基于改进YOLOv5的X光违禁物品检测方法研究.pdf

基于改进YOLOv5的X光违禁物品检测方法研究

摘要

安全检查对于维护社会稳定、保护公众生命财产安全具有十分重要的作用。

随着客流、物流量的增加，利用人工智能技术辅助安检，实现对违禁品的快速准

确检测，已成为重要的应用和研究方向。然而，目前的智能检测算法面临着违禁

品数据集少、类别分布不平衡、以及目标姿态多变、目标尺度不一等问题，从而

导致错检、漏检现象的发生。针对以上问题，本文通过研究基于深度学习的

X

方法，提出一种基于生成对抗网络的光安检图像数据增强算法以及基于

YOLOv5的X光违禁品检测算法。主要研究内容如下：

首先，针对真实安检场景下采集的X光安检数据集类别分布不均衡的问题，

X

本文提出一种基于生成对抗网络的光安检图像数据增强算法。将自注意力机

制加入到渐近式增长生成对抗网络中，使其在网络增长时学习到当前特征同全局

语义特征的关联度，从而生成轮廓清晰、特征明显的违禁品图像，对样本量不足

的违禁品进行扩充，提升对该类别违禁品的检测效果。

其次，为改善模型在检测时对X光图像中异常目标检测不足的问题，本文设

计基于YOLOv5的X光违禁物品检测改进算法YOLOv5s-DAB。针对同一违禁

品在不同样本中表现出的尺度不同，姿态不一的特点，设计可变形卷积模块，通

过学习采样偏移量适应物体的不同形变，增强空间特征信息提取能力；针对多尺

度违禁品重叠遮挡的问题，设计基于注意力机制的多尺度特征增强模块

SA-ASPP，用不同感受野大小的空洞卷积捕捉不同尺度目标的特征，并在模块中

添加置换注意力机制，增强多尺度特征的表达能力；最后改进YOLOv5s中的特

征融合网络，使高层特征的语义信息与低层特征的位置信息融合，提升模型对于

小尺度违禁品的检测效果。

最后，对本文所提出的数据增强算法和目标检测算法进行实验验证。实验结

果表明，YOLOv5s-DAB检测算法对违禁物品的平均检测精度可以达到93.72%，

使用本文提出的数据增强方法后，平均检测精度上升到95.07%，与SSD、

Centernet、YOLOX等主流模型以及安检图像检测模型LightRay相比，本文提出

的算法改进可在一定程度上改善对X光图像中样本量不足或多姿态、多尺度、

重叠遮挡违禁品检测不足的问题。

关键词：目标检测；生成对抗网络；YOLOv5；X光安检图像

基于改进YOLOv5的X光违禁物品检测方法研究

Abstract

Safetyinspectionplaysacrucialroleinmaintainingsocialstabilityandprotecting

thesafetyofpubliclifeandproperty.Withtheincreaseofpassengerflowand

logisticsvolume,theuseofartificialintelligencetechnologytoassistsecuritychecks

andachieverapidandaccuratedetectionofprohibitedgoodshasbecomeanimportant

applicationandresearchdirection.However,currentintelligentdetectionalgorithms

faceproblemssuchaslimiteddatasetofprohibiteditems,imbalanceddistributionof

categories,variabletargetpostures,andvaryingtargetscales,leadingtothe

occurrenceoffalsepositivesandmisseddetections.Inresponsetotheaboveissues,

thisthesisproposesanimageenhancementalgorithmbasedon