(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210705367.8 (22)申请日 2022.06.21 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区黄桷垭崇文路2 号 (72)发明人 向娇　李国权　黄正文　林金朝　 吴建　 (74)专利代理 机构 北京同恒源知识产权代理有 限公司 1 1275 专利代理师 廖曦 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/766(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于改进YOLOv5s的X光安检图像违禁物品 检测方法 (57)摘要 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。 权利要求书2页 说明书9页 附图4页 CN 114897887 A 2022.08.12 CN 114897887 A 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,:,:bi'； 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； 权　利　要　求　书 1/2 页 2 CN 114897887 A 23.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Co nv[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； 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； 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。权　利　要　求　书 2/2 页 3 CN 114897887 A 3