口罩辨識的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列各種有用的問答集和懶人包

Flag’s 創客‧自造者工作坊 用 AI 影像辨識學機器學習

為了解決口罩辨識的問題，作者施威銘研究室 這樣論述：

　　不同於常見機器學習皆是由 Python 語言實作, 本書使用 JavaScript 語言於瀏覽器實作機器學習, 搭配著名的 JS 機器學習函式庫 ml5.js 可以更快速且便利地達成 AI 網頁應用, 對於許多熟悉 JS 語言的前端工程師或使用者更為親近, 實驗過程使用 p5.js 程式庫, 讓沒有太多程式設計基礎的使用者也可以更輕鬆將結果視覺化, 再搭配使用 p5.js web editor 線上開發環境, 只需要使用瀏覽器就可以開始輕鬆設計網頁, 不需要在自己的主機建構繁瑣的開發環境, 再搭配 Python 編寫控制板程式, 將應用結合至感測器或實體輸出裝置, 實現更完整的機器學習

應用實例。   　　本書一開始會先介紹機器學習概念與 p5.js web editor 線上開發環境基本操作, 接著直接體驗使用 ml5.js 中的現有模型, 實作可以辨識特定物件的影像分類器。   　　除了網頁實作神經網路外, 可再串連硬體控制板, 藉由控制板輸出預測結果, 比如使用物件偵測來判斷是否有人出現, 對應的 OLED 顯示器模組就會出現迎賓文字或相關訊息；或是語音辨識讓玩家用語音來控制遊戲, 遊戲結束後會通知控制板啟動振動馬達回饋給玩家。   　　最後會使用 ml5 程式庫實際訓練自己的神經網路模型, 首先為利用控制板蒐集感測器資料, 再透過神經網路訓練解決迴歸問題, 如藉由溫度

感測器的訊號, 找出感測值與實際溫度的關係, 做出自製即時電子溫度計, 再結合可以即時顯示畫面去背效果的 U-Net 模型, 就可以使用環境溫度來改變虛擬背景特效。   　　接著為解決分類問題的神經網路, 使用現成的 Facemesh 模型找出臉部特徵點, 分別蒐集臉部不同的角度資料進行訓練, 最終得到一個可以辨識是否打瞌睡的模型, 再串接實體蜂鳴器在打瞌睡時, 發出警報聲提醒使用者。   　　最後訓練的神經網路為卷積神經網路, 透過蒐集配戴口罩與否的不同照片作為訓練資料, 經過卷積神經網路訓練後, 就可以用此模型來判斷畫面中的人是否有正確配戴口罩, 再結合模擬門鎖的伺服馬達, 建構出一套口罩

門禁系統的概念。   　　本產品除實驗手冊外，實驗過程中有任何問題或是建議都可以在 Facebook 粉絲專頁《旗標創客‧自造者工作坊》中留言，即有專人為您服務。   　　本產品 Windows / Mac 皆適用　 　　操作本產品需要視訊鏡頭及麥克風 (筆電內建或 USB 外接 webcam 皆可) 　 本書特色   　　● 用 JavaScript 升級網頁添加機器學習能力 　　● 結合硬體展現機器學習成果實作物聯網應用 　　● 從感測器蒐集資料、訓練模型到應用完整學習

口罩辨識進入發燒排行的影片

口罩配戴影像辨識在不同環境影響之探討-以高斯雜訊為例

為了解決口罩辨識的問題，作者林郁修 這樣論述：

世界各地受到新型冠狀病毒的影響，外出佩戴口罩成了人們基本防疫措施，為了降低不必要的接觸風險部分工作場所與設施都將防疫系統架設在門口，測量體溫、辨識人臉上的口罩等都涵蓋在防疫系統功能中而且這些功能與物件偵測技術息息相關，但考慮到實際情況的環境變化和干擾都會影響物件偵測系統的辨識效果，其中影像雜訊干擾就是影響辨識效果的因素之一，因此本論文探討高斯雜訊影像對於物件偵測統效能的影響及辨識上的變化。本研究使用深度學習結合影像辨識的應用YOLO V4物件偵測系統辨識人臉上的口罩訓練及辨識原始口罩影像和加入不同程度高斯雜訊影響的口罩影像，在口罩數據集準備階段利用四種狀況的數據集訓練YOLO V4模型分別為

：(狀況1)原始口罩影像數據集、(狀況2)將原始口罩影像數據集全部影像加入高斯雜訊環境、(狀況3)將原始口罩影像數據集的部分影像加入高斯雜訊環境、(狀況4)原始口罩影像數據集+部分影像加入高斯雜訊環境口罩影像數據集(又可以稱為經過數據增強的原始口罩影像數據集)，比較四種狀況數據集的模型效能與辨識效果。從實驗結果中得知，經過數據增強的狀況4數據集mAP為76.72%且辨識原始口罩影像和三種不同程度高斯雜訊環境影像的平均辨識率達到81.25%，是四種狀況數據集模型中最好的一組，同時也證明根據環境因素需求以數據增強方式提升數據集數量確實能夠提升模型效能和辨識效果。

最強圖解 ESP32輕鬆玩物聯網和AI 小積木疊創意 以PocketCard為教學板

為了解決口罩辨識的問題，作者蔡佳倫,康文耀 這樣論述：

最強圖解 ESP32輕鬆玩物聯網和AI 小積木疊創意 以PocketCard為教學板   　　用最簡單的積木學寫程式，利用特製的ESP32教學板學物聯網與AI，人人都可以學習如何控制ESP32與ESP32CAM。本書以初學者常用的Blockly積木來控制ESP32開發板，為了讓初學者可以快速上手，本書使用了凱斯電子的ESP32開發板─PocketCard，透過本書，你將可以快速學習物聯網、AI等ESP32與ESP32CAM技術。本書涵蓋八個章節，除了第一章介紹環境以外，第2、3章主要介紹硬體控制部分，第4、5、6章介紹物聯網控制功能，第7、8章介紹ESP32CAM的視訊與AI功

能。 　　 　　適合讀者 　　無任何程式語言學習基礎，但曾學過Scratch等積木語言的讀者 　　會一點程式語言，但是，不是很精通的讀者，想要快速上手ESP32的讀者。

整合二階段類神經網路建模之研究-以室內防疫 空間為例

為了解決口罩辨識的問題，作者鄭仕暐 這樣論述：

COVID-19（Coronavirus disease 2019，嚴重特殊傳染性肺炎）在中國於2019年12月首次被發現，隨後在全球各地也開始陸續發現確診病例。世界衛生組織(WHO)報告中指出COVID-19的潛伏期長達14天，無症狀病例也具有疾病傳播風險，僅識別並隔離有症狀的新冠肺炎患者並不能有效控制傳播，多數無症狀患者仍有可能在不知情的情況下傳播病毒，造成公共衛生風險。針對防疫除了配戴口罩與體溫測量外，空氣因子與室內防疫至關重要，本研究應用兩階段類神經，第一階段深度學習結合影像辨識與測距，使用YOLOv5訓練人臉/口罩偵測模型配合Monoloco測距，在防疫空間內辨識是否有配戴口罩以及

是否有保持社交距離，轉換成口罩及社交距離涵蓋率，並與室內空氣因子結合，輸入至第二階段機器學習進行統計分析，使用SPSS進行皮爾森相關/羅吉斯回歸分析得出因子特徵顯著性，再使用XGBoost進行決策樹分析得出因子重要性，最後再根據前面分析結果使用SPSS Modeler類神經網路產出新風系統準確度模型，對其進行綜合分析，得出因子對於新風系統以及防疫的重要性。