COMPARISON OF PRETRAINED TRANSFER LEARNING MODELS ON FACE-MASK DETECTION

Abstract

ABSTRACT

The global pandemic known as COVID-19 puts huge pressure on researchers to use technological solutions to provide further protection mechanisms. Face masks are one of the most important protection mechanisms among other health protocols. This thesis aims to detect the mask wearing problem by utilizing four CNN models: VGG16, ResNet50V2, InceptionV3 and MobileNetV2 based on Transfer Learning, in addition the provides a comparison based on their performances. The proposed model enhances the classification of mask wearing into three classes; without the mask, the correct wearing of the mask, and not the correct wearing of the mask. The previously mentioned four transfer learning models of CNN architectures were used to train, test, and validate based on the image dataset. The results reveal that the proposed model has performed the classification task successfully. VGG-19 was highlighted as the best pre-trained model.

ÖZET

COVID-19 olarak bilinen küresel salgın, bu salgına karşı daha fazla koruma mekanizmaları geliştirme ve teknolojik çözümler sunma konusunda araştırmacılara önemli görevler yüklemektedir. Yüz maskeleri, diğer sağlık protokolleri arasında en önemli koruma mekanizmalarından biridir. Bu tez, CNN tabanlı eğitilmiş modellerden 4 tanesini: VGG16, ResNet50V2, InceptionV3 ve MobileNetV2 kullanarak maske takma sorununu tespit etmeyi ve bunların performanslarına kıyaslamasını yapmayı amaçlamaktadır. Önerilen model kullanıcıları maske takma işlemine göre maskesiz, yanlış makes takmış, doğru maske takmış olarak üç sınıfa ayırır. Bahsedilen CNN tabanlı dört transfer öğrenme modelini eğitmek, test etmek ve doğrulamak için örnek bir veri seti kullanıldı. Sonuçlar, önerilen modelin sınıflandırma görevini başarıyla yerine getirdiğini ortaya koymaktadır. VGG-19, önceden eğitilmiş en iyi model olarak vurgulandı.