一种基于智能AI算法的危险品识别检测系统的制作方法

本发明涉及安检，具体涉及一种基于智能ai算法的危险品识别检测系统。

背景技术：

1、随着公共交通和运输业的迅猛发展，越来越多的人们开始选择乘坐各种交通工具出行，而安检就是保障人民出行安全的第一道防线。例如在民航领域中，导致航空事故多发的原因大多数是乘客的不安全行为。为了最大限度地保障旅客的人身安全，机场设置了极为严格的安检流程。目前，x光技术是一种被广泛使用的安检技术手段,x光安检设备因具有低成本，高辨识度和无损检测等优势，被应用于机场，高铁站等公共场所，而x光扫描得到的图片是由经过相关培训的人工检查员通过目视检查来确保其中没有危险。在高峰时段，有时候只有几秒钟的时间来判断一件行李是否含有危险品。由于每个安检员都要检查大量的行李，同时违禁品也容易被其他物品遮挡从而给人工识别带来一定的困难，所以检测结果有时会受到检查员的疲劳程度和识别经验两方面的影响，最终导致漏检和误检。因此，设计出一种智能、高效、精确的检测识别算法对保障公众出行安全尤为重要。

2、传统的目标检测算法对安检违禁品的划分识别做出了许多贡献。目前普遍使用的方法是基于包裹的图像特征，利用轮廓检测的算法提取包裹，常用的包裹图像特征有灰度特征与边缘特征。例如：使用边缘检测算法来提取图像的金色区域；使用边缘特征对运动目标的轮廓进行提取；使用一种新型的检测分类方法，对x光扫描到的图像使用contourlet变换进行分解，并提取分解后的共生矩阵、tamura纹理特征和直方图特征,最后再将这3种特征的特征向量串联起来得到联合特征向量；使用基于计算机视觉的x射线图像异物分类研究，该算法主要是利用tamura纹理特征和随机森林对x射线中违禁物进行自动识别分类。

3、近年来，随着深度学习方法的高速发展，卷积神经网络(cnn)已广泛应用于图像处理和分析，许多计算机视觉的任务取得了巨大的进步，达到了最为先进和高效的检测性能，如人脸识别、行为识别、医学影像处理以及自动驾驶。与此同时，研究工作者们也将眼光投向x光安检违禁品检测领域。在此之前，对图像进行识别分类的方法主要是视觉词袋模型(bag of visual words，bovw)，通过特征描述子进行视觉词汇提取的操作；通过k-means算法聚类特征，合并词义相近的视觉词汇；通过rf、svm或稀疏表示进行分类创建词汇表。将标准的bovw方法应用于x光图像的分类和检测可以提高性能。有研究员评估了基于视觉词袋模型、稀疏表示、深度学习和经典模式识别方案的x光违禁品检测方法,发现基于深度学习的方法效果最佳；其次，在yolov4算法的基础上加入改进的空洞卷积，并且使用多尺度聚合上下文信息，最后通过k-means聚类算法优化候选框，最终使得检测精度有所提升；适用一种改进yolov5的x光违禁品检测模型，该模型在yolov5算法的基础上，引入注意力机制、边框融合和数据增强的策略以提高检测的精准度。由于违禁品的体积相对于行李箱较小，而且普通的网络模型对于小目标的检测能力较弱，因此容易造成漏检误检的问题。

4、综上所述，目前智能安检技术取得了有效的进展，但是仍然存在以下问题：(1)在重叠遮挡现象严重的情况下，容易造成待检目标与背景的混淆，将图片传入网络通过卷积层提取特征时会得到相似的反馈，从而导致违禁品的识别与检测精度降低。(2)不同违禁品的尺寸和形状变化较大，而普通的卷积由于采样位置是固定的，因而无法适应实际检测目标的感受野，进而影响模型的特征提取能力，最终造成漏检现象的发生。(3)锚框的设定依赖于人工标记设定，导致锚框的初始值泛化能力不强，对小样本，小目标的检测精度不高，影响模型的最终检测准确度。因此，设计一种能够识别小样本、能够克服多物体重叠遮挡的困扰、能够实现高精度高效率的智能ai安检系统尤为重要。

技术实现思路

1、本发明的目的在于克服现有技术存在的问题，提供一种基于智能ai算法的危险品识别检测系统，基于改进yolov8s算法，并搭建一个违禁品自动检测的系统，能够在检测到违禁品的同时自动报警提醒安检员，可以辅助其进行日常工作，从而提高他们对危险物品的检出精度，降低误检率，同时大大提高安检员的工作效率，减少他们的工作量、以及旅客的等待时间。

2、为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

3、一种基于智能ai算法的危险品识别检测系统，该系统由以下步骤组成：

4、步骤s1：部署yolov8s开发训练所需要的环境，选择yolov8s模型作为检测头；

5、步骤s2：将ema注意力添加至yolov8s算法的neck层中，将不同尺度的特征进行充分融合；

6、步骤s3：在yolov8s的骨干网络backbone部分添加可变形卷积dcnv2，用于提取不同层次的特征，并将不同层次的特征进行融合和整合，得到更加全面和准确的违禁品的图像特征；

7、步骤s4：引入改进的鸽群算法对学习率进行自动更新调整，最终在超参数优化层面提高改进模型的最终检测精度；

8、步骤s5：对改进的yolov8s模型进行实验，包括训练、推理，同时将其与原始yolov8s算法所得到的实验结果进行比较分析；

9、步骤s6：将改进的yolov8s模型部署到pyqt5平台上，构建一个可视化界面，实现检测到违禁品的同时预警，实时提醒安检员，并将检测视频自动保存到本地以供复盘。

10、进一步的，所述步骤s3中，在可变形卷积dcnv2中，输出特征值y(p0)定义如下:

11、式中，r＝{(-1,-1),(-1,0),…,(0,1),(1,1)}，为感受野区域，w(pn)是采样位置pn处的卷积核权重值，pn为r中的位置元素，即感受野中的所有采样位置，△pn表示标准卷积在采样点上增加的可学习的偏移量，{△pn|n＝1,2,2,n},n＝|r|，p＝p0+pn+△pn表示区域中的任意位置，引入权重系数△mn(0≤△mn≤1)，利用调制机制来调整不同位置输入特征的幅度，学习每个采样点位置处的权重，从而对不相关的背景信息进行抑制，减轻无关因素的干扰。

12、进一步的，所述步骤s3中，将骨干网络backbone的第二个、第三个、第四个c2f模块替换成可变形卷积模块c2f_dcn，用于提升模型对中小目标的专注力，为之后的特征融合奠定基础。

13、进一步的，所述步骤s4中，鸽群算法pio由两个算子组成：指南针和地图算子、地标算子；在鸽群优化模型中，依据地图和指南针算子来初始化鸽群的位置和速度，并在搜索过程中，鸽群的位置和速度在每一次的迭代中都会得到更新；其中，速度和位置分别记为：

14、xi(t)＝xi(t-1)+vi(t)

15、vi(t)＝vi(t-1)·e-rt+rand·(xgbest-xi(t-1))

16、上式中，r为指南针和地图算子，rand是用来生成介于0和1之间的随机数；xgbest是第t-1次迭代循环后全局最好的位置，vi(t)是第t次鸽子当前速度，xi(t)为第i只鸽子在第t次迭代中的当前位置；

17、对于地标算子，每一代鸽子的数量都会减半，用np来表示每一代鸽子的数目，用xc(t)表示剩余鸽子的中心位置，接近目的地的鸽子此为地标，作为飞行的参考方向，由此依据下列公式：

18、

19、其中，np(t)表示第t代鸽群的数量，适应度值用fitness(xi(t))表示，对每只鸽子的适应度值进行评估排列，从而找到最优路径，下式则是更新鸽群位置：

20、xi(t)＝xi(t-1)+rand·(xc(t)-xi(t-1))

21、针对种群中的每一个个体：

22、xi,t＝(x1i,t,x2i,t,2,xni,t)

23、变异操作是进化算子的核心操作，主要目的是通过变异机制生成一个中间个体，其变异方程为：

24、wi,t+1＝ηxr1,t+(1-η)·f·(xr2,t-xr3,t)

25、

26、f＝f0×2ω

27、wi,t+1＝(w1i,t+1,w2i,t+1,2,wni,t+1)

28、式中第t代中的第i个个体变异产生的中间个体，r1，r2，r3互不相同，分别取自在[1,np]中的随机数，f是介于0和1之间的常数，由f0和ω共同决定，通常成为变异因子或缩放因子，η是变异权重参数，用于拓展局部和全局范围的搜索能力；

29、为了增加干扰参数向量的多样性，引入交叉操作，则实验变量变为：

30、ui,t+1＝(u1i,t+1,u2i,t+1,2,uni,t+1)

31、

32、(i＝1,2,2,np；j＝1,2,2,n)

33、cr表示介于0至1之间的交叉概率算子，它决定了变异个体分量值代替当前个体分值的概率，rand(j)是一个位于0到1内的均匀分布的随机数，rnbi(i)是属于1到n的随机整数，以保证候选个体至少从变异向量中取得一个分量值；

34、由上述改进策略，引入自适应的差分变异交叉算子，能够通过随机选择鸽群中的个体来调整鸽子的位置，以提高算法的全局和局部的搜索能力，增强种群的多样性；

35、由变异交叉算子改进的鸽群优化算法，其指南针和地图算子为：

36、xi(t)＝xi(t-1)+vi(t)+wi

37、地标算子为：

38、xi(t)＝xi(t-1)+rand·(xc(t)-xi(t-1))+wi

39、其中，wi为改进的自适应变异交叉算子；

40、采用上述基于交叉变异算子的鸽群优化算法进行迭代搜索，得到全局最优候选解以及对应的最优适应度值，即最优学习率和最优检测精度map。

41、进一步的，所述步骤s5中，对收集到的图片进行选择、分类、标注，制作若干张含有待检测违禁品的数据集，该数据集中具有常见的各类违禁品，根据训练集、验证集和测试集的构造原则，将数据集按照7:1.5:1.5的比例划分，采用相应的训练环境进行若干轮训练，模型中使用sgd优化器来迭代更新参数，动态调整学习率，使得损失函数能够更好地收敛。

42、本发明的有益效果是:

43、本发明系统基于改进yolov8 s算法，并搭建了一个违禁品自动检测的系统，能够在检测到违禁品的同时自动报警提醒安检员，可以辅助其进行日常工作，从而提高他们对危险物品的检出精度，降低误检率，同时大大提高安检员的工作效率，减少他们的工作量、以及旅客的等待时间。