本發(fā)明屬于深度學(xué)習(xí)圖像檢測，具體涉及一種改進(jìn)yolov8的安檢圖像違禁品檢測方法和計(jì)算機(jī)設(shè)備。

背景技術(shù)：

1、x光違禁品檢測在安全領(lǐng)域具有重要價(jià)值，有效避免違禁品對(duì)交通工具造成危險(xiǎn)或干擾。傳統(tǒng)的x光安檢是讓行李物品通過x光安檢機(jī)，生成x光圖像，現(xiàn)場人工操作員以肉眼去識(shí)別和判斷是否存在違禁物品，從而人工操作員的人工安檢起著至關(guān)重要的作用。安檢員必須通過長時(shí)間的實(shí)踐與訓(xùn)練提高自身視覺檢測專業(yè)知識(shí)來應(yīng)對(duì)，這就造成了較高的人員與時(shí)間成本。雖然經(jīng)驗(yàn)與知識(shí)是進(jìn)行有效檢查的重要要素，但安檢員會(huì)面臨環(huán)境、身體、精神方面的影響，無法保障檢測工作的穩(wěn)定性與準(zhǔn)確性，存在安全隱患。故研究如何將計(jì)算機(jī)技術(shù)應(yīng)用于x光安檢圖像中，實(shí)現(xiàn)自動(dòng)、快速、精準(zhǔn)地檢測并識(shí)別違禁物品具有重要意義。

2、隨著硬件水平與檢測技術(shù)的突飛猛進(jìn)，基于深度學(xué)習(xí)的目標(biāo)檢測成為許多學(xué)者研究和探討的熱點(diǎn)。傳統(tǒng)的檢測方法如梯度直方圖或支持向量機(jī)，主要采用滑動(dòng)窗口檢測目標(biāo)，時(shí)間冗長且手工設(shè)計(jì)的特征無魯棒性。深度學(xué)習(xí)的出現(xiàn)使得計(jì)算機(jī)視覺研究從傳統(tǒng)的特征提取和淺層模型轉(zhuǎn)向深層網(wǎng)絡(luò)模型。卷積神經(jīng)網(wǎng)絡(luò)中深度學(xué)習(xí)的實(shí)時(shí)性和準(zhǔn)確性高，且由于其是通過對(duì)大量樣本的特征學(xué)習(xí)完成目標(biāo)檢測，故在面對(duì)復(fù)雜圖像識(shí)別問題時(shí)有著較好的魯棒性。因此，基于深度學(xué)習(xí)的目標(biāo)檢測算法成為當(dāng)前機(jī)器視覺領(lǐng)域的主流方法。

3、基于深度學(xué)習(xí)的x光安檢圖像違禁品檢測方法普遍采用了通用目標(biāo)檢測的基本思想和框架，比如yolo系列模型便是其中應(yīng)用較為廣泛的一個(gè)模型，而且越來越多的學(xué)者考慮在現(xiàn)有思想和框架基礎(chǔ)上進(jìn)行改進(jìn)。比如，申請(qǐng)公布號(hào)為cn117218583a、申請(qǐng)公布日為2023.12.12的中國發(fā)明專利公開了一種基于yolov5-mobilenet網(wǎng)絡(luò)模型的安檢圖片違禁品圖像檢測方法，該方法中通過mobilenetv2網(wǎng)絡(luò)的倒殘差結(jié)構(gòu)和mobilenetv1網(wǎng)絡(luò)的深度可分離卷積搭建yolov5的主干網(wǎng)絡(luò)，得到y(tǒng)olov5-mobilenet網(wǎng)絡(luò)模型，以減少模型計(jì)算量；并在yolov5-mobilenet網(wǎng)絡(luò)模型的mobilenetv2網(wǎng)絡(luò)的倒殘差結(jié)構(gòu)中引入se注意力機(jī)制，提高小目標(biāo)違禁品的檢測精度，以使得網(wǎng)絡(luò)更符合輕量化的要求并能夠提升模型對(duì)小目標(biāo)的檢測精度。

4、然而，由于x光安檢圖像具有不同于自然圖像獨(dú)特性質(zhì)，如圖片背景雜亂、違禁品形狀尺度變化大、重疊遮擋嚴(yán)重等問題，目前的檢測精度仍無法滿足實(shí)際應(yīng)用的需要。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種改進(jìn)yolov8的安檢圖像違禁品檢測方法和計(jì)算機(jī)設(shè)備，用以解決現(xiàn)有技術(shù)中的目標(biāo)檢測精度不達(dá)標(biāo)和模型召回率低下的問題。

2、為解決上述技術(shù)問題，本發(fā)明提供了一種改進(jìn)yolov8的安檢圖像違禁品檢測方法，該方法包括：獲取安檢圖像并輸入至訓(xùn)練后的違禁品檢測模型中，識(shí)別出安檢圖像中違禁品的位置和種類；其中，違禁品檢測模型是在yolov8上改進(jìn)得到，對(duì)yolov8的改進(jìn)包括：yolov8的主干網(wǎng)絡(luò)中位于網(wǎng)絡(luò)最深層的c2f模塊和sppf模塊之間增加simirb注意力機(jī)制模塊，simirb注意力機(jī)制模塊是將irmb模塊中的多頭注意力機(jī)制替換為simam注意力機(jī)制后的模塊。

3、進(jìn)一步地，對(duì)yolov8的改進(jìn)還包括：yolov8的頸部網(wǎng)絡(luò)中的c2f模塊替換為c2f-dwr模塊，且c2f-dwr模塊是在c2f模塊上改進(jìn)得到，且對(duì)c2f模塊的改進(jìn)為將c2f模塊的bottleneck中的第二個(gè)卷積層替換為dwr_conv，且dwr_conv包括依次連接的卷積層、dwr、批歸一化層和激活函數(shù)層。

4、進(jìn)一步地，所述激活函數(shù)層為gelu激活函數(shù)層。

5、進(jìn)一步地，對(duì)yolov8的改進(jìn)還包括：yolov8的檢測頭使用的是dynamic?head。

6、進(jìn)一步地，訓(xùn)練違禁品檢測模型所使用的損失函數(shù)為powerful-iou損失函數(shù)。

7、進(jìn)一步地，違禁品的種類包括刀具和液體容器。

8、為解決上述技術(shù)問題，本發(fā)明還提供了一種計(jì)算機(jī)設(shè)備，包括處理器，所述處理器用于執(zhí)行計(jì)算機(jī)程序以實(shí)現(xiàn)上述介紹的改進(jìn)yolov8的安檢圖像違禁品檢測方法的步驟。

9、本發(fā)明為改進(jìn)型發(fā)明創(chuàng)造，其有益效果為：本發(fā)明對(duì)用于違禁品檢測的yolov8進(jìn)行改進(jìn)，具體為在主干網(wǎng)絡(luò)中位于網(wǎng)絡(luò)最深層的c2f模塊和sppf模塊之間增加simirb注意力機(jī)制模塊，simirb注意力機(jī)制模塊是將irmb模塊中的多頭注意力機(jī)制替換為simam注意力機(jī)制后的模塊，以同時(shí)捕獲長距離依賴和特征間的全局依賴以增強(qiáng)對(duì)物體的特征提取能力，兩者相輔相成以實(shí)現(xiàn)出色的特征提取效果，提高模型的召回率，提升違禁品檢測模型的檢測精度，能夠?qū)崿F(xiàn)快速、準(zhǔn)確、自動(dòng)地判斷出行李中是否存在違禁品。而且，simirb注意力機(jī)制模塊的具體設(shè)置位置是在最深層的c2f模塊和sppf模塊之間，利用simirb注意力機(jī)制模塊的特征整合能力，保留重要特征，剔除冗余或不重要特征以避免這些特征對(duì)模型檢測精度的影響，提升模型檢測精度。整體上本發(fā)明顯著提升違禁品檢測的準(zhǔn)確性與可靠性，很大程度上降低了人工安檢的誤報(bào)率與漏檢率，也大大緩解了安檢員的工作壓力并提高了工作效率，為保障公共交通安全與旅客人身安全以及公共智慧交通體系的構(gòu)建提供了技術(shù)支持。

技術(shù)特征：

1.一種改進(jìn)yolov8的安檢圖像違禁品檢測方法，其特征在于，該方法包括：獲取安檢圖像并輸入至訓(xùn)練后的違禁品檢測模型中，識(shí)別出安檢圖像中違禁品的位置和種類；

2.根據(jù)權(quán)利要求1所述的改進(jìn)yolov8的安檢圖像違禁品檢測方法，其特征在于，對(duì)yolov8的改進(jìn)還包括：yolov8的頸部網(wǎng)絡(luò)中的c2f模塊替換為c2f-dwr模塊，且c2f-dwr模塊是在c2f模塊上改進(jìn)得到，且對(duì)c2f模塊的改進(jìn)為將c2f模塊的bottleneck中的第二個(gè)卷積層替換為dwr_conv，且dwr_conv包括依次連接的卷積層、dwr、批歸一化層和激活函數(shù)層。

3.根據(jù)權(quán)利要求2所述的改進(jìn)yolov8的安檢圖像違禁品檢測方法，其特征在于，所述激活函數(shù)層為gelu激活函數(shù)層。

4.根據(jù)權(quán)利要求1所述的改進(jìn)yolov8的安檢圖像違禁品檢測方法，其特征在于，對(duì)yolov8的改進(jìn)還包括：yolov8的檢測頭使用的是dynamic?head。

5.根據(jù)權(quán)利要求1所述的改進(jìn)yolov8的安檢圖像違禁品檢測方法，其特征在于，訓(xùn)練違禁品檢測模型所使用的損失函數(shù)為powerful-iou損失函數(shù)。

6.根據(jù)權(quán)利要求1～5任一項(xiàng)所述的改進(jìn)yolov8的安檢圖像違禁品檢測方法，其特征在于，違禁品的種類包括刀具和液體容器。

7.一種計(jì)算機(jī)設(shè)備，包括處理器，其特征在于，所述處理器用于執(zhí)行計(jì)算機(jī)程序以實(shí)現(xiàn)權(quán)利要求1～6任一項(xiàng)所述方法的步驟。

技術(shù)總結(jié)
本發(fā)明屬于深度學(xué)習(xí)圖像檢測技術(shù)領(lǐng)域，具體涉及一種改進(jìn)YOLOv8的安檢圖像違禁品檢測方法和計(jì)算機(jī)設(shè)備。該方法獲取安檢圖像并輸入至訓(xùn)練后的違禁品檢測模型中，識(shí)別出安檢圖像中違禁品的位置和種類；違禁品檢測模型是在YOLOv8上改進(jìn)得到，改進(jìn)包括：YOLOv8的主干網(wǎng)絡(luò)中位于網(wǎng)絡(luò)最深層的C2f模塊和SPPF模塊之間增加SimIRB注意力機(jī)制模塊，SimIRB注意力機(jī)制模塊是將iRMB模塊中的多頭注意力機(jī)制替換為SimAM注意力機(jī)制后的模塊。本發(fā)明利用SimIRB注意力機(jī)制模塊可以同時(shí)捕獲長距離依賴和特征間的全局依賴以增強(qiáng)對(duì)物體的特征提取能力，兩者相輔相成實(shí)現(xiàn)出色的特征提取效果，提升違禁品檢測精度。

技術(shù)研發(fā)人員：霍華,賽格,王航,王利平,趙利群,李彥蓉
受保護(hù)的技術(shù)使用者：河南科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/22