【技术实现步骤摘要】
本专利技术属于计算机视觉目标检测与识别，涉及深度学习、目标检测以及x光安检图像处理技术。
技术介绍
1、为了维护公共交通安全，使用x射线安检仪对来往旅客的行李进行安全检查成为了一种重要的手段。
2、x射线是一种能够穿透物体的电磁波，通过检测物体内部的密度差异，可以分辨隐藏在物体内部的违禁品或危险品。在安检过程中，x射线安检仪发射高能x射线束，通过物体后被探测器接收并转换成x光图像。这些图像可以清晰地显示出物体的内部结构和形状，为安检人员提供了重要的参考信息。
3、目前，主流的安检方式是通过安检人员实时观察x光图像中物体的形状、密度和组织结构，来判断是否存在违禁物品。然而，随着交通系统规模的扩大和乘客流量的增加，这种人工检测的方式已经无法满足需求。如何在减轻安检人员工作量的情况下，经济高效地利用安检图像进行违禁物品自动检测成为了新的挑战和要求。
4、为了解决这个问题，早期研究人员使用机器学习进行违禁品的自动识别。然而，由于x光图像与自然光图像在视觉层面存在显著区别，以及安检场景中物品摆放随意、重叠现象严重等问题，使得违禁物品的有效特征难以提取，导致现有目标检测算法的检测精度仍有不足。
5、随着深度学习的快速发展，通过卷积神经网络提取图像特征开始成为主流。基于深度学习的违禁物品自动检测算法也开始飞速发展。这些算法能够自动识别和处理x光图像中的物体，提取出有用的特征信息，并判断是否存在违禁物品。然而，由于x光图像的复杂性和多样性，以及安检场景中的各种干扰因素，这些算法仍然面临检测精度不高
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种x光安检图像违禁物品检测方法，解决上述现有技术中存在的问题。
2、为达到上述目的，本专利技术提供如下技术方案：
3、一种x光安检图像违禁物品检测方法，该方法包括以下步骤：
4、s1：获取安检数据集，对获取安检数据集进行预处理，将预处理的数据集按比例随机划分为训练集和验证集；
5、s2：使用whiou loss替换ciou loss作为新的边界框损失函数，引入注意力特征融合模块affm改进yolov7网络模型中颈部网络的特征融合方式，构建安检图像违禁物品检测网络whlaff-yolo模型；
6、s3：将所述s1中的训练集输入所述s2构建的whlaff-yolo模型中，对模型进行训练，得到训练完成的whlaff-yolo模型；
7、s4：使用所述s3训练完成的whlaff-yolo模型，对安检过程中采集到的包含违禁物品的x光图像进行违禁物品检测。
8、进一步的，所述s1中，对获取的安检数据集进行预处理，具体包括：在获取的安检数据集中将样本类别数量较少的图像删除。
9、进一步的，所述s1中，将预处理的数据集按9:1的比例随机进行划分为训练集和验证集。
10、进一步的，所述s2中，whiou loss是针对ciou loss中的宽高比惩罚函数在预测框的宽高与真实边界框的宽高呈现相同的线性比例关系时会失去约束作用的问题而引入，计算的方法表示为：
11、
12、其中，iou是预测框与真实边界框的交并比，ρ2(b,bgt)是预测框中心点与真实边界框中心点的欧式距离，c是同时包含预测框与真实边界框的最小外接矩形框的对角线距离，wmax和wmin分别是预测框和真实边界框的宽中较大的值和较小的值，hmax和hmin分别是预测框和真实边界框的高中较大的值和较小的值。
13、进一步的，所述s2中的注意力特征融合模块affm在浅层特征与深层特征融合时，为浅层特征分配更关注目标浅层细节信息的空间注意力sa模块，为深层特征分配更关注目标深层语义信息的通道注意力ca模块；所述空间注意力sa模块将输入的特征图在维度方向上进行平均池化和最大池化来聚合特征信息，再通过卷积层生成空间注意力图，为特征图的每一个像素点赋予新的关注度；所述通道注意力ca模块将输入的特征图分别进行全局平均池化和全局最大池化，获得大小为1×1×c的具有全局感知场的特征图，聚合全局上下文信息，通过两个全连接层捕获通道之间的依赖关系；最后，注意力特征融合模块affm将分别处理后的特征层以维度叠加的方式进行深度融合，充分保留物体的所有特征信息，并输出细节信息和语义信息相结合的特征图。
14、进一步的，所述s2中，whlaff-yolo模型，包括图像预处理模块、主干网络、颈部网络和多层检测头；
15、所述图像预处理模块中使用mosaic和mixup的数据增强策略，将训练数据进行数据增强后输入主干网络对其特征进行提取；
16、所述主干网络由cbs模块、elan模块、mp模块和sppcspc模块组成；
17、所述cbs模块中集合了卷积层、批归一化层和激活函数；所述elan模块通过叠加来自不同梯度路径的特征层使模型能学习到更多的信息并拥有更强大的鲁棒性；所述mp模块中含有两个分支，分别是最大池化分支和卷积分支，能最大限度的在下采样的过程中保留下目标物品的特征信息；所述sppcspc模块使用不同尺寸的池化核来使模型适应不同分辨率的图像，增大感受野；
18、经过主干网络对其进行特征提取，并将提取到的特征信息传入颈部网络中使用特征金字塔结构自底向上进行上采样并通过affm融合来自主干网络的特征层，接着使用路径聚合网络自顶向下进行下采样并通过affm融合从特征金字塔输出的特征层信息，将融合后的特征层传入多层检测头中，所述多层检测头中包含三个针对不同尺寸输入设计的检测头部，分别检测大目标、中目标和小目标，多层检测头使用whiou loss来衡量模型预测结果与真实标签之间的差异程度，后输出检测结果。
19、本专利技术的有益效果在于：
20、第一，本专利技术通过使用whiou loss作为新的边界框损失函数和引入注意力特征融合模块affm改进yolov7网络模型，可以更有效地对违禁物品进行检测和定位，从而提高检测准确性和效率。
21、第二，本专利技术通过使用多层检测头和whiou loss来衡量模型预测结果与真实标签之间的差异程度，可以更准确地识别出图像中的违禁品种类并精确定位，从而降低漏检和误检的概率。
22、第三，本专利技术中的空间注意力模块能够捕获方向感知和位置感知的信息，更好地学习目标的细节，以便将网络的注意力引向更详细的空间位置信息。
23、第四，本专利技术中的通道注意力模块使用多个感受野来加权深度特征，以捕获高度辨别的通道特征。
24、第五，本专利技术的检测方法不仅让预测框更加贴近于真实框，同时还能检测出原模型漏检的违禁物品，并且置信度较原模型也有了明显提升。
25、本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本发本文档来自技高网...
【技术保护点】
1.一种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：
2.根据权利要求1所述的一种X光安检图像违禁物品检测方法，其特征在于：所述S1中，对获取的安检数据集进行预处理，具体包括：在获取的安检数据集中将样本类别数量较少的图像删除。
3.根据权利要求2所述的一种X光安检图像违禁物品检测方法，其特征在于：所述S1中，将预处理的数据集按9:1的比例随机进行划分为训练集和验证集。
4.根据权利要求3所述的一种X光安检图像违禁物品检测方法，其特征在于：所述S2中，WHIoU Loss是针对CIoU Loss中的宽高比惩罚函数在预测框的宽高与真实边界框的宽高呈现相同的线性比例关系时会失去约束作用的问题而引入，计算的方法表示为：
5.根据权利要求4所述的一种X光安检图像违禁物品检测方法，其特征在于：所述S2中的注意力特征融合模块AFFM在浅层特征与深层特征融合时，为浅层特征分配更关注目标浅层细节信息的空间注意力SA模块，为深层特征分配更关注目标深层语义信息的通道注意力CA模块；所述空间注意力SA模块将输入的特征图在维度方向上进行平均
6.根据权利要求5所述的一种X光安检图像违禁物品检测方法，其特征在于：所述S2中，WHLAFF-YOLO模型，包括图像预处理模块、主干网络、颈部网络和多层检测头；
...【技术特征摘要】
1.一种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：
2.根据权利要求1所述的一种x光安检图像违禁物品检测方法，其特征在于：所述s1中，对获取的安检数据集进行预处理，具体包括：在获取的安检数据集中将样本类别数量较少的图像删除。
3.根据权利要求2所述的一种x光安检图像违禁物品检测方法，其特征在于：所述s1中，将预处理的数据集按9:1的比例随机进行划分为训练集和验证集。
4.根据权利要求3所述的一种x光安检图像违禁物品检测方法，其特征在于：所述s2中，whiou loss是针对ciou loss中的宽高比惩罚函数在预测框的宽高与真实边界框的宽高呈现相同的线性比例关系时会失去约束作用的问题而引入，计算的方法表示为：
5.根据权利要求4所述的一种x光安检图像违禁物品检测方法，其特征在于：所述s2中的注意力特征融合模块affm在浅...
【专利技术属性】
技术研发人员：李国权，朱雷，庞宇，林金朝，朱宏钰，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。