安检图像小目标违禁品特征提取模块构建与应用

针对物流包裹安检图像中小目标违禁品易漏检问题,通过在感受野模块的多分支并行网络上引入卷积注意力模块,构建一种适用于小目标违禁品检测的特征提取模块。在此基础上,将构建的特征提取模块融入YOLOv5模型的主干部分,使得模型在违禁品检测的过程中聚焦于图像的重要特征。为了充分发挥所构建模块对于小目标物体的特征提取能力,采用空间深度转换模块替代原模型中的下采样模块,使得YOLOv5模型在特征提取的过程中能够尽可能地保留小目标物体的特征信息,提高对小目标违禁品的检测效果。

基于神经网络架构搜索的X射线图像违禁品检测算法

为了提高卷积神经网络设计的自动化程度并进一步提高复杂背景下违禁品检测的准确率和速度,提出了一种基于神经网络架构搜索的X射线图像违禁品检测算法。首先,设计逐层渐进式搜索策略和多分支搜索空间,并基于批量归一化指标为每一个layer结构搜索最佳侧分支;然后,逐层搜索构建新的骨干网络组件;最后,组成由数据驱动的新目标检测模型。该算法在数据集HiXray、OPIXray、PIDray上分别取得了83.4%、87.2%、70.4%的检测精度。实验结果表明,本文算法能够自适应数据集并自动搜索出性能更好的Backbone组件,与FCOS、YOLOv4等主流算法相比,有效提高了复杂背景下违禁品检测的准确率和速度。

自适应与多尺度特征融合的X光违禁品检测

针对X光安检违禁品图像空间多尺度变化、背景干扰及模型复杂等问题,提出了空间自适应与多尺度特征融合的YOLOv5轻量模型。以YOLOv5为基本框架,引入自适应空间特征融合机制抑制特征尺度差异的影响,结合双向特征金字塔网络集成了特征双向加权融合;采用轻量化通道注意力机制获得编码的位置信息,增强有效特征的表达;同时利用GhostConv替换部分Conv降低网络计算复杂度。此模型在OPIXray、SIXray、HiXray等3个公开数据集上mAP分别达到94.2%、92.8%、83.3%,比基线模型分别提高了5.4、0.5、1.7个百分点,且未明显改变推理效率,较好兼顾了模型检测精度与速度,优于当前诸多先进算法。

基于反向瓶颈和LCBAM设计的X光违禁品检测

针对X光违禁品图像姿态与角度变化易漏检误检及困难样本检测准确率低等问题,以YOLOv5网络为基线模型,提出一种融合了反向瓶颈结构和轻量化卷积块注意力模块设计的违禁品检测模型。在主干网络采用反向瓶颈结构设计注重细节特征信息,改进网络应对检测目标大角度变化问题;采用轻量化卷积块注意力机制抑制复杂背景干扰,降低模型参数量;此外,采用高斯误差线性单元激活函数和改进的置信度损失函数增强模型的非线性表达能力,加大对置信度预测的惩罚力度,优化网络对困难样本的检测性能。所提模型在三个大型公开数据集OPIXray、SIXray、HiXray上进行训练和测试,mAP分别达到了91.9%、93.4%和82.2%。结果表明,所提模型能够有效解决基线模型应对X光违禁品角度变化问题,具有较高的检测准确性和稳健性。

改进YOLOv7-Tiny的X射线安检违禁品检测

针对X射线安检场景中违禁品目标检测精度低,检测模型过于复杂的问题,在YOLOv7-Tiny模型的基础上,提出了一种新的轻量化检测方法。首先在骨干网络中融合改进的轻量化模块GhostNetV2,在减少模型参数的同时,提高训练效率;其次在YOLOv7-Tiny的颈部网络部分加入金字塔拆分注意力机制,有效解决参数减少导致的提取特征不足问题,提高背景复杂以及多尺度目标回归的准确性;最后,通过使用归一化Wasserstein距离方法来度量损失,替代了原有的Intersection over Union度量,降低了小目标位置偏差的敏感性,增强了小目标的回归准确性。实验结果表明,改进模型在SIXray、CLCXray和OPIXray数据集上平均检测精度达到92.9%、76.2%和91.2%,相比原始算法分别提升了6.5%、2%和1.8%;所提出模型在轻量化的同时能够进一步提高检测能力,可以满足实时检测要求,具有较好的应用价值。

基于违禁品检测和人脸表情识别的铁路客运站安检风险评估技术研究

随着我国高速铁路的快速发展和客流量日益增长,铁路客运安全风险事件发生的概率逐年升高,仅靠安检值机人员辨识风险已无法满足需求。为了更好地评估车站安全风险,降低车站安全评估对人力的依赖,提出基于深度学习的旅客及物品安检风险评估机制。首先采用训练好的YOLOv5s模型对安检X光照片中的违禁品进行检测;其次使用训练好的ResNet50模型对车站安检机出口的人脸表情进行识别;最后建立了违禁品检测和人脸表情识别相结合的旅客及其所携物品风险评估机制。仿真结果表明,所采用的方法可以较准确地检测和识别出违禁品以及人脸表情,所提出的风险评估机制降低了安检过程对人力的依赖,可以帮助车站工作人员预防安检风险。

反向加权融合多尺度特征的X射线图像违禁品检测

针对现阶段违禁品检测方法存在的混叠效应以及在类内变化显著的场景下检测精度较低等问题,提出一种反向加权融合多尺度特征的X射线图像违禁品检测算法,通过反向自适应地引导融合多尺度上下文特征来实现准确的违禁品目标检测。首先,使用多尺度场景感知模块获取从局部到全局的目标表征信息,帮助处理显著的类内变化。其次,利用反向加权融合结构采用特征引导加权的方式,高效融合蕴含丰富上下文特征的多级特征,缓解融合过程中易出现的混叠效应。最后,设计了一种Focal-SIOU损失函数,用于平衡不同质量违禁品目标预测框之间的贡献差异,并结合角度和边长损失进一步提升预测框的收敛速度和回归精度。本文方法在SIXray、OPIXray、PIDray等3个非常具有挑战性的基准数据集上进行了广泛的评测实验,平均精度均值(mAP)分别达到93.2%、90.7%和85.1%。实验结果充分表明,方法相比于最新方法性能更优,并且能够满足实时目标检测的实际应用需求。

结构重参数化与任务对齐的X光违禁品目标检测

公共运输中X光违禁品检测对公共安全起到至关重要的作用,检测精度低会导致公共安全事故,检测速度慢会引发安检通道堵塞等问题,为了在检测精度和检测速度之间达到平衡,提出了使用结构重参数化与任务对齐的检测模型。首先使用对硬件友好的结构重参数化网络作为骨干网络,降低网络的计算复杂度,提高网络的推理速度。其次使用任务对齐检测头,使网络在进行分类和定位任务时可以联合训练,增强对抗前后景噪声干扰的能力。最后采用TSIoU作为损失函数,增强分类和定位任务之间的交互,降低损失函数的自由度,提高损失度的稳定性。在HiXray数据集上进行实验,结果表明,改进之后模型与基线模型YOLOv7相比,数据集中存在的前后景复杂问题得到明显改善,且mAP@0.5和mAP@0.5∶0.95达到了84.1%、 46.1%,相比于基准模型提升了1.8%和1.5%,FPS从原有的76帧提升85帧。提出的新网络与当前主流目标检测网络相比,具有较优的检测精度与实时性。

基于高精度多阶段网络的X光图像违禁品检测

本文提出了一种基于X光图像的违禁品检测系统,采用深度学习的多分类网络模型实现对违禁品的精准检测。多分类网络由多个分支网络连接到主干网络构成,在不同的阶段,采用了不同的网络架构。在网络的早期阶段,主干网络负责提取整体特征;而在网络的后期阶段,利用多个分支网络负责进行样本分类,上述分支网络能够分析不同类别物体的细节信息,并可进行灵活的再训练和扩展。实验结果表明,该多阶段网络展示了较高的检测准确率,并在实际的违禁品检测中表现出优异的性能。

基于改进YOLOv5的X光违禁品检测算法

针对安检X光图像的违禁品检测效率问题以及小尺寸违禁品的漏检误检问题,提出了一种基于改进YOLOv5的X光违禁品检测算法。该算法引入了ProFPN的结构,能够在FPN+PAN的基础上增加原始特征信息,提高检测精度;相比于原始YOLOv5增加了一层160×160的小目标检测层,使之拥有四尺度的特征融合,提高对小尺寸目标的学习能力;使用k-means++算法重新生成锚框尺寸,使之更加适合自制数据集的目标框大小,提高检测效率;采用了EIOU Loss作为回归损失函数,使目标框和锚框的宽高差异最小化,进一步提高检测框的定位精度和收敛速度。实验结果表明,改进后的算法在公开X光安检数据集上相比于原始YOLOv5算法mAP@0.5提高了4.7个百分点;相比于其他主流的目标检测算法,在参数量和运算量最小的情况下mAP@0.5最多提高了28.6个百分点,同样具有一定的优越性。

基于改进YOLOv8的X光图像违禁品检测

针对现有X光图像违禁品检测精度低的问题,提出一种基于改进YOLOv8的X光图像违禁品检测算法。在YOLOv8基础上添加了一个小目标检测头,以增强对小目标物体敏感度,同时使用自适应空间特征融合(Adaptively Spatial Feature Fusion, ASFF)模块自适应调整不同检测层间的权重,避免多尺度层级之间的信息冲突。使用重参数化后的RFB_S模块替换YOLOv8中的快速空间金字塔池化(Spatial Pyramid Pooling-Fast, SPPF)模块,使用大小不同的卷积来获取不同视野特征图信息,避免多重最大池化可能带来的梯度消失问题。在颈部网络和主干网络之间引入高效多尺度注意力(Efficient Multi-scale Attention, EMA)机制,有效区分背景区域和目标区域,加强关键信息的交互。使用可变形卷积替换C2f模块中的普通卷积,利用可变形卷积自适应调整卷积核的形状,更好地捕捉和感知图像中不同尺度的目标特征。该算法在SIXary数据集上测试平均精确度均值(mean Average Precision, mAP)达到92.7%,比原始算法提高了3.2%。实验结果表明,改进后的算法比原始算法有了较大提升,证明了改进算法的有效性。

一种面向交通安全的违禁品轻量级检测方法

针对X光安检图像中摆放杂乱、故意遮挡、小型不规则物品检测等问题,以及安检工作对实时性、快速性的要求,基于YOLO v5s网络模型提出了一种结合改进的轻量级实时违禁品监测方法LRCD,以辅助安检人员快速进行检测。通过在模型的主干中使用DenseOne模块替代YOLO v5s主干中的C3模块,进而丰富特征,提高网络的特征表达能力;为了提高推理速度,使用SimSPPF替换YOLO v5s主干中的SPPF;同时引入WIoU(Wise-IoU)损失函数,抑制了冗余特征对检测网络的影响,增强了网络获取违禁品中包含的多尺度特征的能力。在针对X光下行李物品图片的EDS数据集中进行测试,mAP达68.96%,FPS达136.9,对比近年来被广泛使用的其他经典目标检测模型,分别平均提升了6.35%与66.7%。

基于YOLOv5的X光安检图像违禁品检测方法研究

为解决因传统人工安检所导致的错检、漏检及效率低下等问题,文章结合深度学习方法,提出一种改进的YOLOv5安检图像违禁品检测模型。首先将Res2Net引入到YOLOv5的C3模块中,构建可提取多尺度特征的C3-Res2Block模块,提升了模型对于不同尺度信息的提取能力;其次在模型的骨干位置引入三重注意力机制(Triplet Attention),利用三通道结构捕获纬度间的相互作用,提高整体网络的检测效果。最后使用Focal EIOU作为定位损失函数,提高预测框的定位以及回归的准确性。实验结果显示,改进后模型的精度(mAP)达到了91.9%,比原模型提升了1.5%。改进后的模型具有更好的检测效果,提高了安检工作的效率。

基于卷积神经网络的安检X光图像违禁品多标签识别

在安全检查工作中,违禁品的检测与识别仍然过度依赖于安检员的视觉经验。如何自动判别出X光图像中存在的常见违禁品,进而辅助安检员进行决策,成为安检领域的一个亟待解决的问题。基于深度学习技术研究安检X光图像中的违禁品多标签识别方法。通过引入multi-hot向量标注法对安检X光数据集进行标注,迁移训练Darknet-53卷积神经网络实现对X光图像中违禁品的类别判定。实验结果表明,安检X光图像违禁品多标签识别平均精度达到了98%以上,满足现实安检场景下的应用需求。

考虑样本不平衡的X光安检图像违禁品分类方法

X光安检图像违禁品分类被广泛应用于协助维护航空和运输安全。针对X光安检图像中违禁品尺度不一、存在困难样本及旅客行李安检固有的正负样本不均衡等问题,提出一种端到端的考虑样本不平衡的X光安检图像违禁品分类方法。采用多尺度特征提取网络捕获尺度不一的多类型违禁品特征,通过特征融合模块提升模型对图像边缘和纹理特征的表达能力,基于代价敏感思想设计损失函数,解决数据集不平衡问题,并提高困难样本分类精准度。在公开数据集SIXray上构建的子集实验结果表明:所提方法相较于端到端分类模型,平均AP指标值提升了4.5%,特别是对剪刀等难分类样本,AP指标值都有显著的提升效果。

基于改进胶囊网络的X射线图像违禁品检测

针对X射线图像违禁品检测中存在的漏检和误检问题,提出基于改进胶囊网络的模型(DMF and SE Capsule)用于X射线图像违禁品检测。该模型在传统胶囊网络的基础上增加了特征增强(dilated convolution multi-scale feature fusion,DMF)模块和特征筛选(squeeze-andexcitation block,SE)模块。首先使用特征增强模块提取图像特征,通过增加空洞卷积层,并且将所得的高低层语义特征进行拼接融合,从而得到丰富的特征信息;然后再用特征筛选模块,以挤压激励的方式将得到的特征进行筛选;最后再经过网络的胶囊层,从而完成对违禁品的检测。为了验证模型对复杂场景下X射线图像中违禁品的检测能力,在SIXray数据集上进行实验,模型的检测准确率达到79.254%,与原始的胶囊网络(71.350%)相比提升了7.904%,因此,改进模型的检测能力提升明显。

改进YOLOv7的X射线图像违禁品实时检测

交通入口处X光违禁品检测对公共安全至关重要,为了达到违禁品检测精度和速度均衡,对YOLOv7算法进行改进。增加了一个由低层、高分辨率的特征图生成的检测头,提高对小目标物体敏感度。在YOLOv7的Backbone末尾增加轻量级MobileNetViTv3 block,用于捕获全局信息,帮助网络在高密度场景中精准定位。并设计出一种MPCA模块用于弥补深层卷积定位信息的不足。在测试阶段引入一个额外的分类器,进一步提高网络的分类能力。改进后的模型在3种安检违禁品数据集SiXary、HiXary、CLCXray进行测试,mAP分别达到了94.9%、77.3%、86.1%。结果表明,所提出的模型能够有效提高YOLOv7的检测复杂违禁品的能力,同时保持较快的检测速度,与当前主流算法相比,具有一定的先进性。

改进YOLOv5的X光图像违禁品检测算法

针对X光图像违禁品检测中的复杂背景、正负类别不平衡和漏检等问题,提出一种基于YOLOv5的X光违禁品检测算法。该算法通过在YOLOv5s骨干网络中引入Swin Transformer模块,利用局部自注意力与Shifted Window机制提升模型对X光图像全局特征的提取能力,并且在主干网络后增加空间注意力机制与通道注意力机制,以提升算法对违禁品关键特征的提取能力。引入一种自适应空间特征融合结构,缓解特征金字塔中不同层级特征图之间冲突对模型梯度的干扰。引入Focal Loss函数用于改进YOLOv5s的背景预测损失函数和分类损失函数,提升算法在正负样本与难易样本失衡情况下的检测能力。该算法在公开数据集SIXray100上的平均检测精度达到57.4%,相比YOLOv5s提高了4.5个百分点;在SIXray正样本数据集上的平均检测精度达到90.4%,相比YOLOv5s提高了2.4个百分点。实验结果表明,改进后的算法相比原始YOLOv5s算法检测精度有较大提升,证明了算法的有效性。

基于改进YOLOX算法的X射线图像违禁品检测方法

为了实现自动检测X射线图像中的违禁品,解决相互遮挡、目标相近和小目标违禁品检测难的问题,提出一种基于改进的你只观察一次(YOLOX)算法的X射线图像违禁品检测方法。首先在YOLOX的主干网络低层中引入使用大核注意力构建的空间注意力,提取低层特征图的远距离依赖信息和纹理信息,之后在主干网络的中层和高层增加卷积块的注意力模块以增强感兴趣区域信息并抑制无用信息;该方法在公开的安全检查X射线数据集上进行实验,同时为改善模型的鲁棒性,在训练前70个周期使用Mosaic数据增强方法。结果表明,改进的模型较基本模型增加少量的参数和计算量,均值平均精度增加2.45%,提升到87.88%,平均推理速率为58.5 frame/s。该研究为即时自动检测X射线图像中违禁品提供了有益的参考。

基于可变形卷积与注意力机制的X光安检违禁品检测

X光安检违禁品检测被广泛应用于维护公共交通安全和人身安全。针对X光图像中违禁品存在形状尺度多变、重叠遮挡严重等问题,提出一种结合可变形卷积与注意力机制改进的YOLOv5s模型用于违禁品检测。首先在主干网络中引入可变形卷积,通过学习采样偏移量来适应物体的不同形变,增强空间特征信息提取能力;其次利用混合卷积注意力模块加强模型对检测目标的感知能力,抑制无关背景干扰;然后构造通道引导的空洞空间金字塔模块,获取更加准确的全局上下文信息,提高模型对重叠遮挡目标的识别能力;最后采用CARAFE算子代替最近邻插值,在上采样过程中充分利用内容信息,提高模型检测精度。在SIXray_OD和OPIXray数据集上实验结果显示,所提出模型的mAP@0.5相较于原YOLOv5s分别提高了2.1%和1.8%,达到了90.6%和90.0%。与现有诸多先进算法相比,具有较好的检测精度与实时性。