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YOLOv5的X光卷烟检测

为解决基于X光的卷烟检测存在的预测精度低和主观性强的问题,介绍一种改进的YOLOv5算法,并将其应用到基于X光的卷烟目标检测中;该方法将YOLOv5的骨干网络进行改动,增添卷积块注意力模块(Convolutional Block Attention Module, CBAM);CBAM是一个用于前馈卷积神经网络的简单而有效的注意力模块,能够沿着通道和空间两个单独的维度依次推断注意映射;然后,通过将注意力映射乘以输入特征映射,进行自适应特征细化;最后,将该方法应用某地区卷烟X光的测试数据;试验结果表明:该模型拥有更好的预测精度,为卷烟X光检测提供了一种新思路。

基于改进YOLOv5s的轻量化安检图像检测算法研究

针对X光安检图像违禁品检测模型参数量高、浮点型计算量大、检测速度慢不易实际工业部署等问题,提出一种改进的轻量级违禁品目标检测模型--EGD-YOLOv5。首先在YOLOv5中引入C3Ghost和Ghost模块,减少特征信道融合过程中的浮点运算,提高特征表达性能;然后在特征提取网络中融入ECA注意力机制提取到检测目标更多的特征信息;最后,将IOU_nms修改为DIOU_nms来优化损失函数,提高遮挡目标的检测精度。试验结果表明,改进后的算法降低了模型的参数量和浮点型计算量,检测速度较快,易于部署在资源有限的设备中。

基于改进YOLOv5s的X光图像危险品检测

随着近年来交通系统越来越发达,人们出行越来越频繁,通过X光安检机对人们的包裹进行检查,已经成为预防危及公共安全事件的重要手段.目前,很多地方X光图像的危险品检测工作仍然由安检员人工进行,存在工作负荷大、效率低等问题.因此,利用现有的目标检测技术自动进行危险品检测非常必要.但X光图像危险品背景往往比较复杂,导致危险品自动检测精度不高.因此,本文提出一种改进的att_decouple_YOLOv5s模型,通过在YOLOv5s模型的特征融合部分引入卷积注意力机制(Convolutional Block Attention Module,CBAM),以加强相关特征信息、抑制背景信息;对模型的检测头部通过并行分支的方法进行解耦,解决分类和定位任务因为耦合在一起所产生的冲突问题.最后,在公共数据集pidray进行X光图像12类危险品检测实验,实验结果表明,所提模型的检测性能指标均值平均精度在IoU(Intersection over Union)阈值为0.5的情况下达到了88.1%,相比于YOLOv5s模型提升了2.8%;在IoU阈值为0.5到0.95的情况下,均值平均精度达到了76.6%,相比于YOLOv5s提升了4.3%;验证了本文改进算法的有效性.

基于改进YOLVOv5s的X射线图像粘接缺陷实时检测

为了兼顾火箭弹非金属粘贴结构缺陷的检测速度和准确率,提出一种基于改进YOLOv5s的X射线图像火箭弹缺陷检测算法。该算法在YOLOv5s的基础上使用深度分离卷积重新设计特征提取网络中Bottleneck结构,以此改进C3模块,通过减少模型参数数量,提高运行速度。然后分别在特征提取网络的Focus结构后和Neck层的卷积和上采样之前加入卷积模块的注意力机制模块(CBAM),用来提高模型对有效特征提取,使模型更加关注小目标,力图保持运行速度的同时提高检测精度。实验结果表明,该算法在自制的火箭弹粘贴缺陷数据集上测试的平均精度均值(mAP)达到86.40%,比原始模型提高6.44%,帧率为32 fps;相比SSD、YOLOX-Tiny网络算法,该模型在检测速度和检测精度上有着出色的综合表现,能够针对火箭弹非金属粘接结构缺陷进行高效的检测。

基于改进YOLOv5的X射线安检图像违禁品目标检测算法

为进一步提高安检X射线图像中违禁品的检测精度与速度,提出一种改进YOLOv5的X射线安检图像违禁品目标检测算法。具体改进的内容:一是加入了掩码自注意力机制模块有效地捕捉全局上下文信息,增强了特征信息的表达能力;二是引入Quality Focal Loss损失函数有效缓解了类别不均衡问题,提高了对目标的定位精度。实验证明改进后的网络模型在安检数据集上得到了提升,满足安检检测需求。

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%。

一种乳腺X线影像肿块征象检测算法

针对乳腺X线影像数据样本少、肿块类别间差异不明显、乳腺肿块背景复杂与组织对比度低,导致检测的精度低等问题,文章提出了一种乳腺X线影像肿块征象检测算法.首先在主干网络中的卷积层中添加高效注意力机制,提升算法对特征的提取能力;其次,在特征提取网络中引入非对称卷积结构,利用3种不同尺度的卷积核进行特征检测,增强模型对旋转和翻转目标的特征提取能力,最后使用One Cycle学习率调整策略在模型训练时跳出局部最优解.在DDSM(CBIS-DDSM)公开数据集测试,本文提出的YOLOv5-EA模型有效提高了乳腺X线影像目标检测精度,在识别X线影像的良、恶性肿块及钙化灶的准确率分别达到了93.0%,88.4%和88.1%.

城市轨道交通安检危险品的深度学习识别

针对城市轨道交通X射线安检危险品识别,在YOLOv5m基础上,增加了CBAM注意力,分别对通道和空间的特征进行操作。经过实验验证,该方法的mAP_(50):95、mAP_(50)分别提升了0.6和1个百分点,结果表明改进后的算法能显著提高检测精度。

X射线图像违禁品自动检测算法研究

为了提高城市轨道交通X射线安检违禁品自动识别的有效性、提升安检效率,设计了一种带有注意力机制的YOLOv5m算法模型。该算法模型引入置换注意力(Shuffle Attention,SA)模块,采用通道随机混合操作,分块并行使用空间和通道两类注意力机制,使两类注意力机制高效结合。通过实验验证,改进后的算法的mAP50达到了0.718,相较于基础的YOLOv5m算法,mAP50:95和mAP50分别提升了0.8个百分点和1.2个百分点,结果表明改进后的算法能显著提高检测识别精度。

面向微地图的手绘地图符号自动提取方法

微地图作为自媒体时代出现的新型地图,具有大众参与、个性化、快速传播等特征,然而现有微地图研究在点符号设计方面存在一定局限,难以完全满足大众个性化制图的需求。为解决这一问题,本文从微地图制作角度出发,选择手绘地图的通用地图符号作为研究对象,构建了一个包含多种类型和样式的手绘地图数据集。在现有研究的基础上,通过对比选择目标检测中常用的YOLOv5(You Only Look Once v5)系列模型,深入探索手绘地图中通用地图符号的自动提取方法,并采用YOLOv5-X模型进行手绘地图通用地图符号的提取。实验结果显示,该模型在手绘地图数据集上的point类别提取精确度、召回率和F1得分分别达到了98.42%、94.72%和97%。同时在Quick Draw涂鸦数据集上进行模型泛化能力的测试,本文所使用的模型在该数据集上展现出良好的提取效果。本研究的开展不仅扩充了微地图个性化点符号的研究数据集,还改进了通用地图符号的提取方法,为微地图制图注入了更多元化的元素,也为自媒体时代的地图制作提供了更为灵活和个性化的解决方案。