一种X光危险物的检测方法技术

本发明专利技术提供了一种X光安检危险物的检测方法，是基于深度学习的目标检测算法，属于计算机视觉领域，包括步骤如下：使用原始YOLOv8模型进行训练，得到原始模型对该数据集检测的特征；按种类调整数据集的图片比例；加入ASFF与SimAM注意力模块，用自适应加权的特征融合Weights

【技术实现步骤摘要】
一种X光危险物的检测方法


[0001]本专利技术涉及计算机视觉领域，具体为一种基于YOLOv8的X光危险物的检测方法。

技术介绍

[0002]随着深度学习与人工智能在现代的迅速发展，尤其是在图像与计算机视觉领域，效果卓越的模型与算法不断出现迭代，相较于之前的传统方法的目标检测，基于深度学习的目标检测已经在该领域达到了很优异的效果。诸多优异的算法技术将被用于工程实际，发挥其真正的实用价值，当前对X光危险物安检的算法精度还较低，尤其对于重叠物体的平均精度效果更差。
[0003]我国是人口大国，随着社会的不断发展，公共交通在人们生活中占据着越来越重要的作用。在日常交通运输中也有着十分巨大的人流量，面对庞大的客流量，各大客运单位每日都承受着的巨大的工作强度。其中检测行李中是否有违禁物是出行当中必不可少的安全措施，防止管制刀具、易燃易爆物品、违禁药物等流入到运输当中，较大程度上地保护了群众的生命财产安全和维持住社会的稳定发展。当今违禁物检测主要依靠人工对X光图像进行识别，终端设备生成X光图像，检测人员则需在传送带传输行李的较短时间内识别行李中是否具有违禁物。而且检测人员需要准确的识别出行李中物品的种类，判断出违禁物的类别和所在位置，由于违禁物品具有种类多样、尺寸差别较大、物质构成复杂等情况，严重考验检测人员的专业能力。并且X光安检图像在物品重叠时会模糊不清，非常容易发生漏检、误判的现象，致使违禁物品流入社会。安检人员长时间处在这种高压的环境下工作难免会出现疏忽，造成漏检、误检。如果一个算法对X光危险物检测的精度较低，会加大安检人员的复检时间和工作量。因此，安检领域需要能够将行李中的违禁物进行自动、快速、准确地识别出来的智能设备。本专利技术提出的基于YOLOv8的X光安检危险物的算法，是一种兼具检测实时性与检测精度的算法框架，可以部署在数字设备上，适用于实际的X光安检检测。

技术实现思路

[0004]为了克服现有X光安检检测的的精度缺陷和识别遮挡物体能力不足，本专利技术提供一种X光危险物的检测方法，在满足实时性的同时，提高了检测精度，尤其大幅提高对遮挡物体的识别精度。其实现步骤如下：
[0005]为了实现上述目的，本专利技术的技术方案是：一种X光危险物的检测方法，包括步骤如下：
[0006]步骤S1、使用原始YOLOv8模型对数据集训练，得到原始模型效果特征，根据该特征按种类调整训练集图片比例；
[0007]步骤S2、对原版YOLOv8模型结构网络改进，加入ASFF模块，使用了多种注意力模块进行测试，选择SimAM注意力模块，使用Weights_concat模块替代原有的特征连接，得到改进后的YOLOv8模型；
[0008]步骤S3、对损失函数修改，加入了slide损失函数，利用修改后的训练集对改进后
的YOLOv8模型进行训练，使用经过backbone、neck层聚合后的特征输入YOLOv8的detect层，对X光危险物目标的位置和类别进行预测，利用损失函数训练模型，收敛以后得到最终的模型权重；
[0009]步骤S4、使用训练后的模型权重，将测试集输入进行检测，测试使用了多种非极大值抑制后处理算法，选择soft
‑
NMS算法，不断调整数据增强的参数大小，得到检测模型和结果。
[0010]在步骤S1中得到原始模型效果特征中训练集中的“枪”物品分类中含有的手枪、左轮手枪、步枪等多种枪型拥有多种差异较大的形状，是该训练集“枪”种类的特征，增大“枪”类别图片的比例。
[0011]在步骤S2中，使用测试的注意力模块包括：CBAM注意力模块、CoordAtt注意力模块、SEAM注意力模块、SimAM注意力模块。
[0012]在步骤骤S3中，所述slide损失函数对YOLOv8原有的分类分支BCE损失函数进行赋值，对网络偏差较大的分类赋予较小损失值，对网络易于分辨的分类赋予较大损失值。
[0013]在步骤S4中，测试使用的非极大值抑制算法有：DIOU
‑
NMS、CIOU
‑
NMS、EIOU
‑
NMS、soft
‑
NMS。
[0014]在于步骤S4中，使用的数据增强方式为：mosaic、mixup、copypaste数据增强，调节三种数据增强的参数，得到最终的模型，进行测试产生最终的检测结果。
附图说明
[0015]图1是本算法的目标检测的流程图；
[0016]图2是YOLOv8改进算法的网络结构图；
[0017]图3是本算法对X光危险物的实际检测图；
具体实施方式
[0018]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0019]如图1所示，本专利技术实施例提供一种X光危险物的检测方法。
[0020]使用原始YOLOv8模型对数据集训练，初始设置训练360次迭代，使用yolov8m预训练权重，不使用数据增强，数据集验证集的划分比例为4:1。得到原始YOLOv8训练后模型，并使用模型进行测试集检测，得到各种类平均精度结果，该场景数据集的测试集有三个，分别为只有单个危险物的easy数据集、有多个危险物的hard数据集、危险物有遮挡的hidden数据集，其中在easy测试集和hard数据集中，“枪”种类检测平均精度相较其他种类较低。
[0021]根据步骤S1中得知，在easy测试集和hard数据集中，“枪”种类检测平均精度相较其他种类较低，在进行训练时加大“枪”种类训练集的数量，将输入模型的含有“枪”类别图片提高至原有4倍。
[0022]在图2中可以看出，YOLOv8原始结构上的head部分加入了ASFF模块，ASFF模块的具体实施方式是：将80
×
80、40
×
40、20
×
20三个不同尺度的特征图层进行操作，以将80
×
80尺度图层降维到40
×
40尺寸和20
×
20尺寸，将40
×
40尺度图层升维到80
×
80尺寸和降维到
20
×
20尺寸，将20
×
20尺度图层升维到40
×
40尺寸和80
×
80尺寸，输入检测头的图层以80
×
80尺寸为例：将网络原有的80
×
80特征图层与40
×
40、20
×
20升维到80
×
80的图层自适应加权相乘加到一起输入到YOLOv8检测头，40
×
40和20
×
20尺寸同理。
[0023]在图2中可以看出，backbone部分的结尾SPPF模块后面加入了注意力模块，使用了三种注意本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种X光危险物检测方法，包括如下步骤：S1、使用原始YOLOv8模型对数据集训练，得到原始模型效果特征，根据该特征按种类调整训练集图片比例；S2、对原版YOLOv8模型结构网络改进，加入ASFF模块，使用了多种注意力模块进行测试，选择SimAM注意力模块，使用Weights_concat模块替代原有的特征连接，得到改进后的YOLOv8模型；S3、对损失函数修改，加入了slide损失函数，利用修改后的训练集对改进后的YOLOv8模型进行训练，使用经过backbone、neck层聚合后的特征输入YOLOv8的detect层，对X光危险物目标的位置和类别进行预测，利用损失函数训练模型，收敛以后得到最终的模型权重；S4、使用训练后的模型权重，将测试集输入进行检测，测试使用了多种非极大值抑制后处理算法，选择soft
‑
NMS算法，不断调整数据增强的参数大小，得到检测模型和结果。2.根据权利要求1所述的一种X光危险物检测方法，其特征在于步骤S1中得到原始模型效果特征中训练集中的“枪”物品分类中含有的手枪、左轮手枪、步枪等多种枪型拥有多种差异较大的形状，是该训练集“枪”种类的特征，增大“枪”类别图片的比例。3.根据权利要求1所述的一种X光危险物检测方法，其特征...

【专利技术属性】
技术研发人员：王晓华，王赞实，戚航，王卫江，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：