当下疫情肆虐。每当疫情情况更严重的时候，就诊的病患就会更多，就需要更多的医护人员参与医院的高效运转。医护人员作为抗疫一线的中坚力量，他们的流动也可能会导致新冠病毒的传播。因此，从某种程度上来说，有效监控医护人员的快速流动显得尤为重要。

市场上现有多款考勤系统，主要包括指纹考勤、机械打卡及人脸识别系统等。然而，指纹考勤和机械打卡存在接触导致传播病毒的可能。口罩的使用，使得人脸识别时的许多关键信息被遮盖，从而降低了识别率。本系统基于深度学习，在关键信息量较少的情况下（例如戴口罩），采用独特的算法来提高人脸识别的效率，可确保医护人员在戴口罩的情况下进行有效的人脸识别考勤。

本团队设计与开发了核心信息缺失场景下医院智能考勤系统，界面设计美观，且操作便捷，主要实现了管理员登录、人员名单查询、添加人员、删除人员、根据时间发布打卡、口罩检测、人脸识别并打卡、自动发送文件到微信号等等功能。

本产品的特色如下：

（1）与传统的打卡系统相比，本产品具有能够跨系统运行的强大功能。

考虑到本产品可能会在不同的系统运行，而QT是一种可以运行在多系统的GUI框架。因此，本产品采用了适合python开发的PyQt5框架，以支持产品在不同系统上运行，比如Macos，Linux，Windows，Android……等等；

（2）本产品采用准确率高的深度学习算法进行佩戴口罩的人脸识别。

首先，用face_recognition提取出每个人员的图像特征，采用dlib中的深度学习方法，在录入的人脸数据库中用欧式距离一一比对相似度，以实现人脸检测；然后，在网络上搜索口罩数据集，进行labelimg打标签，最后送入YOLOv5的神经网络中，采用深度学习算法训练出模型，打卡时调用此模型进行佩戴口罩的人脸识别；

（3）自动将打卡出勤结果生成xlsx表格并发送给管理部门。

传统的打卡系统大多采用手动查询打卡结果，而本系统采用多线程的方式，并模拟键盘和鼠标，能够实现按照管理员设置的时间段，自动将此时间段的打卡结果生成一个xlsx表格，并发送给医院的管理部门。