X射线图像违禁品自动检测算法研究.pdf

随着社会的不断发展，城市轨道交通在人们生活中占据着越来越重要的作用。据统计，广州地铁客运量排在全国首位，2022 年达到 231 874 万人。面对如此巨大的客运量，安检的自动化、实时性、高准确率是很有必要的1。传统的目标检测算法面对背景庞杂、行李乱放、违禁品多种多样等情况，能力不足，难以满足客运的要求。2012 年，Alex Krizhevsky 等2设计的AlexNet 在 ImageNet 挑战赛上夺得冠军，大幅提升了图像分类的准确度，深度学习重新迎来春天，开始在各个领域开花结果，但在安检领域的应用相对较少。YOLO 系列3是目标检测领域知名度最高的算法，其凭借出色的实时检测性，在不同的领域均有广泛应用。YOLO 系列算法将问题概括为一个回归问题，一次完成，是一种端对端的卷积神经网络。本文选择 YOLOv5m 算法来进行安检违禁品识别，并增加置换注意力（Shuffle Attention，SA）模块4，以提高检测准确率。1YOLOv5 算法YOLOv5 算 法 主 要 包 含 Input（输 入 端）、Backbone（主干网络）、Neck（多尺度特征融合网络）和 Prediction（检测头）5。Input 部分是行李经过X 射线安检后采集到的图像；Backbone 部分包含多种卷积、池化、归一化、激活函数等操作，主要是进行图像的特征提取；Neck 部分主要是进行多尺度特征融合，增加主干特征的可接受性，丰富上下文信息；Prediction 部分采用分类、定位、置信度共3 个分支，用于获取目标的类别、位置和置信度。YOLOv5m 算法结构见图 1。Backbone 主要由CBS（Conv+BatchNorm+SiLU）、跨阶段局部（CrossStage Partial，CSP）、共享压缩分析森林（SharedPacked Parse Forest，SPPF）结构组成，CBS 由卷积、归一化、SiLU 激活函数构成。Backbone 采用的是带有残差（Res）组件的 CSP1 结构。Neck 包括 特 征 金 字 塔 网 络（Feature Pyramid Networks，FPN）和路径聚合网络（Path Aggregation Network，PAN）结构设计，采用的是不带 Res 组件的 CSP2结构。目标检测任务的损失函数由分类损失、定位损失和置信度损失的加权得到。在训练过程中，输入图像采用 Mosaic 数据增强、自适应锚框计算、自适应图片缩放等方式，提高了模型的泛化能力，减少了计算量。基金项目 山西省高等学校科技创新项目（2022L707）；长安大学中央高校基本科研业务费专项资金资助项目（300102213515）收稿日期：2023原04原06曰修回日期：2023原04原30作者简介：令狐蓉（1989），女，山西运城人，硕士，助教，主要从事城市轨道交通通信与信号研究，E-mail：。X 射线图像违禁品自动检测算法研究令狐蓉摘要：为了提高城市轨道交通 X 射线安检违禁品自动识别的有效性、提升安检效率，设计了一种带有注意力机制的YOLOv5m 算法模型。该算法模型引入置换注意力（Shuffle Attention，SA）模块，采用通道随机混合操作，分块并行使用空间和通道两类注意力机制，使两类注意力机制高效结合。通过实验验证，改进后的算法的 mAP50 达到了 0.718，相较于基础的 YOLOv5m 算法，mAP50:95 和 mAP50 分别提升了 0.8 个百分点和 1.2 个百分点，结果表明改进后的算法能显著提高检测识别精度。关键词：YOLOv5；SA 模块；X 射线；识别；违禁品中图分类号：TP301.6；O434.19；TP391.41文献标识码：ADOI：10.3969/j.issn.1674-9146.2023.09.105（山西工程职业学院交通工程系，山西太原030001）文章编号：1674-9146渊圆园23冤09原105原03科 技 创 新 与 生 产 力SCI-TECH INNOVATION&PRODUCTIVITY第 44卷第 9 期2023年 9 月Vol.44No.9Sep.2023*图 1YOLOv5m 算法结构图科技创新与生产力 2023年第 44卷第 9 期算法模型mAP50:95mAP50ATSS+LAreg0.5850.709ATSS+LAcls0.5930.718YOLOv5m0.6050.706YOLOv5m+SA0.6130.7182YOLOv5 算法的改进南京大学杨育彬教授等提出 SA 模块4，高效地结合这两种注意力机制，并引入了特征分组与通道置换，得到了一种超轻量型的注意力机制。SA 模块结构见图 2，它采用置换单元，高效组合上述两种类型的注意力机制。首先将输入沿着通道维度拆分为多组，然后对每一组特征词用置换单元刻画特征在空间和通道两个维度上的依赖性，最后所有特征进行集成并通过通道置换操作进行组件特征合并6。本文将 SA 模块嵌入到 Prediction 部分之前，即在 CSP2 和 Conv 之间添加，改进后的 YOLOv5m 算法的 Prediction 部分结构见图 3。3实验结果与分析3.1数据集本文采用赵才荣教授公开的刀具和液体容器 X射线（Cutters and Liquid Containers X-ray，CLCX-ray）数据集7。CLCXray 数据集包含 9 565 张 X 射线安检图像，包括 5 种刀具和 7 种液体容器，共有 12个类别。5 种刀具包括刀片、匕首、刀、剪刀、瑞士军刀，7 种液体容器包括易拉罐、纸盒饮料、玻璃瓶、塑料瓶、真空杯、喷罐、锡罐。3.2评价指标本文采用 mAP50:95和 mAP50作为算法模型的评价指标，平均精度均值（mean Average Precision，mAP）是准确率-召回率（Precision-Recall，P-R）曲线下的面积。1）mAP50:95。在不同阈值（从 0.5 到 0.95，步长 0.05）下的 mAP。2）mAP50。计 算 每 一 类 别 的 交 并 比（Intersection over Union，IoU）设为 0.5 时的平均精度（Average Precision，AP），对所有类别的 AP 求平均值。3.3实验结果YOLOv5m 算法模型的性能及其加入 SA 模块后的 YOLOv5m 算法模型的性能实验结果见表 1，同时与赵才荣教授团队提出的 ATSS 模型的性能进行对比。从表 1 中可以看出，YOLOv5m 算法模型比ATSS+LAreg 算法模型和 ATSS+LAcls 算法模型在mAP50:95上分别提升了 2 个百分点和 1.2 个百分点；而 YOLOv5m 算法模型在添加 SA 模块后，mAP50:95和 mAP50分别提升了 0.8 个百分点和 1.2 个百分点。结果表明，基于 SA 模块改进的 YOLOv5m 算法模型在 CLCXray 数据集中的违禁品检测识别中有一定的优越性。图 4 为检测识别效果图。4结论针对城市轨道交通 X 射线安检违禁品的检测识别，本文在 YOLOv5m 算法基础上，增加了 SA 模块，分别对空间和通道的特征进行操作，经过在CLCXray 数据集上进行实验验证，结果表明改进后的算法能显著提高检测识别精度。但是改进后的算法在易拉罐、玻璃瓶、喷罐等类别上的检测识别效果不理想，下一步研究可以围绕易拉罐、玻璃瓶、喷罐 3 个类别的图像进行改进。参考文献：1任健.基于改进 YOLOv5 的轻量化违禁物检测技术研究与实践D.成都:四川师范大学,2022.图 2SA 模块结构图图 3改进后的 YOLOv5m 算法的 Prediction 部分结构图表 1不同算法模型的性能对比图 4检测识别效果图PredictionSAConvSASAConvConvC8 106 Research on Automatic Detection Algorithm for Contraband in X-ray ImagesLINGHU Rong(Department of Transportation Engineering,Shanxi Engineering Vocational College,Taiyuan 030000,China)Abstract：In order to improve the effectiveness of automatic detection of contraband in X-ray security checks of urban railtransit and improve security efficiency,a YOLOv5m algorithm model with attention mechanism was designed.This modelintroduces the Shuffle Attention(SA)module.The module uses channel random mixing operations,and parallelizes the use ofspatial and channel attention mechanisms in blocks,enabling efficient integration of the two types of attention mechanisms.Throughexperimentalverification,themAP50oftheimprovedalgorithmreaches0.718;mAP50:95andmAP50arerespectively 0.8 percentage points and 1.2 percentage points higher than the basic YOLOv5m algorithm.The results show thatthe improved algorithm can significantly improve detection accuracy.Key words：YOLOv5;SA module;X-ray;detection;contraband2KRIZHEVSKY A,SUTSKEVER I,HINTON G E.Image-Net classification with deep convolutional neural networksJ.Advances in Neural Information Processing Systems,2012,25(2)1-20.3REDMON J,DIVVALA S,GIRSHICK R,et al.You onlylookonce:Unified,real-timeobjectdetectionC.IEEECom-puter Society.Proceedings of the 2016 IEEE Conference onComputerVisionandPatternRecognition(CVPR).LasVegas:IEEE Publications,2016:16526932.4ZHANG Q L,YANG Y B.SA-Net:Shuffle attention fordeep convolutional neural networksC.IEEE Computer So-ciety.Proceedings of the ICASSP 2021-2021 IEEE Interna-tional Conference on Acoustics,Speech and Signal Processing(ICASSP),Toronto:IEEE Publications,2021:21144252.2235-21144252.2239.5宋晓凤,吴云军,刘冰冰,等.改进 YOLOv5s 算法的安全帽佩戴检测J.计算机工程与应用,2023,59(2):194-201.6韩辉,孙熙庆,陈一君,等.基于 SA-YOLOv5 的交通标志目标检测研究J.微电子学与计算机,2023(2):94-100.7ZHAO C R,ZHU L,DOU S G,et al.Detecting overlappedobjects in X-ray security imagery by a label-aware mecha-nismJ.IEEETransactionsonInformationForensicsandSecu-rity,2022,17:998-1009.（责任编辑邸开宇）Research on Intelligent Fault Diagnosis of Central Air ConditionerBased on Fuzzy Neural NetworkZHANG Dingbo(Affiliated Hospital of Yanan University,Yanan 716000,China)Abstract：In order to realize the accurate troubleshooting of central air conditioner faults,the intelligent fault diagnosisresearch of central air conditioner based on fuzzy neural network is proposed.Fault diagnosis is realized by establishing basicfuzzy neuron,building intelligent fault fuzzy diagnosis mathematical model of central air conditioner,and fuzzy diagnosisintelligent reasoning.Through examples,it is proved that the new fault diagnosis method can achieve accurate troubleshootingof central air conditioner faults,and the types of faults that can be diagnosed are very rich.This research can open up anew way for the design and innovation of intelligent diagnosis technology.Key words：central air conditioner;fault diagnosis;intelligent fault diagnosis;neural network;fuzzy neural network（上接第 104 页）令狐蓉：X 射线图像违禁品自动检测算法研究故障诊断研究J.机械制造与自动化,2022,51(2):214-217.3何金凝,徐廷喜,黄巍,等.基于极端梯度提升算法的空调系统故障诊断自适应模型J.制冷技术,2022,42(2):25-31+38.4孙哲,金华强,李康,等.基于知识数据化表达的制冷空调系统故障诊断方法J.化工学报,2022,73(7):3131-3144.5姜智堯,黄巍,薛扬帆,等.屋顶机空调远程监测软硬件系统设计与故障诊断J.制冷技术,2021,41(6):15-20.6张帅,叶琳,丁之劼,等.基于平行粒子群优化-反向传播神经网络模型的空调系统故障诊断方法J.制冷技术,2021,41(4):13-19+81.7朱辉,杨文,庞爱平.基于 OpenModelica 仿真平台的暖通空调系统故障诊断研究J.智能计算机与应用,2021,11(7):171-176.8李桂强.浅谈风行菱智汽车冷却液温度传感器致空调不制冷故障诊断与排除J.装备制造技术,2020(7):161-163.（责任编辑邸开宇）107