2020年初,新冠肺炎疫情爆发,根据世界卫生组织2022年3月29日公布的最新数据显示,全球累计新冠确诊病例超4.8亿例,超610万人死亡。疫情的反复给我国公共卫生系统带来极大挑战。根据管理学理论,疫情防控的本质是瞬时需求量爆发而产生的资源挤兑的现象,这也就是管理中的抗解问题（Wicked Problem）。而阻断病毒空气传播的路径能有效降低大规模爆发疫情的可能性。因此,在人流相对密集的场所,保证人员规范佩戴口罩并保持安全距离显得尤为重要。本文以目标检测算法为技术核心,针对人脸佩戴口罩检测场景对YOLOx算法进行改进。本文的研究内容主要包括:针对人脸肤色检测的场景下对YOLOx算法进行改进。针对室内人脸佩戴口罩检测场景,提出在YOLOx的基础上加入通道注意力机制,提高在目标检测中人脸图像的权重,用以提高人脸目标检测的准确率。为了避免在损失函数计算时出现的梯度消失或难以精确地反映矩形框大小、形状的问题,本文采用CIo U（CompleteIntersection over Union）损失函数以替代原有的Io U（Intersection over Union）损失函数。经实验证明改进后的YOLOx算法在人脸检测场景中相对改进前的YOLOx算法在准确率上有所提升。针对口罩佩戴过程中难以检测其是否符合规范化佩戴标准的问题,本文提出二次目标检测方法来实现未规范佩戴口罩识别的功能。考虑到实际场景中,部分人员会把鼻孔暴露出来,这种不规范佩戴口罩的行为会使口罩佩戴的防护效果形同虚设。为了实现未规范佩戴口罩识别的功能,本文提出了二次目标检测法。相对于直接对面积占比较小的鼻尖或嘴巴进行目标检测,对未规范佩戴口罩的整张图片进行分类更有利于提高检测的准确率。针对缺少未规范佩戴口罩训练集的问题,本文通过对嘴巴位置上方叠加口罩图像的方法自制数据集,合成多种未规范佩戴口罩图像作为训练集和测试集。针对嘴巴位置无法确定的问题,本文通过手动标记制作数据集,在YOLOx网络中进行训练得到眼睛和嘴巴位置检测模型来确定口罩贴图的位置和口罩旋转的角度。经实验证明,规范佩戴口罩识别网络可以有效识别未规范佩戴口罩情况。针对实际场景中的应用问题本文设计并实现了基于改进YOLOx的口罩佩戴检测系统。该系统针对安全距离检测问题,通过红外传感器确定排队人员的位置。针对口罩佩戴问题,通过口罩佩戴检测模型进行口罩佩戴情况识别。且该系统可以在线下对排队人员进行规范佩戴口罩和保持一米间距提醒,管理人员可通过该系统实现对排队现场的监控。该系统由网络摄像头、红外传感器、本地电脑、主控芯片、电子显示屏、扩音器、蜂鸣器等硬件组成。系统通过网络摄像头获取现场实况信息,通过红外传感器获取现场排队人员的位置信息,通过本地电脑对图像信息进行识别,判断现场人员是否规范佩戴口罩,通过云平台同步信息到网页端和移动端。若检测出未佩戴口罩、未规范佩戴口罩或人员间距过近,系统则通过主控芯片调用扬声器、电子显示屏、蜂鸣器播报对应的音频和视频,提醒现场排队人员规范佩戴口罩或保持安全距离。图[40]表[16]参[75]