【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及基于yolov5s的x光危险品检测方法及系统。
技术介绍
1、随着社会经济的迅速发展，国内外的交通量出现迅猛增长，因此公共交通，如地铁、高铁等人群密度也在增加，安全检查在保护公共安全方面是必不可缺的一部分；为了确保交通和边境安全，在铁路和地铁站等公共交通和边境安检中，常会利用x射线安检机对旅客的行李进行检测。
2、目前，常用的危险品检测方法主要包括人工检查、化学分析和物理检测等；然而，这些方法都存在一些局限性；人工检查需要大量的人力和时间，且可能存在主观判断的偏差；化学分析需要取样并进行实验室测试，这样会导致检测时间较长且不适用于实时检测；物理检测方法如金属探测器只能检测金属物体，无法检测非金属危险品。
3、另外，x光安检图像中违禁品尺寸各异，很难在检测过程中兼顾各种尺寸的违禁品，尤其小尺寸违禁品易漏检；其次x光安检图像中物品繁多，背景复杂，违禁品大多被严重遮挡，只有局部特征已知，不易检测。
4、随着神经网络在目标检测领域的快速发展，基于深度学习的目标检测算法已广泛应用于各大领域中；基于深度学习的目标检测算法主要包括基于区域提取的二阶段算法和基于回归的单阶段算法。
5、bastan等人对比了各种特征检测器和不同描述符相互组合后的性能，证明了手工特征的传统方法在x光图像检测方面的可行性，以及潜力。
6、mery等人提出了将x光图像的目标与背景分开，使用自适应稀疏表示的方法分隔出目标图像，来提高危险品检测性能。
7、tao等提出了
8、但上述方法只能一定程度上缓解了x光危险品检测所面临的问题，主干网络仍然无法高效提取特征，网络模型的鲁棒性与准确性仍然需要进一步提高。
技术实现思路
1、针对现有方法的不足，本专利技术解决现有模型主干网络无法高效提取特征，鲁棒性与准确性仍需进一步提高的问题。
2、本专利技术所采用的技术方案是：基于yolov5s的x光危险品检测的方法包括以下步骤：
3、步骤一、制作yolov5s x光危险品的数据集；
4、作为本专利技术的一种优选实施方式，x光危险品包括：易拉罐、盒装饮料、玻璃瓶、塑料瓶、喷雾器、折叠刀、罐头、保温杯、刀片、匕首、刀和剪刀。
5、步骤二、对图片数据集进行预处理和数据增强；
6、作为本专利技术的一种优选实施方式，预处理和数据增强包括：随机擦除、-20°到20°的图像随机旋转数据和mosaic增强。
7、步骤三、改进yolov5s网络的backbone，在backbone中的第2个到第4个c3层后添加ema模块；
8、作为本专利技术的一种优选实施方式，利用ema模块捕捉x光图像中危险品细节特征，抑制背景信息干扰，提高检测精度和鲁棒性。
9、作为本专利技术的一种优选实施方式，ema模块利用2维全局池化对1×1分支的输出中的全局空间信息进行编码，并且最小分支的输出将直接在信道特征的联合激活机制之前转换为相应的维度形状。
10、步骤四、改进yolov5s网络的neck，将neck层的两个上采样模块改为pixelshuffle上采样模块，并在pixelshuffle上采样模块后连接depthwise convolution模块，并利用训练集对改进yolov5s网络进行训练；
11、作为本专利技术的一种优选实施方式，利用depthwise convolution模块减少模型的参数量。
12、作为本专利技术的一种优选实施方式，pixelshuffle上采样将每个像素r2个通道重新排列成一个r×r的区域，对应高分辨率图像中的一个r×r大小的子块，从大小为r2×h×w的特征图像被重新排列成1×rh×rw大小的高分辨率图像。
13、步骤五、使用soft-nms非极大值降低重叠框的得分，减少误检率。
14、作为本专利技术的一种优选实施方式，基于yolov5s的x光危险品检测系统，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现基于yolov5s的x光危险品检测方法。
15、作为本专利技术的一种优选实施方式，存储有计算机程序代码的计算机可读介质，计算机程序代码在由处理器执行时实现基于yolov5s的x光危险品检测方法。
16、本专利技术的有益效果：
17、1、在yolov5s的backbone中的c3层后添加ema注意力机制，可以捕捉到不同大小和形状的物品特征，使模型对于尺寸和位置的变化更加鲁棒，ema在目标检测中相对于其他注意力机制的优势是在模型大小和计算复杂度方面进行了权衡，以实现更好的性能；
18、2、采用pixelshuffle上采样算子，重新组织特征图中的像素，使得上采样不仅仅是简单的插值操作，帮助模型在上采样过程中学习更有意义的特征；
19、3、改进了原yolov5s模型中的nms，使用soft-nms，在有大量小物品或形状复杂的物品的x光图像中，soft-nms能够保留更多的有效检测框，提高检测的召回率；
20、4、与标准yolov5s方法相比，能有效提高x光危险品检测精度，满足有关部门的需求，使相应的检测更加轻便、高效。
本文档来自技高网...【技术保护点】
1.基于YOLOv5s的X光危险品检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于YOLOv5s的X光危险品检测方法，其特征在于，利用EMA模块捕捉X光图像中危险品细节特征，抑制背景信息干扰，提高检测精度和鲁棒性。
3.根据权利要求2所述的基于YOLOv5s的X光危险品检测方法，其特征在于，EMA模块利用2维全局池化对1×1分支的输出中的全局空间信息进行编码，并且最小分支的输出将直接在信道特征的联合激活机制之前转换为相应的维度形状。
4.根据权利要求1所述的基于YOLOv5s的X光危险品检测方法，其特征在于，利用Depthwise Convolution模块减少模型的参数量。
5.根据权利要求1所述的基于YOLOv5s的X光危险品检测方法，其特征在于，PixelShuffle上采样将每个像素r2个通道重新排列成一个r×r的区域，对应高分辨率图像中的一个r×r大小的子块，从大小为r2×H×W的特征图像被重新排列成1×rH×rW大小的高分辨率图像。
6.根据权利要求1所述的基于YOLOv5s的X光危险品检测
7.根据权利要求1所述的基于YOLOv5s的X光危险品检测方法，其特征在于，预处理和数据增强包括：随机擦除、-20°到20°的图像随机旋转数据和Mosaic增强。
8.基于YOLOv5s的X光危险品检测系统，其特征在于，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现如权利要求1-7任意一项所述的基于YOLOv5s的X光危险品检测方法。
9.存储有计算机程序代码的计算机可读介质，其特征在于，计算机程序代码在由处理器执行时实现如权利要求1-7任意一项所述的基于YOLOv5s的X光危险品检测方法。
...【技术特征摘要】
1.基于yolov5s的x光危险品检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于yolov5s的x光危险品检测方法，其特征在于，利用ema模块捕捉x光图像中危险品细节特征，抑制背景信息干扰，提高检测精度和鲁棒性。
3.根据权利要求2所述的基于yolov5s的x光危险品检测方法，其特征在于，ema模块利用2维全局池化对1×1分支的输出中的全局空间信息进行编码，并且最小分支的输出将直接在信道特征的联合激活机制之前转换为相应的维度形状。
4.根据权利要求1所述的基于yolov5s的x光危险品检测方法，其特征在于，利用depthwise convolution模块减少模型的参数量。
5.根据权利要求1所述的基于yolov5s的x光危险品检测方法，其特征在于，pixelshuffle上采样将每个像素r2个通道重新排列成一个r×r的区域，对应高分辨率图像中的一个r×r大...
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。