[發明專利]基于改進YOLOv5s的X光安檢圖像違禁物品檢測方法

在審

• 申請號: 202210705367.8
• 申請日: 2022-06-21
• 公開（公告）號: CN114897887A
• 公開（公告）日: 2022-08-12
• 發明（設計）人: 向嬌;李國權;黃正文;林金朝;吳建
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/44;G06V10/764;G06V10/766;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 廖曦

本發明涉及一種基于改進YOLOv5s的X光安檢圖像違禁物品檢測方法，屬于圖像檢測領域。該方法包括以下步驟：S1：建立基于重參數思想設計的Rep模塊；S2：建立基于重參數的YOLOv5s違禁物品檢測算法；S3：對頸部PAN進行改進。相對于傳統的檢測方法，本發明檢測精度更高，更能夠滿足X光安檢圖像中違禁物品檢測的實際應用需要。

技術領域

本發明屬于圖像檢測領域，涉及基于改進YOLOv5s的X光安檢圖像違禁物品檢測方法。

背景技術

X光行李安檢是維護公共交通安全的重要手段，但目前安檢員通過肉眼對X光圖像進行識別的方法效率較低且易出現誤檢、漏檢的情況，因此需要一種更高效、更精確的違禁物品自動檢測方法。

隨著深度學習在各領域的快速發展，其在X光安檢違禁物品識別領域也有了相應的嘗試。目前，基于深度學習的違禁品自動識別可以分為違禁物品的自動分類、違禁物品的自動檢測以及違禁物品的自動分割三個方面。最早，將卷積神經網絡(ConvolutionalNeural Networks,CNN)通過遷移學習的方式應用于X光安檢違禁品的自動分類中。后來，利用生成對抗網絡技術擴充有限的安檢數據集，從而提升安檢違禁物品的識別精度。Kim等人通過設計一種基于U-net的O-Net結構來進行違禁物品的自動檢測。Miao等人提出了一種類平衡層級精細化(Class-balanced Hierarchical refinement,CHR)模型來解決違禁品自動檢測時正負樣本間類不平衡的問題。Xu等人通過在CNN中引入注意力機制來實現安檢違禁品的自動分割。雖然，基于深度學習的違禁品自動識別技術已經開始被研究，但由于X光圖像不同于自然光圖像，再加上物品擺放的隨意性，在透視性下目標特征不易被學習，導致違禁物品的檢測速度達不到實際應用的要求且檢測精度仍有待進一步提升。

近年來，One-Stage目標檢測算法因其簡單的結構和優越的性能而受到了廣泛的關注，其中YOLO(You Only Look Once)是一系列端到端的目標檢測算法的集合，具有檢測速度快的特點和優勢。由Ultralytics團隊近期開源的YOLOv5算法最大限度的兼顧了實時性和準確性，在實時的違禁品檢測上有很大應用潛力。

YOLOv5s是YOLOv5系列中最小的網絡，本發明以YOLOv5s作為基礎模型，提出了一種改進的X光安檢圖像違禁物品識別方法。在滿足違禁物品自動檢測對實時性要求的同時，提高檢測精度。首先在YOLOv5s的主干網絡中設計并引入了重參數模塊(ReparameterBlock,Rep Block)，在3×3卷積處構造一個平行的1×1卷積分支以協助主干網絡在訓練階段提取更豐富的特征，推理階段將1×1分支融入3×3分支，在不影響推理速度的同時提高檢測精度。其次，在YOLOv5s頸部的路徑聚合網絡(Path Aggregation Network，PAN)中插入兩個壓縮-激勵模塊(Squeeze and Excitation Block,SE Block)，在不影響推理速度的前提下改善了算法對違禁物品的檢測效果。

發明內容

有鑒于此，本發明的目的在于提供一種基于改進YOLOv5s的X光安檢圖像違禁物品檢測方法。

為達到上述目的，本發明提供如下技術方案：

基于改進YOLOv5s的X光安檢圖像違禁物品檢測方法，該方法包括以下步驟：

S1：建立基于重參數思想設計的Rep模塊；

S2：建立基于重參數的YOLOv5s違禁物品檢測算法；

S3：對頸部PAN進行改進。

可選的，所述S1具體為：

設構造的Rep模塊參數如公式(1)所示，即兩個平行卷積分支相加；Rep模塊產生的信息流表示為y＝f(x)+g(x)，其中f(x)、g(x)分別是由3×3核和1×1核實現的卷積分支；