[發明專利]一種基于改進YOLOv4的X光安檢圖像檢測方法

有效

• 申請號: 202110619088.5
• 申請日: 2021-06-03
• 公開（公告）號: CN113362299B
• 公開（公告）日: 2023-09-12
• 發明（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

本發明公開了一種基于改進YOLOv4的X光安檢圖像檢測方法，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。使用GHM?C?loss代替YOLOv4中的置信度損失函數,通過降低簡單負樣本和非常困難的異常樣本的權重，使模型更加專注于那些更為有效的正常困難樣本，從而解決樣本不平衡問題以提升模型的性能。

技術領域

本發明屬于深度學習領域，更具體地，涉及一種基于改進YOLOV4的X光安檢圖像檢測方法。

背景技術

X光安檢機是我國目前應用最廣泛的安檢技術，廣泛應用于城市軌道交通、鐵路、機場、重點場館、物流配送等場景。利用深度學習技術輔助一線安檢人員進行X射線安檢，可以有效減少人員疲勞或注意力不集中造成的漏報問題。但在實際場景中，由于目標的多樣性、遮擋、背景復雜等問題，給算法的發展帶來了一定的挑戰。

基于深度學習的目標檢測方法主要分為兩類：兩階段檢測和一階段檢測。兩階段檢測主要分為兩個步驟：第一步是生成可能包含目標的候選框；第二步是對候選框做進一步分類和校準。典型二階段檢測算法有R-CNN系列、R-FCN等。盡管兩階段目標檢測的精度較高，但檢測速度不滿足X光安檢圖像檢測的實時性要求。一階段目標檢測不需要產生候選框，而是通過網絡直接回歸出目標的位置和類別，以YOLO和SSD系列為代表。YOLOv4是2020年提出的目標檢測算法，它在YOLOv3的基礎上進行了大量改進，不僅精度更高而且速度更快。將YOLOV4改進后應用于X光安檢圖像檢測領域，能夠快速而精確的檢測識別出違禁品。

但是基于YOLOV4的X光安檢圖像檢測算法存在樣本不均衡問題，包括正負樣本的不平衡，難易樣本的不均衡。GHM損失定義了梯度模長，樣本梯度模長與檢測難度成正比，在一個交叉熵損失函數訓練收斂的單階段檢測模型中，梯度模長接近于0的樣本數量最多，隨著梯度模長的增長，樣本數量迅速減少，但是在梯度模長接近于1時，樣本數量又變多了，對于梯度模長接近于0的樣本為簡單樣本，梯度模長接近于1的樣本為特別難分的樣本，即異常樣本。對于單階段檢測模型，負樣本的數量要遠遠大于正樣本，而且大多數負樣本是簡單樣本，單個簡單負樣本的梯度雖然小，但是由于數量過多，會導致簡單負樣本主導模型的訓練；同時，在交叉熵損失函數訓練收斂的單階段檢測模型中又有相當數量的異常樣本，如果模型去關注這些異常樣本會導致模型的準確度降低。

發明內容

為了解決基于YOLOv4的X光安檢圖像檢測算法由于訓練樣本不均衡導致模型性能低的問題，本發明一種基于改進YOLOv4的X光安檢圖像檢測方法，使用GHM-C?loss代替YOLOv4中的置信度損失函數,通過降低簡單負樣本和非常困難的異常樣本的權重，使模型更加專注于那些更為有效的正常困難樣本，從而解決樣本不平衡問題以提升模型的性能。

為了實現以上目的，本發明采取的一種技術方案是：

一種基于改進YOLOv4的X光安檢圖像檢測方法，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。

進一步地，步驟S3包含以下步驟：