一种危险物品检测方法和系统

本发明涉及一种检测方法和系统，尤其涉及一种危险物品检测方法和系统。

背景技术：

1、深度学习算法是基于神经网络的机器学习算法。利用深度学习的优势，探索准确率高、速度快、安全可靠的x光安检图像分类算法具有实际应用价值。飞机场、地铁站等公共场所都是采用非接触式x射线安检仪对人们的行李进行扫描，生成x射线安检图像。由于深度学习的迅猛发展，传统目标检测方法逐步被卷积神经网络所取代。

2、目前基于深度学习的目标检测方法主要分为两大类：基于侯选窗口的两阶段(two-stage)目标检测算法和基于回归的单阶段(one-stage)目标检测算法。

3、两阶段目标检测将检测过程主要分为两步：1)在给出的图像上找到有目标物体的候选区域；2)对候选区域进行分类与回归操作，得到目标检测结果。如r-cnn、sppnet和fastr-cnn等算法，检测精度较高，由于网络模型复杂度提高，导致训练和检测速度有所下降，实时性差。

4、单阶段检测算法通过简单的一次网络处理即可成功输出检测分类和预测框的边界。因此该类检测算法具备良好的检测速度，适合移动端使用，同时为算法模块的添加保留了足够的结构空间，用以实现检测应用的各种需求。

5、x射线安检图像根据不同物体的原子序数显示出不同颜色，这使物体的属性更加直观，从而有效降低主观识别难度。但由于行李箱中会存在物品随意摆放，杂乱重叠的特点，危险品在x射线图像中存在遮挡现象，且危险品的尺度比例和观察视点都存在差异，增加了安检危险品识别和检测的难度。

技术实现思路

1、发明目的：本发明的目的是提供一种提高目标检测精度的危险物品检测方法和系统。

2、技术方案：本发明所述的一种危险物品检测方法，包括以下步骤：

3、(1)获取公开数据集并进行数据预处理；

4、(2)基于yolov8模型，将主干网络中的c2f操作替换成通用高效层聚合网络gelan的repncspelan4模块进行特征提取；

5、(3)在yolov8颈部网络中采用高效多尺度注意力机制ema，通过将部分通道重塑为批处理维度，将通道维度分组为多个子特征，使空间语义特征在每个特征组内分布均匀；

6、(4)在yolov8头部网络中采用detect_seresnext模块在同一层内使用多个并行路径，对图像特征进行表征，完成yolov8模型的改进；

7、(5)将预处理后的数据集输入到改进后的yolov8模型进行训练和预测，得到训练完成的检测模型，利用训练完成的检测模型完成目标图像的检测。

8、进一步地，步骤(1)所述的预处理，具体为：对公开数据集中的图片进行翻转、缩放、色域增强减弱和图片拼接操作，根据数据集各个标签数量，划分成训练集、验证集和测试集。

9、进一步地，步骤(2)具体为，通过结合两种神经网络结构cspnet和elan，使用cspnet的分割和重组，并在每一部分引入elan的层级卷积。

10、进一步地，步骤(3)所述的高效多尺度注意力机制ema由三条分支组成第一分支用于原始特征图进行通道数上压缩与其他分支信息进行融合，第二分支用于根据ca注意力机制，对特征图从高度和宽带两个方向进行全局平均池化，二维平均池化操作如下：

11、

12、其中，zc表示二维平均池化操作，h和w表示特征图的高度和宽度，i和j为特征图的坐标，xc表示不同通道的特征张量；第三分支使用3×3卷积操作来对特征图进行处理，捕获跨纬度交互并与其他分支建立不同维度间的联系。

13、进一步地，步骤(4)具体为，detect_seresnext模块使用全局平均池化作为挤压操作，随后由两个全连接线性层组成一个头部结构用于建模通道间的相关性，并输出和输入特征同样数目的权重，最后通过一个乘积的操作来将归一化后的权重加权到每个通道的特征上。

14、基于相同的发明构思，本发明还提供了一种危险物品检测系统，包括：

15、预处理模块，用于获取公开数据集并进行数据预处理；

16、模型改进模块，用于基于yolov8模型，将主干网络中的c2f操作替换成通用高效层聚合网络gelan的repncspelan4模块进行特征提取；在yolov8颈部网络中采用高效多尺度注意力机制ema，通过将部分通道重塑为批处理维度，将通道维度分组为多个子特征，使空间语义特征在每个特征组内分布均匀；在yolov8头部网络中采用detect_seresnext模块在同一层内使用多个并行路径，对图像特征进行表征，完成yolov8模型的改进；

17、训练与检测模块，用于将预处理后的数据集输入到改进后的yolov8模型进行训练和预测，得到训练完成的检测模型，离用训练完成的检测模型完成目标图像的检测。

18、进一步地，预处理模块中所述的预处理，具体为：对公开数据集中的图片进行翻转、缩放、色域增强减弱和图片拼接操作，根据数据集各个标签数量，划分成训练集、验证集和测试集。

19、进一步地，模型改进模块中所述的基于yolov8模型，将主干网络中的c2f操作替换成改成通用高效层聚合网络gelan的repncspelan4模块进行特征提取，具体为，通过结合两种神经网络结构cspnet和elan，使用cspnet的分割和重组，并在每一部分引入elan的层级卷积。

20、进一步地，模型改进模块中所述的高效多尺度注意力机制ema由三条分支组成，第一分支用于原始特征图进行通道数上压缩与其他分支信息进行融合，第二分支用于根据ca注意力机制，对特征图从高度和宽带两个方向进行全局平均池化，二维平均池化操作如下：

21、

22、其中，zc表示二维平均池化操作，h和w表示特征图的高度和宽度，i和j为特征图的坐标，xc表示不同通道的特征张量；第三分支使用3×3卷积操作来对特征图进行处理，捕获跨纬度交互并与其他分支建立不同维度间的联系。

23、进一步地，模型改进模块中所述的在yolov8头部网络中采用detect_seresnext模块在同一层内使用多个并行路径，对图像特征进行表征，完成yolov8模型的改进，具体为，detect_seresnext模块使用全局平均池化作为挤压操作，随后由两个全连接线性层组成一个头部结构用于建模通道间的相关性，并输出和输入特征同样数目的权重，最后通过一个乘积的操作来将归一化后的权重加权到每个通道的特征上。

24、有益效果：与现有技术相比，本发明利用深度学习技术对采样图片进行分析，利用卷积神经网络等先进技术能够极大的提高违禁物品的检测率，并且能够完全的、切实的保护用户隐私；基于深度学习的智慧安检系统快速自动的检测出行李中可能存在的危险品的类别和具体位置，并进行预警、拦截，降低了漏检误报率，提高了安检员的工作效率，有效提高可靠性和安全性；能够实现自动化的检测，缩短了出入公共场所安检的时间；辅助安检人员更加高效的完成安检任务，减轻安检人员的压力，节约了人力成本、提高了工作效率。