A Real Time Face Mask Detection Application for COVID-19

Abstract

Artificial intelligence has now pervaded all aspects of daily life, particularly computer vision sectors like object identification and facial recognition. In 2020, the World Health Organisation (WHO) has recommended wearing face masks in public places to reduce the spreading of the deadly Coronavirus. As a result, the development and implementation of applications for face mask detection have become critical; our small work, titled "A Real-time Face Mask Detector application for COVID-19" comes into this category. The study had allowed us to compare the performance of several machine learning and deep learning classifiers, and we came to the conclusion that KNN and SVM are preferable to CNN for real-time face mask detection due to their fast execution times. Besides, additional efforts should be made to collect more data about individuals of colour (of African, Asian, or South American descent) who are wearing masks incorrectly.

De nos jours, l'intelligence artificielle est devenue un domaine qui imprègne tous les aspects de la vie quotidienne, en particulier les secteurs de la vision par ordinateur notamment la détection d'objets et la reconnaissance faciale. En 2020, l'Organisation Mondiale de la Santé (OMS) a recommandé de porter des masques dans les lieux publics pour réduire la propagation du Coronavirus. En conséquence, le développement et la mise en oeuvre d'applications pour la détection de masques sont devenus critiques ; notre modeste travail, intitulé "Une application de détecteur de masque facial en temps réel pour COVID-19" s‘inscrit dans ce cadre. L'étude nous avait permis de comparer les performances de plusieurs classificateurs d'apprentissage automatique et d'apprentissage profond, et nous sommes arrivés à la conclusion que KNN et SVM sont préférables à CNN pour la détection de masques faciaux en temps réel en raison de leurs temps d'exécution rapides. En outre, des efforts supplémentaires devraient être déployés pour collecter davantage de données sur les personnes de couleur (d‘origine africains, asiatique, ou sud-américain) qui portent des masques de manière incorrecte.