基于YOLO-MCA的X光图像检测算法

YOLO算法直接用于X光图像检测时存在提取特征不明显问题,特别是违禁物与安全物存在折叠交叉时,容易导致漏检、多检现象。为此本文提出一种YOLO-MCA算法,该算法在YOLOv5基础上,增加了一个多卷积融合坐标注意力机制分支模块,该模块通过多支路连通的方式增大感受野,注重位置信息提取,增强提取有效特征能力,可改善物体折叠交叉导致的漏检、多检问题。在PIDray_OD数据集上的实验结果表明,所提出的YOLO-MCA算法的mAP@0.5∶0.95达到72.9%,比原模型算法的精度更高;FPS达到87,满足实时检测需求。

基于自适应多尺度特征融合的X光违禁品检测

X光图像违禁品检测是一项极其重要的工作,可以在机场、车站等公共场所检测出各种危险物品,防止事故发生,保护旅客安全。然而,由于X光图像背景复杂、目标尺度变化大等问题,传统的检测算法难以实现准确的检测。因此,针对X光图像背景复杂、违禁品尺度变化大等问题,同时考虑到实际检测场景中对于模型性能和运行速度的要求,本文对YOLOv5s网络模型进行改进。首先,为了提升网络对全局特征的提取能力,在主干网络引入Transformer模块,依赖其全局建模能力,弥补局部信息的不足;然后,为了更加准确地检测X光图像中不同尺度的违禁品,结合空洞卷积、CBAM(Convolutional Block Attention Module)设计感受野自适应融合模块,对不同尺度感受野信息进行合理分配,提升对于背景复杂下不同尺度违禁品的检测精度,使模型可以更好地适应不同的任务场景;最后,在模型中使用优化的DIoU(EDIoU)边框回归损失函数,在DIoU中引入惩罚权重φ,在缩短模型的训练时间,减小边框损失误差的同时,进一步提高模型对违禁品的检测精度。为了验证本文提出的优化方法的可行性,优化后的YOLOv5s模型在实验室自制的数据集SIXray_OD上进行验证,实验结果表明,优化后的模型检测平均精度提升到89.8%,较原模型提升0.9%。

基于金字塔卷积和带状池化的X光目标检测

安检X光图像违禁品尺度多变、姿态各异,为自动识别带来很大的困难。针对该问题,提出了一种基于金字塔卷积和带状池化的X光目标检测算法。首先,以一阶段无锚框目标检测框架CenterNet为基础,引入金字塔卷积,提出金字塔沙漏网络,丰富Hourglass-104特征提取网络的感受野,增强多尺度特征提取能力。其次,带状池化的引入能够捕捉图像上下文全局信息,防止无关区域的信息干扰,兼顾局部细节信息。最后,在训练过程中将预测目标尺度分支的训练损失替换为交并比(IoU)损失函数,进一步提升尺度预测分支的性能。消融实验结果表明,改进后网络的平均精度(mAP50)由86.6%提升为88.3%,准确率有显著提升。