Mid Sweden University

Maskininlärning är en teknik som kan användas inom många områden, bland annat inom bildigenkänning. Syftet med detta projekt är a få en grundlig förståelse för hur maskininlärning fungerar, inklusive vilka datatekniska förkunskaper som krävs och vilka utmaningar som finns i självlärande system. Detta har undersökts genom a skapa och optimera e system som identifierar huruvida en person på en bild använder ansiktsmask eller inte. Tyngden har legat på att samla in och hantera data, men framför allt på a optimera flera olika hyperparametrar. Detta genomfördes genom insamling av information för att skaffa en grundläggande förståelse för området. Därefter tränades, validerades och testades systemet. Systemet justerades genom applicering av olika hyperparametrar för a förstå hur dessa påverkade resultatet. Detta gjordes i Keras och resultatet visualiserades i MatPlotlib. Resultatet visade a en utmaning för e självlärande system är a minska overfitting, vilket var anledningen till varför applicering av hyperparametern dropout visade sig vara viktig. Utmaningen med a använda maskininlärning upp fattades framför allt vara a förstå vad som påverkar resultatet, då det finns många parametrar och det tar lång tid att testa alla. Trots det skapades ett tillräckligt bra system för a kunna avgöra om en person bär ansiktsmask eller inte medtanke på den mängd data, tid och kunskap som fanns tillgänglig, vilket tyder på a maskininlärning kan vara användbart både inom detta område och många andra områden i samhället.

Machine learning is a widely used technique, which can be used for image recognition. The aim of this project is to get a basic understanding for how machine learning operates, including the user’s required technical prior knowledge as well as the challenges that exist within a self-learning system. This was examined by creating and optimizing a system that identifies whether a person in a picture is wearing a face mask or not. The main focus of the project has been on collecting and managing data, but most importantly on optimizing hyper parameters. This was executed by collecting information to achieve basic understanding of the topic. Then the system was trained, validated and tested. The system was optimized by application of various hyper parameters to show the user how they affect the result. This was executed in Keras and visualized in MatPlotlib. The result showed that one challenge in a self-learning system is to reduce the risk of overfitting, which is why application of the hyper parameter dropout was important. The challenge in using machine learning seemed to be that many hyper parameters can affect the result, and understanding what, how and why a result is the way it is can be difficult for the user. Despite this, a system that could interpret whether a person in a picture was wearing a face mask or not was created and optimized in a sufficient way regarding the amount of data, time and previous knowledge available. This emphasizes the utility of machine learning both in this and other areas.