2019 年 12 月在中國武漢市發現了不明肺炎的首例，2020 年 1 月 9 日，中國大陸公布其病原體為新型冠狀病毒。隨後此病毒便迅速遍布至全球各地，爾後WHO 正式命名其為 COVID-19，此疫情也是近年來最嚴重的一次公共衛生事件，致全球經濟倒退及百萬餘人死亡。
本專題研究的主旨著重在如何結合人臉辨識、口罩辨識，並透過雲端資料庫紀錄每個人出入的時間、有無戴好口罩等相關資訊，以達到有效控管人流的目的，並且在保持高準確率的情況下，盡可能優化辨識系統的效率，降低硬體需求的門檻。最後本專題在實作上以 FN8 及 YOLOv3-tiny 為主要的人臉偵測、辨識及口罩配戴辨識的網路架構，能有效降低 FaceNet 和 YOLOv3 原本對硬體設備計算能力的要求並成功製作出能即時運算的人臉辨識及口罩辨識系統。
首先，在辨識系統啟動後會下載所有使用者的特徵數據，透過攝像頭獲取一張使用者的影像後，會先確認使用者口罩配戴狀況以及將使用者人臉透過人臉辨識模型轉換成特徵數據；如果此人是使用者的情況下，就會將辨識紀錄上傳至雲端，若此人是未知使用者的情況下，就會請使用者拍攝人臉影像將特徵註冊至資料庫。為了使得本專題目的得以實現，設置了如下圖之系統架構圖。
本專題的宗旨在於普及此防疫系統於大眾，故我們在維持高準確的情況下盡可能的輕量化我們的網路系統。輕量化後的神經網路架構為「YOLOv3-tiny」，此架構比 YOLOv3 參數運算更少、架構更簡潔、硬體需求更低，圖 2-3-11 為YOLOv3-tiny 之主網路架構圖。我們以 300 張的測試集評測兩種網路架構，YOLOv3 整體準確率 96.6%花費約 27 秒，YOLOv3-tiny 整體準確率 95.0%花費約 5 秒。由上述可知，在犧牲 1.6%準確率的情況下 YOLOv3-tiny 不但可以大幅減少運算時間，也可以降低所需的硬體設備門檻。
