Clasificación de imágenes mediante algoritmos de Deep Learning: Mascarillas de COVID-19

Abstract

La pandemia mundial causada por la Covid-19 ha provocado un antes y un después en nuestras vidas, tanto, que ahora llevar mascarilla con el fin de frenar su contagio es algo primordial e impensable en determinadas ocasiones. A raíz de la desesperación originada por este virus se ha incrementado el interés en métodos científicos que puedan ayudar a estabilizar y controlar la situación. Este proyecto gira en torno a este tema tan actual, ya que persigue alcanzar una eficiente clasificación de imágenes según se lleve mascarilla o no, así como diferenciando también si se lleva de forma incorrecta. Para desarrollarlo, se han empleado redes neuronales convolucionales basadas en Deep Learning, algunos populares paquetes básicos de aprendizaje automático como es Keras o TensorFlow y el lenguaje de programación Python 3.6. Los resultados obtenidos en este experimento, usando las herramientas presentadas y trabajando para lograr un ajuste de parámetros que optimice el resultado, terminan con una precisión del algoritmo máxima de un 95.31 % para el diseño final seleccionado.

The global pandemic caused by Covid-19 has caused a before and after in our lives, so much that now wearing a mask in order to stop its contagion is essential and unthinkable in certain occasions. As a result of the desperation caused by this virus, there has been an increased interest in scientific methods that could help stabilize and control the situation. This project revolves around this very current topic, since it seeks to achieve an efficient images classification depending on whether a mask is worn or not, as well as differentiating whether it is worn incorrectly. To develop it, convolutional neural networks based on Deep Learning, some popular basic machine learning packages such as Keras or TensorFlow and the Python 3.6 programming language have been used. The results obtained in this experiment, using the tools presented and working to achieve a parameter adjustment that optimizes the result, ends with a maximum algorithm precision of 95.31%.