基于改进YOLOv5s的X光安检图像违禁物品检测方法

技术特征：
1.基于改进yolov5s的x光安检图像违禁物品检测方法，其特征在于：该方法包括以下步骤：s1：建立基于重参数思想设计的rep模块；s2：建立基于重参数的yolov5s违禁物品检测算法；s3：对颈部pan进行改进。2.根据权利要求1所述的基于改进yolov5s的x光安检图像违禁物品检测方法，其特征在于：所述s1具体为：设构造的rep模块参数如公式(1)所示，即两个平行卷积分支相加；rep模块产生的信息流表示为y＝f(x) g(x)，其中f(x)、g(x)分别是由3
×
3核和1
×
1核实现的卷积分支；rep(3
×
3)＝3
×
3-bn 1
×
1-bn
ꢀꢀꢀꢀ
(1)对每个3
×
3卷积，在训练阶段给构造并行的1
×
1卷积分支，并各自经过归一化操作后相加；在推理阶段将1
×
1分支融合进3
×
3分支，得到一个3
×
3卷积分支，减去另一平行分支结构，提升卷积网络的性能，不影响网络检测效率；在rep模块构造的基础上，基于repvgg的思想将多分支模块转为单分支；模型的转换是在训练完成后进行，包含如下两个步骤：
①
首先将每个分支中的卷积层、bn层进行融合；直接将卷积结果带入bn公式中，如图3中左边箭头，则输出表示为公式(2)：m
(2)
＝bn(w
(3)
*m
(1)
,μ
(3)
,σ
(3)
,γ
(3)
,β
(3)
) bn(w
(1)
*m
(1)
,μ
(1)
,σ
(1)
,γ
(1)
,β
(1)
)
ꢀꢀꢀꢀ
(2)其中，和分别表示表示3
×
3和1
×
1卷积层的卷积核，c1，c2代表输入、输出通道数；μ
(3)
,σ
(3)
,γ
(3)
,β
(3)
分别表示3
×
3卷积后bn层的累积均值、标准差、缩放因子和偏差项，μ
(1)
,σ
(1)
,γ
(1)
,β
(1)
对应1
×
1卷积后bn层的累积均值、标准差、缩放因子和偏差项；输入、输出分别表示为*代表卷积运算；将参数带入公式(2)，得到结果如公式(3)；其中，bn是推理阶段的批量标准化函数，i∈[1,c2]；对公式(3)化简得到一个带有偏差项的卷积层；以{w',b'}形式表示{w,b,μ,σ,γ,β}转化后得到的卷积核和偏差项，则有：对任意的i∈[1,c2]，有bn(w*m,μ,σ,γ,β)
:,i,:,:
＝(w'*m)
:,i,:,:
b
i
'；融合完成后得到一个3
×
3卷积核、一个1
×
1卷积核和两个偏差项；
②
对3
×
3卷积和1
×
1卷积进行融合，两个偏差项相加得到融合偏差项；将1
×
1卷积核用0填充为3
×
3卷积核后，再与原3
×
3卷积核相加，得到融合卷积核；设为两个卷积核，根据卷积的可加性原理，其相加结果表示为公式(5)；卷积核融合之后实现融合前的功能；
3.根据权利要求2所述的基于改进yolov5s的x光安检图像违禁物品检测方法，其特征在于：所述s2具体为：将rep结构引入yolov5s算法的主干网络，得到由一系列rep模块和c3模块组成的升级主干网络；调整pan结构，将se模块插入pan中上一检测层到下一检测层之间，得到升级pan网络；其中focus模块对图片进行切片操作，使其输入通道扩充4倍，即操作后的图片从原先的rgb三通道变成12个通道；经过卷积操作，得到没有信息丢失的二倍下采样特征图；conv模块封装卷积层、bn层以及silu激活函数；c3模块的结构和作用与bottleneckcsp基本相同，但其浮点运算数更低，运行的速度更快；spp模块拼接不同尺寸的最大池化结果，实现了局部特征和全局特征相融合；upsample为上采样层，其内插值方法将图像放大到原来的2倍；检测头中的三个conv[1,1]得到最终输出的特征图。4.根据权利要求3所述的基于改进yolov5s的x光安检图像违禁物品检测方法，其特征在于：所述s3具体为：se模块包含压缩和激励两部分；第一步为压缩阶段，通过一个全局平均池化，使输入w
×
h
×
c的特征图被压缩为1
×1×
c，这个压缩过的特征图具有全局感受野；第二步为激励阶段，由两个全连接层组成：第一个全连接层有c
×
r个神经元，第二个全连接层有c个神经元，其中r是一个缩放参数，调节这个参数减少通道个数从而降低计算量。5.根据权利要求4所述的基于改进yolov5s的x光安检图像违禁物品检测方法，其特征在于：所述s4之后还包括设置评价指标；检测器的检测性能评估需要同时考虑准确率precision和召回率recall；目标检测中使用iou＝0.5时的平均精度均值map、宏准确率mp、宏召回率mr和宏f1来评价网络模型的性能；准确率的定义为公式(6)，召回率的定义为公式(7)；其中tp、tn、fp和fn分别代表真阳性、真阴性、假阳性和假阴性；假阳性和假阴性；平均精度ap是通过结合准确率和召回率而得到，用来评价模型检测单个类别的精度；map测量模型检测所有类别的精度，通过求所有类ap平均值得到，其定义如公式(8)；f1分数是准确率与召回率的加权平均值，定义如公式(9)，其值越大表明效果越好；其值越大表明效果越好；宏准确率、宏召回率和宏f1是通过分别求所有类别准确率、召回率和f1分数的平均值而得到。

技术总结
本发明涉及一种基于改进YOLOv5s的X光安检图像违禁物品检测方法，属于图像检测领域。该方法包括以下步骤：S1：建立基于重参数思想设计的Rep模块；S2：建立基于重参数的YOLOv5s违禁物品检测算法；S3：对颈部PAN进行改进。相对于传统的检测方法，本发明检测精度更高，更能够满足X光安检图像中违禁物品检测的实际应用需要。用需要。用需要。


技术研发人员：向娇 李国权 黄正文 林金朝 吴建
受保护的技术使用者：重庆邮电大学
技术研发日：2022.06.21
技术公布日：2022/8/12