一种基于改进YOLOX的X光违禁品检测方法

技术领域

本发明属于计算机视觉和图像处理技术领域，特别涉及一种基于改进YOLOX(Youonly look once X)的X光违禁品检测方法。

背景技术

现阶段对违禁品的检查主要是由安检员使用X光安检仪辐照行李，形成实时的X光图像，安检员再根据图像的轮廓和颜色识别是否存在违禁品。但当客流量较大或经过长时间的工作，安检员可能会出现误检或漏检等问题，从而大大降低了工作效率。因此，由计算机辅助人工实现智能安检对提高安检行业的效率，提升违禁品检查的准确度都具有重要意义。

传统的目标检测由于其时间复杂度高，会严重影响特征提取与分类时的速度，因此难以满足对违禁品检测实时性、准确性的高要求。近年来，基于深度学习的目标检测算法以其快速高效的特点获得大量关注，其中，业界学者对YOLO系列的一阶段检测算法的关注尤为突出，但目前尚未发现该算法在违禁品检测方面的应用。

发明内容

为了解决上述问题，本发明的目的在于提供一种基于改进YOLOX的X光违禁品检测方法，其可实现图像中复杂背景下多尺度违禁品的有效识别，提高违禁品目标检测准确性。

为了达到上述目的，本发明提供的基于改进YOLOX的X光违禁品检测方法包括按顺序进行的下列步骤：

步骤1：制作X光违禁品图像数据集，然后进行标注并按比例分成训练集、验证集与测试集；

步骤2：构建基于改进YOLOX的违禁品检测模型；所述基于改进YOLOX的违禁品检测模型包括输入端模块、骨干网络模块、Neck模块和检测头模块；

步骤3：设置步骤2中构建的基于改进YOLOX的违禁品检测模型的超参数，并利用步骤1中获得的训练集对基于改进YOLOX的违禁品检测模型进行训练，获得训练后的基于改进YOLOX的违禁品检测模型，然后利用验证集进行验证；

步骤4：利用步骤1获得的测试集对上述训练后的基于改进YOLOX的违禁品检测模型进行测试，获取检测结果。

在步骤1中，所述制作X光违禁品图像数据集，然后进行标注并按比例分成训练集、验证集与测试集的方法是：

从公开数据集SIXray中挑选出多张包含违禁品的原始图像，然后使用图像标注工具LabelImg利用框对所有原始图像中包含的不同种类违禁品进行标注，得到含有标注信息的X光违禁品图像，由所有X光违禁品图像构成X光违禁品图像数据集SIXray_OD，所述违禁品包括刀具、枪、扳手、钳子和剪刀；之后将X光违禁品图像数据集SIXray_OD按6：2：2的比例分成训练集、验证集与测试集。

在步骤2中，所述输入端模块用于对步骤1获得的训练集中的X光违禁品图像进行预处理，方法是先将训练集中不同尺寸的X光违禁品图像统一到640×640大小，然后采用Mosaic或Mixup方法进行数据增强，之后采用随机缩放、随机裁剪、随机排布的方式进行拼接，获得尺寸为640×640×3的预处理后的X光违禁品图像。

在步骤2中，所述骨干网络模块是提取违禁品特征的主干网络，由Focus结构、一组普通卷积Conv+跨阶段连接层CSP、两组普通卷积Conv+增强型跨阶段连接层RCSP以及一组普通卷积Conv+特征金字塔池化层SPP+增强型跨阶段连接层RCSP串行连接而构成；其中，上述两组普通卷积Conv+增强型跨阶段连接层RCSP与一组普通卷积Conv+特征金字塔池化层SPP+增强型跨阶段连接层RCSP输出尺寸分别为80×80×128、40×40×256、20×20×512的三个特征图F、F’、F”；其中Focus结构先将大小为640×640×3的预处理后的X光违禁品图像切片成320×320×12的特征图，再经过一次卷积操作，最终变成320×320×32的特征图；跨阶段连接层CSP是特征提取模块，其为一个大残差块套小残差块的结构，在跨阶段连接层CSP的残差边中插入注意力机制模块CBAM，构成增强型跨阶段连接层RCSP，使基于改进YOLOX的违禁品检测模型的主干网络在进行特征提取时从通道和空间两个层面强化有效的特征信息，弱化无效的冗余信息；特征金字塔池化层SPP用于增大感受野。

在步骤2中，所述Neck模块由特征金字塔网络FPN、路径聚合网络PAN和自适应空间特征融合模块ASFF组成；

特征金字塔网络FPN先对上述骨干网络模块输出的尺寸为80×80×128、40×40×256、20×20×512的特征图F、F’、F”进行普通卷积、上采样操作，得到新的特征图X、X’、X”，目的是将不同尺寸的特征图F、F’、F”调整为相同尺寸、相同通道数来进行特征融合；之后路径聚合网络PAN再将特征图X、X’、X”进行通道调整与下采样操作，得到特征图M、M’、M”，尺寸为80×80×128、40×40×256、20×20×512；最后再将特征图M、M’、M”输入三个自适应空间特征融合模块ASFF进行自适应空间特征融合，得到中间特征图P、P’、P”。

在步骤2中，所述检测头模块由三个分支构成，采用解耦的方式，分别实现分类与回归，其输入为Neck模块输出的尺寸分别为80×80×128、40×40×256、20×20×512的中间特征图P、P’、P”。

在步骤3中，所述设置步骤2中构建的基于改进YOLOX的违禁品检测模型的超参数，并利用步骤1中获得的训练集对基于改进YOLOX的违禁品检测模型进行训练，获得训练后的基于改进YOLOX的违禁品检测模型，然后利用验证集进行验证的方法是：

(1)将步骤1获得的训练集作为数据源输入基于改进YOLOX的违禁品检测模型中；

(2)设定初始化权重参数文件为yoloxs.pt；

(3)迭代训练时每一次迭代都会输出一个权重文件.pt，并使用该权重文件.pt及验证集进行违禁品目标检测验证，然后输出相关性能验证结果，以辅助观察训练进度；

(4)当迭代训练达到设定的迭代次数时，输出基于改进YOLOX的违禁品检测模型的权重文件yolox.pt。

在步骤4中，所述利用步骤1获得的测试集对上述训练后的基于改进YOLOX的违禁品检测模型进行测试，获取检测结果的方法是：

基于步骤3中训练后的基于改进YOLOX的违禁品检测模型，以权重文件yolox.pt作为主要参数文件，对步骤1获得的测试集进行目标检测，输出检测结果。

本发明提供的基于改进YOLOX的X光违禁品检测方法具有如下有益效果：

1、能够有效检测出X光违禁品图像中包含的刀具、枪、扳手、钳子、剪刀等违禁品目标，并框选出目标位置、标注出置信度，对于图像中所包含违禁品的检测准确率高达90％以上。

2、与基于YOLOX的X光违禁品检测方法相比，本方法具有更高的准确性。

附图说明

图1为本发明提供的基于改进YOLOX的违禁品检测模型整体框图。

图2为利用本发明提供的基于改进YOLOX的X光违禁品检测方法检测的违禁品可视化结果。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

本发明提供的基于改进YOLOX的X光违禁品检测方法包括按顺序进行的下列步骤：

步骤1：制作X光违禁品图像数据集，然后进行标注并按比例分成训练集、验证集与测试集；

从公开数据集SIXray中挑选出多张包含违禁品的原始图像，然后使用图像标注工具LabelImg利用框对所有原始图像中包含的不同种类违禁品进行标注，得到含有标注信息的X光违禁品图像，由所有X光违禁品图像构成X光违禁品图像数据集SIXray_OD，所述违禁品包括刀具、枪、扳手、钳子和剪刀；之后将X光违禁品图像数据集SIXray_OD按6：2：2的比例分成训练集、验证集与测试集。

步骤2：构建基于改进YOLOX的违禁品检测模型；所述基于改进YOLOX的违禁品检测模型包括输入端模块、骨干网络模块、Neck模块和检测头模块；如图1所示；

(1)所述输入端模块用于对步骤1获得的训练集中的X光违禁品图像进行预处理，方法是先将训练集中不同尺寸的X光违禁品图像统一到640×640大小，然后采用Mosaic或Mixup方法进行数据增强，之后采用随机缩放、随机裁剪、随机排布的方式进行拼接，获得尺寸为640×640×3的预处理后的X光违禁品图像；

(2)骨干网络模块是提取违禁品特征的主干网络，由Focus结构、一组普通卷积Conv+跨阶段连接层CSP、两组普通卷积Conv+增强型跨阶段连接层RCSP以及一组普通卷积Conv+特征金字塔池化层SPP+增强型跨阶段连接层RCSP串行连接而构成；其中，上述两组普通卷积Conv+增强型跨阶段连接层RCSP与一组普通卷积Conv+特征金字塔池化层SPP+增强型跨阶段连接层RCSP输出尺寸分别为80×80×128、40×40×256、20×20×512的三个特征图F、F’、F”；其中Focus结构先将大小为640×640×3的预处理后的X光违禁品图像切片成320×320×12的特征图，再经过一次卷积操作，最终变成320×320×32的特征图；跨阶段连接层CSP是特征提取模块，其为一个大残差块套小残差块的结构。为了更充分地提取不同层的特征信息，在跨阶段连接层CSP的残差边中插入注意力机制模块CBAM(Convolutionalblock attention module)，构成增强型跨阶段连接层RCSP，使基于改进YOLOX的违禁品检测模型的主干网络在进行特征提取时从通道和空间两个层面强化有效的特征信息，弱化无效的冗余信息。特征金字塔池化层SPP用于增大感受野。

(3)Neck模块由特征金字塔网络FPN、路径聚合网络PAN和自适应空间特征融合模块ASFF组成。

特征金字塔网络FPN先对上述骨干网络模块输出的尺寸为80×80×128、40×40×256、20×20×512的特征图F、F’、F”进行普通卷积、上采样操作，得到新的特征图X、X’、X”，目的是将不同尺寸的特征图F、F’、F”调整为相同尺寸、相同通道数来进行特征融合；之后路径聚合网络PAN再将特征图X、X’、X”进行通道调整与下采样操作，得到特征图M、M’、M”，尺寸为80×80×128、40×40×256、20×20×512；最后再将特征图M、M’、M”输入三个自适应空间特征融合模块ASFF进行自适应空间特征融合，得到中间特征图P、P’、P”。

(4)检测头模块由三个分支构成，采用解耦的方式，分别实现分类与回归，其输入为Neck模块输出的尺寸分别为80×80×128、40×40×256、20×20×512的中间特征图P、P’、P”。

基于改进YOLOX的违禁品检测模型使用α-CIoU(Complete intersection overunion)损失函数对训练中生成的预测框与步骤1中制作X光违禁品图像数据集时标注的真实框进行分类与回归，表达式为：

其中，

步骤3：设置步骤2中构建的基于改进YOLOX的违禁品检测模型的超参数，并利用步骤1中获得的训练集对基于改进YOLOX的违禁品检测模型进行训练，获得训练后的基于改进YOLOX的违禁品检测模型，然后利用验证集进行验证；

使用惠普深度学习工作站Ubuntu16.04训练基于改进YOLOX的违禁品检测模型，该工作站的CPU版本为

训练的具体方法如下：

(1)将步骤1获得的训练集作为数据源输入基于改进YOLOX的违禁品检测模型中；

(2)设定初始化权重参数文件为yoloxs.pt；

(3)迭代训练时每一次迭代都会输出一个权重文件.pt，并使用该权重文件.pt及验证集进行违禁品目标检测验证，然后输出相关性能验证结果，以辅助观察训练进度；

(4)当迭代训练达到设定的迭代次数时，输出基于改进YOLOX的违禁品检测模型的权重文件yolox.pt；

步骤4：利用步骤1获得的测试集对上述训练后的基于改进YOLOX的违禁品检测模型进行测试，获取检测结果；

基于步骤3中训练后的基于改进YOLOX的违禁品检测模型，以权重文件yolox.pt作为主要参数文件，对步骤1获得的测试集进行目标检测，输出检测结果。

本发明中测试集的检测结果如表1所示：

表1

通过表1可见，本发明方法在X光违禁品图像数据集SIXray_OD上检测的平均准确率达到90.57％，能够满足目前对违禁品的检测要求。

检测的可视化结果如图2所示，图中用不同的框标注出了不同种类的违禁品，并在上方标明违禁品种类与置信度，可以看出X光违禁品图像中的刀、枪、扳手等违禁品都能被有效识别出。