摘要：随着公共卫生安全意识的不断提高，口罩佩戴检测在疫情防控、公共场所管理等领域具有重要的应用价值。本文设计并实现了一个基于卷积神经网络（CNN）的口罩佩戴检测系统。该系统采用深度学习技术，通过训练CNN模型自动识别图像中人员是否正确佩戴口罩，实现了智能化、自动化的检测功能。
项目概览
项目简介
系统主要包括数据预处理、CNN模型训练、图像检测和可视化展示四个模块。数据预处理模块负责图像标准化处理；CNN训练模块用于训练分类识别模型；图像检测模块调用模型完成实时识别；可视化模块负责界面交互和结果展示。整体实现了从图像输入、模型训练到检测输出的完整流程。
本系统采用MATLAB平台开发，构建了包含卷积层、池化层和全连接层的深度神经网络架构。通过对大量口罩佩戴样本的训练，模型能够有效提取图像特征，实现高准确率的分类识别。系统提供了完整的可视化GUI界面，用户可以方便地进行模型训练、加载、图像选择和检测结果查看，操作简单直观。
实验结果表明，系统在测试集上具有较高的识别准确率，能够快速判断口罩佩戴状态，具备良好的实用性和推广价值。该系统可应用于医院、商场、地铁站等公共场所，为疫情防控和公共卫生管理提供技术支持。
系统架构
本系统采用模块化分层架构设计，整体划分为数据层、算法层、业务层和表示层四个部分。数据层主要负责训练样本、测试图像以及模型文件的存储、读取与管理，为系统运行提供基础数据支撑；算法层以卷积神经网络为核心，完成图像特征提取、特征学习和分类识别；业务层负责封装系统核心功能，包括模型训练、模型加载、图像预处理、口罩佩戴检测、分类结果输出和性能评估等；表示层基于 MATLAB GUI 构建三栏式可视化交互界面，实现功能操作、图像显示、检测结果展示、指标反馈和系统状态提示。各层之间通过 handles 结构体进行数据共享和状态同步，使系统具有结构清晰、功能独立、耦合度低、易维护和易扩展等特点。
图1 系统架构图
技术创新
创新点1：优化的轻量级CNN网络结构设计
针对口罩佩戴检测任务的特点，本研究设计了一种优化的轻量级卷积神经网络结构。不同于传统的深层复杂网络（如VGG、ResNet等），本系统采用精简的网络层次配置，在保证识别准确率的前提下，显著降低了模型的参数量和计算复杂度。
创新点2：三栏式可视化交互系统架构
本研究突破了传统口罩检测系统单一功能的局限，设计并实现了集”训练-检测-评估-可视化”于一体的完整系统架构，采用三栏式现代化界面设计，为用户提供了友好、直观、高效的交互体验。
创新点3：自适应模型管理与兼容机制
本研究设计了灵活的模型管理机制，支持多种模型格式的自动识别和加载，并提供了完善的模型训练、保存和恢复功能，显著提升了系统的易用性和鲁棒性。
快速开始
在MATLAB命令窗口中输入 MaskDetectionSystem 并回车运行，即可启动系统进行口罩检测的模型训练或图像识别。
环境要求
系统需要MATLAB R2021a或更高版本，并安装深度学习工具箱（Deep Learning Toolbox）和图像处理工具箱（Image Processing Toolbox）。
运行展示
运行MaskDetectionSystem.m
图2 系统主界面
图3 模型训练完成
图4 模型加载成功
图5 检测结果：已佩戴口罩
图6 检测结果：已佩戴口罩
图7 检测结果：未佩戴口罩
图8 检测结果：未佩戴口罩
项目资源
配套文件
包括完整的项目源代码、演示视频、运行截图，开箱即用。
项目信息
作者信息
作者：Bob (张家梁)
项目编号：AI-10-M
原创声明：本项目为原创作品
