[發(fā)明專利]一種基于改進YOLOv4的X光安檢圖像檢測方法

有效

• 申請?zhí)枺?/td>: 202110619088.5
• 申請日: 2021-06-03
• 公開（公告）號: CN113362299B
• 公開（公告）日: 2023-09-12
• 發(fā)明（設計）人: 周城;徐慧;余偉超;尹必才;趙晨薇
• 申請（專利權）人: 南通大學
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V10/82;G06N3/0464;G06N3/08;G06V10/762
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 沈海霞

1.一種基于改進YOLOv4的X光安檢圖像檢測方法，其特征在于，包含以下步驟：

S1.建立含有違禁品的X光安檢圖像數據集，并將數據集分為訓練集和測試集；

S2.利用K-means++聚類算法設置數據集的先驗框；

S3.搭建YOLOv4網絡模型，包含利用GHM-C改進YOLOv4的置信度損失函數；

S4.利用訓練集對改進的YOLOv4模型進行訓練得到X光安檢圖像檢測模型；

S5.利用測試集對X光安檢圖像檢測模型進行測試；

步驟S3包含以下步驟：S31.YOLOv4主干網絡使用CSPDarkNet53來提取特征，頸部網絡使用spp和pan對特征進行融合，頭部網絡采用yolo?head進行回歸和預測；

S32.使用GHM-C?loss優(yōu)化模型的置信度損失函數L_obj：

GHM-C?loss為：

其中,N是每個mini-batch的樣本個數，是二元交叉熵損失函數，g_i是梯度模長，GD(g_i)是梯度模長為g_i的梯度密度；

改進后的置信度損失函數L_obj為：

其中，是梯度密度協調參數：S²是特征圖中包含的網格單元個數，B是每個網格單元的回歸框個數，和用來判斷回歸框中是否有目標物體，和分別表示回歸框有目標物體的預測置信度以及真實置信度；

步驟S3中搭建YOLOv4網絡模型時還包含利用非極大值抑制方法對冗余預測框進行篩選，具體包含以下步驟：

S303.采用Soft?NMS和Diou?NMS相結合的非極大值抑制方法對檢測時產生的冗余預測框進行篩選，Soft-Diou?NMS公式：

其中，s_i為預測框分數,B_i是s_i當前類別預測框，M是當前類別得分最高的預測框，thresh是預設閾值。

2.根據權利要求1的一種基于改進YOLOv4的X光安檢圖像檢測方法，其特征在于，步驟2包含以下步驟：

S21.從數據集中隨機選擇一個樣本作為聚類中心；

S22.采用K-means++算法計算數據集中的每個樣本與聚類中心的最近距離，然后計算每個樣本成為下一個聚類中心的概率，最后采用輪盤法選出下一個聚類中心；

樣本與聚類中心的IOU距離為：d(box,centroid)＝1-IOU(box,centiord)

其中，box是樣本標注框，centroid是聚類中心，IOU是樣本標注框和聚類中心框的交并比；

S23.重復步驟S22,直到選出k個聚類中心；

S24.針對數據集中的每個樣本，計算出它到k個聚類中心的IOU距離，并且將其分到距離最小的聚類中心所對應的類中，從而得到數據集中每個樣本對應的先驗框。

3.根據權利要求1的一種基于改進YOLOv4的X光安檢圖像檢測方法，其特征在于，步驟4包含以下步驟：

S41.修改YOLOv4的cfg文件，包括將每個yolo層中的classes修改成數據集的類別數量，在每個yolo層前的convolution層中修改filters，改成filters＝(classes+5)*3；

S42.設置網絡模型超參數，包括訓練和測試時輸入圖片的尺寸，batchsize，訓練輪數epoch，學習率；

S43.在訓練之前對訓練集采用Mosaic方法增強數據；

S44.使用增強后的訓練集訓練改進后的YOLOv4模型，在訓練時采用自對抗訓練提高訓練效果，然后利用改進后的置信度損失函數、位置損失函數及分類函數構建的總損失函數進行反向梯度迭代更新權重直至模型收斂，保存模型收斂時對應的最優(yōu)權重文件，從而得到X光安檢圖像檢測模型。

4.根據權利要求3的一種基于改進YOLOv4的X光安檢圖像檢測方法，其特征在于，步驟5具體為：

將測試集輸入X光安檢圖像檢測模型進行違禁品檢測，為了解決物體遮擋問題，檢測時使用Soft?NMS和Diou?NMS相結合的非極大值抑制方法對冗余預測框進行篩選，從而得到違禁品位置和類別的圖像。

5.根據權利要求1-4中任一項所述的一種基于改進YOLOv4的X光安檢圖像檢測方法，其特征在于，步驟S1中違禁品包括：槍、刀、扳手、鉗子、剪刀、充電寶、打火機；

所述X光安檢圖像數據集構建步驟如下：利用標記工具對X光安檢圖像進行標注，得到違禁品的位置信息和類別信息的XML文件，接著將X光安檢圖像和XML文件按照Pascal?Voc格式存放形成X光安檢圖像數據集。