[发明专利]一种基于YOLOv5优化器改进的违禁物品检测方法

说明书

本发明提出了一种基于YOLOv5优化器改进的违禁物品检测方法，涉及光学工程与人工智能领域，包括以下步骤：(1)行李X光图像数据的获取；(2)行李X光图像样本的划分；(3)行李X光图像的特征提取；(4)违禁品行李识别模型构建。本发明采用卷积神经网络PANet进行行李违禁品检测模型的构建，PANet模型能提取更多、更有效的特征信息，在无须拆开行李、随身物品的情况下，能够高效、准确地对旅客的行李进行检测。这样既保证了乘客通行情况下畅通无阻，也为民众的出行安全提供更好的保障。

技术领域

本发明涉及一种基于YOLOv5优化器改进的违禁物品检测方法，属于光学工程与人工智能领域。

背景技术

随着经济社会的快速发展，技术水平不断更新，轨道交通得到了快速的发展，地铁逐渐成为了城市出行必不可少的一部分。然而，地铁公交系统存在环境封闭、人流量大、疏散困难等特点。为保障民众出行安全，北京率先于2008年启动与机场安检模式相同的地铁安检模式，随后全国各地陆续开展。

目前，地铁与机场的安检流程相同，主要由“人检”和“物检”两部分组成。其中，“人检”由金属探测门和安检员组成，“物检”由X光安检机完成。安检流程一般为：乘客将随身携带物品及行李放入X光安检机，由X光安检机对物品及行李进行检测，乘客则通过金属探测门。

针对“物检”的检测系统目前仍然会存在一些漏检的现象，提高在“物检”中行李违禁品检测的准确率，以及及时识别出违禁品类型对于维护公共安全，改善安检效果，保障民众的出行安全意义深远。

发明内容

本发明所要解决的技术问题是，提出一种基于YOLOv5优化器改进的违禁物品检测方法，用来解决当前公共交通安检过程中“物检”不够精确的问题。

本发明为了解决上述技术问题采用以下技术方案：本发明提出了一种基于YOLOv5优化器改进的违禁物品检测方法，基于样本行李X光图像集，应用如下步骤A至步骤C，训练并获取用于识别行李X光图像中违禁品类别的基于YOLOv5优化器改进的目标神经网络模型；然后，针对待检测的行李X光目标图像，应用目标神经网络模型，获取行李中所包含违禁品的分类结果；

步骤A.将样本行李X光图像集分为用于训练构建目标神经网络模型的训练集合和用于测试目标神经网络模型的测试集合；

步骤B.基于训练集合中的样本行李X光图像，构建以样本行李X光图像为输入，以对应的样本行李X光图像中违禁品类别为输出的待训练神经网络模型，在训练过程中使用预设改进的YOLOv5优化器算法，对待训练神经网络模型按照预设的迭代次数进行迭代训练，从而获得用于识别行李X光图像中违禁品类别的待验证神经网络模型；

步骤C.使用测试集合中的样本行李X光图像对待验证神经网络模型进行测试并验证待验证神经网络模型的性能，如果不满足预设的性能指标，则增加待训练神经网络模型的迭代训练次数，重复执行步骤B；如果满足预设的性能指标，则步骤B获得的待验证神经网络模型即为目标神经网络模型。

作为本发明的一种优选技术方案，样本行李X光图像集既包括包含违禁品的样本行李X光图像，也包括不包含违禁品的样本行李X光图像。

作为本发明的一种优选技术方案，步骤A中将样本行李X光图像集中80％的图像集作为用于训练目标神经网络模型的训练集合，另外20％的图像集用于测试目标神经网络模型的测试集合。

作为本发明的一种优选技术方案，所述样本行李X光图像集包含10种类别的违禁品，包括刀、剪刀、打火机、油、压力容器、弹弓、手铐、指甲油、充电宝和烟花。

作为本发明的一种优选技术方案，在步骤B执行之前，首先将样本行李X光图像集中的各个样本行李X光图像按照预设的算法归一化为大小为预设的尺寸。

作为本发明的一种优选技术方案，所述的待训练神经网络模型结构为PANet网络结构。