基于改进YOLOv5s的X光安检图像违禁物品检测方法技术

本发明专利技术涉及一种基于改进YOLOv5s的X光安检图像违禁物品检测方法，属于图像检测领域。该方法包括以下步骤：S1：建立基于重参数思想设计的Rep模块；S2：建立基于重参数的YOLOv5s违禁物品检测算法；S3：对颈部PAN进行改进。相对于传统的检测方法，本发明专利技术检测精度更高，更能够满足X光安检图像中违禁物品检测的实际应用需要。用需要。用需要。

【技术实现步骤摘要】
基于改进YOLOv5s的X光安检图像违禁物品检测方法


[0001]本专利技术属于图像检测领域，涉及基于改进YOLOv5s的X光安检图像违禁物品检测方法。

技术介绍

[0002]X光行李安检是维护公共交通安全的重要手段，但目前安检员通过肉眼对X光图像进行识别的方法效率较低且易出现误检、漏检的情况，因此需要一种更高效、更精确的违禁物品自动检测方法。
[0003]随着深度学习在各领域的快速发展，其在X光安检违禁物品识别领域也有了相应的尝试。目前，基于深度学习的违禁品自动识别可以分为违禁物品的自动分类、违禁物品的自动检测以及违禁物品的自动分割三个方面。最早，将卷积神经网络(Convolutional Neural Networks,CNN)通过迁移学习的方式应用于X光安检违禁品的自动分类中。后来，利用生成对抗网络技术扩充有限的安检数据集，从而提升安检违禁物品的识别精度。Kim等人通过设计一种基于U
‑
net的O
‑
Net结构来进行违禁物品的自动检测。Miao等人提出了一种类平衡层级精细化(Class
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进YOLOv5s的X光安检图像违禁物品检测方法，其特征在于：该方法包括以下步骤：S1：建立基于重参数思想设计的Rep模块；S2：建立基于重参数的YOLOv5s违禁物品检测算法；S3：对颈部PAN进行改进。2.根据权利要求1所述的基于改进YOLOv5s的X光安检图像违禁物品检测方法，其特征在于：所述S1具体为：设构造的Rep模块参数如公式(1)所示，即两个平行卷积分支相加；Rep模块产生的信息流表示为y＝f(x)+g(x)，其中f(x)、g(x)分别是由3
×
3核和1
×
1核实现的卷积分支；Rep(3
×
3)＝3
×3‑
BN+1
×1‑
BN
ꢀꢀꢀꢀ
(1)对每个3
×
3卷积，在训练阶段给构造并行的1
×
1卷积分支，并各自经过归一化操作后相加；在推理阶段将1
×
1分支融合进3
×
3分支，得到一个3
×
3卷积分支，减去另一平行分支结构，提升卷积网络的性能，不影响网络检测效率；在Rep模块构造的基础上，基于RepVGG的思想将多分支模块转为单分支；模型的转换是在训练完成后进行，包含如下两个步骤：
①
首先将每个分支中的卷积层、BN层进行融合；直接将卷积结果带入bn公式中，如图3中左边箭头，则输出表示为公式(2)：M
(2)
＝bn(W
(3)
*M
(1)
,μ
(3)
,σ
(3)
,γ
(3)
,β
(3)
)+bn(W
(1)
*M
(1)
,μ
(1)
,σ
(1)
,γ
(1)
,β
(1)
)
ꢀꢀꢀꢀ
(2)其中，和分别表示表示3
×
3和1
×
1卷积层的卷积核，C1，C2代表输入、输出通道数；μ
(3)
,σ
(3)
,γ
(3)
,β
(3)
分别表示3
×
3卷积后BN层的累积均值、标准差、缩放因子和偏差项，μ
(1)
,σ
(1)
,γ
(1)
,β
(1)
对应1
×
1卷积后BN层的累积均值、标准差、缩放因子和偏差项；输入、输出分别表示为*代表卷积运算；将参数带入公式(2)，得到结果如公式(3)；其中，bn是推理阶段的批量标准化函数，i∈[1,C2]；对公式(3)化简得到一个带有偏差项的卷积层；以{W',b'}形式表示{W,b,μ,σ,γ,β}转化后得到的卷积核和偏差项，则有：对任意的i∈[1,C2]，有bn(W...

【专利技术属性】
技术研发人员：向娇，李国权，黄正文，林金朝，吴建，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：