基于Django与TensorFlow的实时口罩检测系统设计与实现

1. 项目概述这个基于DjangoTensorFlow的实时口罩检测系统是我在疫情期间完成的一个毕业设计项目。当时观察到公共场所人工检查口罩佩戴情况效率低下于是萌生了用深度学习技术解决这个问题的想法。系统通过摄像头实时捕捉人脸图像使用训练好的CNN模型判断是否佩戴口罩并将结果反馈给管理人员。整套系统采用B/S架构前端负责视频流采集和结果展示后端处理图像识别请求数据库记录检测日志。相比传统人工检查方式这套系统可以实现7×24小时不间断工作单次检测耗时仅需200ms左右准确率达到96%以上。提示项目完整代码已开源文末附获取方式。建议先通读全文了解实现原理再动手实践。2. 系统架构设计2.1 整体技术栈选择系统采用分层架构设计主要包含以下组件前端界面基于HTML5JavaScript实现使用Video.js处理视频流Canvas实现实时检测框绘制Bootstrap保证响应式布局后端服务Django框架搭建采用RESTful API设计规范使用Django Channels支持WebSocketRedis作为消息队列和缓存AI模型TensorFlow 2.x实现MobileNetV2作为基础网络自定义顶层分类器OpenCV进行图像预处理数据存储MySQL数据库存储用户上传记录记录检测结果统计支持历史查询功能2.2 核心工作流程系统运行时的主要数据流如下前端通过浏览器获取摄像头权限持续采集视频流按固定间隔默认200ms截取视频帧发送到后端后端接收图像后调用TensorFlow模型进行推理模型返回检测结果戴口罩/未戴口罩/置信度结果通过WebSocket实时推送到前端展示同时将检测记录存入数据库备查3. 数据准备与处理3.1 数据集构建优质的数据集是模型准确性的基础。我收集了以下来源的数据公开数据集MAFAMasked Faces数据集WiderFace人脸检测数据集自爬取的网络图片约1.2万张自采数据使用不同型号手机拍摄的室内外场景多种光照条件下的样本不同角度、遮挡情况的特写最终构建的数据集包含3.5万张标注图像正负样本比例控制在6:4。标注采用PASCAL VOC格式包含人脸位置和口罩佩戴状态两类标签。3.2 数据增强策略为提高模型泛化能力采用了多种数据增强技术from tensorflow.keras.preprocessing.image import ImageDataGenerator train_datagen ImageDataGenerator( rotation_range20, width_shift_range0.2, height_shift_range0.2, shear_range0.2, zoom_range0.2, horizontal_flipTrue, fill_modenearest)具体增强方式包括随机旋转±20度平移变换20%幅度剪切变形缩放变化水平翻转亮度/对比度调整4. 模型设计与训练4.1 网络架构选择经过对比实验最终采用MobileNetV2作为基础网络选择理由轻量级设计适合实时检测深度可分离卷积计算效率高预训练权重加速收敛改进措施移除原始分类层添加全局平均池化层自定义二分类输出层模型结构示意图Input → MobileNetV2 → GAP → Dropout(0.5) → Dense(1, sigmoid)4.2 训练参数配置关键训练参数如下表所示参数项设置值说明优化器Adamβ10.9, β20.999学习率1e-4使用余弦退火调度Batch Size32根据GPU显存调整Epochs50早停策略监控val_loss损失函数BinaryCrossentropy带类别权重训练脚本核心代码base_model MobileNetV2(weightsimagenet, include_topFalse, input_shape(224,224,3)) x GlobalAveragePooling2D()(base_model.output) x Dropout(0.5)(x) predictions Dense(1, activationsigmoid)(x) model Model(inputsbase_model.input, outputspredictions) for layer in base_model.layers: layer.trainable False model.compile(optimizerAdam(1e-4), lossbinary_crossentropy, metrics[accuracy])4.3 模型优化技巧迁移学习策略前15epoch冻结基础网络后逐步解冻顶层卷积层最后5epoch全网络微调类别不平衡处理计算类别权重采用Focal Loss过采样少数类样本推理速度优化模型量化FP16OpenCV DNN模块部署输入尺寸调整为160×1605. 系统实现细节5.1 Django后端开发关键实现要点异步处理设计使用Celery处理耗时推理任务Redis作为消息代理WebSocket实时推送结果API接口设计# views.py class DetectAPIView(APIView): def post(self, request): img request.FILES[image] img preprocess_image(img) result model.predict(img) return Response({status: result0.5, confidence: float(result)})性能优化措施启用Gzip压缩配置Nginx缓存使用uvicorn替代WSGI5.2 前端交互实现核心功能代码示例// 视频流处理 const video document.getElementById(video); const canvas document.getElementById(canvas); navigator.mediaDevices.getUserMedia({ video: true }) .then(stream { video.srcObject stream; setInterval(() { canvas.getContext(2d).drawImage(video, 0, 0); const imageData canvas.toDataURL(image/jpeg); // 发送到后端API detectMask(imageData); }, 200); }); // WebSocket结果处理 const socket new WebSocket(ws://localhost:8000/ws/detect/); socket.onmessage function(e) { const data JSON.parse(e.data); drawDetectionBox(data); };6. 部署与性能测试6.1 系统部署方案推荐部署环境配置组件版本备注操作系统Ubuntu 20.04 LTSPython3.8虚拟环境隔离TensorFlow2.6GPU加速版Django3.2数据库MySQL 8.0使用Docker-compose编排服务version: 3 services: web: build: . ports: - 8000:8000 depends_on: - redis redis: image: redis:alpine6.2 性能测试结果在不同硬件环境下的表现设备推理耗时FPS显存占用GTX 1080Ti45ms221.8GBRTX 207032ms311.5GBJetson Xavier NX68ms141.2GBCPU(i7-10700)210ms4-注意实际部署时应根据硬件条件调整输入图像尺寸和batch size以达到最佳性能平衡。7. 常见问题与解决方案7.1 模型准确率问题问题表现对侧面人脸检测不准特殊口罩类型识别错误光照强烈时误判解决方案增加困难样本使用Hard Example Mining添加光照归一化预处理7.2 系统延迟问题优化措施# 使用TensorRT加速 from tensorflow.python.compiler.tensorrt import trt_convert as trt converter trt.TrtGraphConverter( input_saved_model_dirsaved_model, precision_modeFP16) converter.convert() converter.save(trt_model)7.3 其他实用技巧多人脸检测优化先用MTCNN检测所有人脸再对每个ROI单独分类使用NMS去除重复框模型监控方案记录预测置信度分布设置异常检测阈值定期评估模型衰减8. 项目扩展方向在实际使用过程中我发现系统还可以进一步优化多模态检测结合温度传感器数据添加语音提示功能集成身份证识别模块边缘计算部署移植到树莓派平台使用TFLite转换模型开发Android端APP管理功能增强添加区域入侵检测实现人流量统计生成防疫报表这个项目从构思到实现共耗时3个月期间遇到过无数坑点比如TensorFlow版本兼容问题、Django静态文件配置错误、跨域访问限制等。最大的收获是深刻理解了从算法研究到工程落地的完整流程。建议想复现的同学先从简化版开始逐步添加功能模块。