基于制造技术

基于

【技术实现步骤摘要】
基于YOLOv5
‑
Mobilenet网络模型的安检图片违禁品图像检测方法、设备和计算机存储介质


[0001]本专利技术属于深度学习图像处理领域，涉及一种基于轻量化
YOLOv5
模型的安检图像违禁品检测方法
。
技术背景
[0002]随着我国经济的发展和客运量的增加，安全检查已经成为人们出行的一道重要安全保障
。
安全检查作为一种安全保障措施，可以有效地预防危险品被带入公共场所和交通工具中
。
在实践中，安全检查包括对人员
、
行李
、
货物等的安全检查，以及对特定场所或设施的安全检查其，目的是确保人们在出行过程中遭遇危险的可能性
。
因此，加强安全检查工作，提高安全检查的科学性和实效性，对于保障人民出行安全
、
促进经济发展都具有重要意义
。
[0003]目前，我国主要采用的安检方式是
X
射线安检技术，它是一种快速
、
准确
、
可靠的成像技术，可以有效地发现旅客携带的可疑物品，如危险品
、
液体
、
武器等
。
在
X
射线安检中，安检设备发射高能
X
射线，穿过旅客携带的行李物品，产生一个二维影像
。
影像中，不同密度和材质的物质会表现出不同的阴影，通过对影像的观察和分析，安检员可以快速准确地确定是否存在可疑物品<br/>。
然而，与自然图像和其他
X
光扫描不同，安检图像中的物体是随机堆放，彼此相互重叠的，对于经验不足的检验者，很容易造成漏检
。
此外，安检工作重复性高，工作内容繁琐复杂，长时间的工作很容易降低安检员的积极性和效率
。
因此，迫切需要一种快速
、
准确和自动的方法来协助安检员检测出
X
光图像中的违禁品
。
[0004]近几年来，各种基于图像处理的深度学习网络快速发展，在目标检测领域，以卷积神经网络为代表的深度学习算法提高了检测精度和检测速度
。
现有的目标检测算法主要分为两类：一种为双阶段检测算法，这类算法是先在候选区域生成可能包含检测物体的预选框，再通过卷积神经网络进行物体检测，常见的有
R
‑
CNN、FastR
‑
CNN、SPP
‑
Net
等，这类算法检测精度高，但是在深层次网络中，检测速度慢，无法满足火焰检测实时性的要求
。
另一种为单阶段检测算法，这类算法将候选区域划分和物体检测两个阶段合二为一，常见的有
Yolo
系列算法，这类算法的特点是网络结构简单
、
检测速度快，能够满足实时检测任务的需求，但对小目标检测的鲁棒性及检测准确性还有待提升
。
[0005]基于深度学习的安检图像违禁品检测方法相比于传统图像处理方法，其检测精度有了大幅提升，并且具有较强的泛化能力，但是模型参数量大，检测速度损耗严重，不易实现在移动端或嵌入式设备上部署
。

技术实现思路

[0006]针对安检图像违禁品的准确度
、
速度及模型大小存在的问题，本专利技术提出了一种基于
YOLOv5
‑
Mobilenet
网络模型的安检图片违禁品图像检测方法，是一种轻量化
YOLOV5
的安检图像违禁品检测方法，为解决上述技术问题，本专利技术采用如下技术方案：一种基于
YOLOv5
‑
Mobilenet
网络模型的安检图片违禁品图像检测方法，包括如下步骤：
[0007]步骤
1.
以安检图片组合数据集；
[0008]步骤
2.
使用标注工具对数据集中安检图片的违禁品图像进行标注；
[0009]步骤
3.
对标注的安检图片的违禁品图像进行数据增强处理得到扩充数据集；
[0010]步骤
4.
通过
MobilenetV2
网络的倒残差结构和
MobilenetV1
网络的深度可分离卷积搭建
YOLOv5
的主干网络，得到
YOLOv5
‑
Mobilenet
网络模型；
[0011]步骤
5.
在
YOLOv5
‑
Mobilenet
网络模型的
MobilenetV2
网络的倒残差结构中引入
SE
注意力机制；
[0012]步骤
6.
优化激活函数，将
h
‑
swish
激活函数作为
MobilenetV2
的倒残差结构的激活函数；
[0013]步骤
7.
使用
coco
数据集对
YOLOv5
‑
MobilenetV
网络模型进行预训练，设置学习率
、
批次大小
、
训练总轮次作为训练参数，得到预训练权重，将预训练权重载入
YOLOv5
‑
MobilenetV2
网络模型；
[0014]步骤
8.
将安检图片数据集输入载入预训练权重的
YOLOv5
‑
Mobilenet
网络模型，得到输入的安检图片数据集中的图片是否有安检违禁物品图像以及安检违禁品图像所在图片中的位置
。
[0015]在一种所述的基于
YOLOv5
‑
Mobilenet
网络模型的安检图片违禁品图像检测方法的方案中，所述
YOLOv5
‑
Mobilenet
网络模型，图像输入所述
YOLOv5
‑
Mobilenet
网络模型的主干网络的第一深度可分离卷积模块，第一深度可分离卷积模块的输出输入第二深度可分离卷积模块的输入，第二深度可分离卷积模块的输出输入第一倒残差结构，第一倒残差结构的输出输入第三深度可分离卷积模块的输入，第三深度可分离卷积模块的输出输入第二倒残差结构的输入，第二倒残差结构的输出分支为第一倒残差结构的第一输出和第一倒残差结构的第二输出，第一倒残差结构的第一输出输入第四深度可分离卷积模块的输入，第四深度可分离卷积模块的输出输入第三倒残差结构的输入，第三倒残差结构的输出分支为第三倒残差结构的第一输出和第三倒残差结构的第二输出，第三倒残差结构的第一输出输入第五深度可分离卷积模块的输入，第五深度可分离卷积模块的输出输入第四倒残差结构的输入，第四倒残差结构的输出输入
SPPF...

【技术保护点】

【技术特征摘要】
1.
一种基于
YOLOv5
‑
Mobilenet
网络模型的安检图片违禁品图像检测方法，其特征在于，包括如下步骤：步骤
1.
以安检图片组合数据集；步骤
2.
使用标注工具对数据集中安检图片的违禁品图像进行标注；步骤
3.
对标注的安检图片的违禁品图像进行数据增强处理得到扩充数据集；步骤
4.
通过
MobilenetV2
网络的倒残差结构和
MobilenetV1
网络的深度可分离卷积搭建
YOLOv5
的主干网络，得到
YOLOv5
‑
Mobilenet
网络模型；步骤
5.
在
YOLOv5
‑
Mobilenet
网络模型的
MobilenetV2
网络的倒残差结构中引入
SE
注意力机制；步骤
6.
优化激活函数，将
h
‑
swish
激活函数作为
MobilenetV2
的倒残差结构的激活函数；步骤
7.
使用
coco
数据集对
YOLOv5
‑
MobilenetV
网络模型进行预训练，设置学习率
、
批次大小
、
训练总轮次作为训练参数，得到预训练权重，将预训练权重载入
YOLOv5
‑
MobilenetV2
网络模型；步骤
8.
将安检图片数据集输入载入预训练权重的
YOLOv5
‑
Mobilenet
网络模型，得到输入的安检图片数据集中的图片是否有安检违禁物品图像以及安检违禁品图像所在图片中的位置
。2.
根据权利要求1所述的基于
YOLOv5
‑
Mobilenet
网络模型的安检图片违禁品图像检测方法，其特征在于：所述
YOLOv5
‑
Mobilenet
网络模型，图像输入所述
YOLOv5
‑
Mobilenet
网络模型的主干网络的第一深度可分离卷积模块，第一深度可分离卷积模块的输出输入第二深度可分离卷积模块的输入，第二深度可分离卷积模块的输出输入第一倒残差结构，第一倒残差结构的输出输入第三深度可分离卷积模块的输入，第三深度可分离卷积模块的输出输入第二倒残差结构的输入，第二倒残差结构的输出分支为第一倒残差结构的第一输出和第一倒残差结构的第二输出，第一倒残差结构的第一输出输入第四深度可分离卷积模块的输入，第四深度可分离卷积模块的输出输入第三倒残差结构的输入，第三倒残差结构的输出分支为第三倒残差结构的第一输出和第三倒残差结构的第二输出，第三倒残差结构的第一输出输入第五深度可分离卷积模块的输入，第五深度可分离卷积模块的输出输入第四倒残差结构的输入，第四倒残差结构的输出输入
SPPF
模块；其中，倒残差结构中，输出特征图
U
的大小为
H
×
W
×
C
，首先将特征图
U
通过全局池化将每个通道上的二维特征
H
×
W
压缩为一个值，保持特征层通道数不变，大小为1×1×
C
，然后通过两个全连接层，第一个全连接层和第二个全连接层，每个通道生成不同的权重，第一个全连接层的输出通道的权重是
C/r
，使用
ReLU
激活函数；第二个全连接层的输出通道的权重是
C
，使用
h
‑
sigmoid
激活函数，将权重与特征图
U
逐通道相乘，得到带注意力的特征
V
作为倒残差结构的输出；其中，第一倒残差结构包括三个倒残差结构，第一个倒残差结构的输入作为第一倒残差结构的输入，前一个倒残差结构的输出是后一个倒残差结构的输入，第三个倒残差结构的输出是第一倒残差结构的输出；第二倒残差结构包括六个倒残差结构，第一个倒残差结构的输入作为第一倒残差结构的输入，前一个倒残差结构的输出是后一个倒残差结构的输入，第六个倒残差结构的输出
是第一倒残差结构的输出；第三倒残差结构包括九个倒残差结构，第一个倒残差结构的输入作为第一倒残差结构的输入，前一个倒残差结构的输出是后一个倒残差结构的输入，第九个倒残差结构的输出是第一倒残差结构的输出；第四倒残差结构包括三个倒残差结构，第一个倒残差结构的输入作为第一倒残差结构的输入，前一个倒残差结构的输出是后一个倒残差结构的输入，第三个倒残差结构的输出是第一倒残差结构的输出；其中，深度可分离卷积模块中，
3x3 Depthwise Conv
模块是深度可分离卷积模块输入，
3x3 Depthwise Conv
模块的输出输入第一
BN
层的输入，第一
BN
层的输出输入第一
SiLU
层，第一
SiLU
层的输出输入
1x1 Pointwisee Conv
模块，
1x1 Pointwisee Conv
模块的输出输入第二
BN
层的输入，第二
BN
层的输出输入第二
SiLU
层，第二
SiLU
层的输出是深度可分离卷积模块的输出；
SPPF
模块的输出输入连接模块的第一
CBS
模块，第一
CBS
模块的输出分支为第一
CBS
模块输出一和第一
CBS
模块输出二，第一
CBS
模块输出一输入第一
FPN
模块的上采样模块的输入，第一
FPN
模块的上采样模块的输出与第三倒残差结构的第二输出并行输入第一
FPN
模块的
Concat
模块的输入，第一
FPN
模块的
Concat
模块的输出输入第一
CSP3
模块的输入，第一
CSP3
模块的输出输入第二
CBS
模块的输入，第二
CBS
模块的输出分支为第二
CBS
模块输出一和第二
CBS
模块输出二，第二
CBS
模块输出一输入第二
FPN
模块的上采样模块的输入，第二
FPN
模块的上采样模块的输出与第二倒残差结构的第二输出并行输入第二
FPN
模块的
Concat
模块的输入，第二
FPN
模块的
Concat
模块的输出输入第二
CSP3
模块的输入，第二
CSP3
模块的输出分支为第二
CSP3
模块输出一和第二
CSP3
模块输出二，第二
CSP3
模块输出一输入检测头的第一
Conv
模块；第二
CSP3
模块输出二输入第一
PAN
模块的
CBS
模块的输入，第一
PAN
模块的
CBS
模块的输出与第二
CBS
模块输出二并行输入第一
PAN
模块的
Concat
模块的输入，第一
PAN
模块...

【专利技术属性】
技术研发人员：赵巍，齐崇朕，晏祥，
申请(专利权)人：大连民族大学，
类型：发明
国别省市：