yōu)化的口罩識別模型的90.4%（此二項數據均基于同一個測試集檢測得到，公眾號后臺回復“test”即可獲取該測試集）。

其快速迭代的特點，可幫助人臉口罩識別實現模型生成、數據計算兩大成本的降低，可應用于醫(yī)院、火車站、住宅園區(qū)、辦公樓、地鐵站、購物商場等公共場的口罩督察工作中，提升疫情防控效率。

▲百度口罩識別模型將未正確佩戴口罩的照片判為“MASK"，即已佩戴口罩；WakeData將同樣的照片判定為未佩戴口罩。

WakeData口罩識別模型，借鑒了數據中臺的概念，首先構建了人臉識別任務的AI中臺，對人臉的各個部位進行建模并映射到對應的特征空間，用以表示人臉的結構和細節(jié)，每一次人臉口罩識別任務，即相當于一個業(yè)務處理。大致識別流程分為模型儲備、人臉檢測、特征提取、圖像分類四大步驟。

1.模型儲備：首先構建人臉AI中臺，即特征提取模型。使用以ResNet為基本網絡結構和更具區(qū)分度的損失函數來構建深度神經網絡，訓練人臉特征提取模型，得到的人臉特征表示區(qū)分度更強。另有人臉檢測和圖像分類模型，在AI中臺基礎上識別人臉、并通過分類得到檢測結果。

2.人臉檢測、對齊和圖像預處理：原始待檢測圖像經過人臉檢測模型，會檢測出原始圖像中人臉及主要關鍵點（眼睛，鼻子，嘴巴等）的坐標位置，利用這些位置信息對圖像進行預處理，得到下一階段所需要的圖像。

3.人臉特征提取：將上一階段得到的圖像輸入到特征提取模型，在深度網絡中經過一次后向傳播，生成輸入圖像中對應人臉的特征表示，這一特征表示具有普通人臉的共性及區(qū)分不同人臉的個性。

4.圖像分類：將階段3提取的特征表示輸入到預訓練好的特定任務分類模型中，分類模型會結合各特征的權重及當前圖像在各特征上的表現值，綜合判定得到圖像所屬的類型（戴口罩or未戴口罩）。

中國互聯網發(fā)展20余年，為社會帶來了高效與便利，時至今日數字化進程發(fā)展迅速，面對肆虐的新冠病毒，科技與數據有更大的能量助力疫情防控阻擊戰(zhàn)。

WakeData擁有專業(yè)的大數據、人工智能技術，面對疫情勇于承擔一家科技企業(yè)的社會責任，積極開發(fā)口罩識別模型，向社會各界免費開放模型接口，讓資源更好地流通，齊心協力、共抗疫情！