本發(fā)明涉及圖像檢測(cè)，具體來說是一種基于改進(jìn)的yolov8s的人體安檢違禁品檢測(cè)模型、方法及系統(tǒng)。

背景技術(shù)：

1、傳統(tǒng)的人體安檢違禁品檢測(cè)方法是通過金屬安檢門和人工搜身相結(jié)合來檢測(cè)違禁品。金屬安檢門主要用于檢測(cè)金屬物品，但對(duì)陶瓷、玻璃、塑料等非金屬物質(zhì)，以及易燃易爆品和腐蝕性液體則無能為力。安檢人員在金屬安檢門后使用手持式金屬探測(cè)器進(jìn)一步檢查，同時(shí)對(duì)非金屬物品進(jìn)行手工檢查。這種檢測(cè)手段不僅耗時(shí)耗力，可能侵犯?jìng)€(gè)人隱私，還存在人為因素的誤判和疏忽。隨著技術(shù)的發(fā)展，可以使用毫米波安檢門進(jìn)行違禁品的檢測(cè)，使用基于深度學(xué)習(xí)的檢測(cè)算法對(duì)通過毫米波成像的圖像進(jìn)行違禁品的識(shí)別檢測(cè)，既可以快速完成違禁品的檢測(cè)過程，適應(yīng)快節(jié)奏的安檢需求又有效提高了違禁品檢測(cè)的準(zhǔn)確性。但圖像識(shí)別技術(shù)存在以下技術(shù)問題：在安檢場(chǎng)景中，需要快速完成違禁品的檢測(cè)，一些深度學(xué)習(xí)模型雖然檢測(cè)準(zhǔn)確，但參數(shù)量、計(jì)算量和模型體積太大，難以部署在一些受限的邊緣設(shè)備上，所以對(duì)模型的輕量化處理就顯得尤為必要。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題在于如何構(gòu)建輕量化的人體安檢違禁品檢測(cè)網(wǎng)絡(luò)。

2、本發(fā)明通過以下技術(shù)手段實(shí)現(xiàn)解決上述技術(shù)問題的：

3、基于改進(jìn)的yolov8s的人體安檢違禁品檢測(cè)模型，包括主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)；

4、所述主干網(wǎng)絡(luò)使用重參數(shù)化后的hgnetv2，在所述頸部網(wǎng)絡(luò)中利用ghostdynamicconv模塊進(jìn)行卷積操作，并使用gcadown模塊作為頸部網(wǎng)絡(luò)中的下采樣操作；

5、所述gcadown為在adown中使用ghostconv模塊作為卷積操作，與adown中的平均池化、最大池化操作和ghostconv構(gòu)造并行分支結(jié)構(gòu)。

6、進(jìn)一步的，所述主干網(wǎng)絡(luò)的具體結(jié)構(gòu)為：重參數(shù)化后的hgnetv2包括hgstem、rep_hgblock和dwconv；

7、hgstem作為預(yù)處理層，首先通過卷積操作提取輸入數(shù)據(jù)的特征，隨后采用最大池化進(jìn)行下采樣，捕捉數(shù)據(jù)在不同尺度上的特征，再和卷積后的特征圖進(jìn)行融合，使得特征信息更加豐富；

8、rep_hgblock利用重參數(shù)化思想，在訓(xùn)練階段，使用1×1、3×3大小的卷積核與batchnorm構(gòu)成并行的多分支結(jié)構(gòu)，輸入的特征圖經(jīng)過三個(gè)并行的分支結(jié)構(gòu)最后相加，提取輸入數(shù)據(jù)的多尺度特征信息，增強(qiáng)網(wǎng)絡(luò)對(duì)小目標(biāo)的特征表達(dá)能力；在推理階段，利用重參數(shù)化的方法將1×1、3×3大小的卷積核與batchnorm構(gòu)成并行的多分支結(jié)構(gòu)融合為只有3×3大小卷積核的單分支結(jié)構(gòu)；將多分支結(jié)構(gòu)融合為單分支結(jié)構(gòu)的過程是在1×1大小的卷積核的分支上，將1×1大小的卷積核通過填充0值變成3×3大小的卷積核；在只有bn層的分支上，通過填充0的方法構(gòu)造3×3大小的卷積核；然后在每個(gè)分支上，融合卷積層核bn層，卷積公式表示如下：

9、conv(x)＝w(x)+b

10、batchnorm公式如式(5)所示，其中，γ，β是可學(xué)習(xí)參數(shù)：

11、

12、將卷積和batchnorm融合之后，其表達(dá)式可以表示為：

13、

14、其中，表示均值，表示方差，表示歸一化；

15、最后將三個(gè)分支相加，即可將訓(xùn)練時(shí)的并行多分支結(jié)構(gòu)轉(zhuǎn)換為了推理時(shí)的單分支結(jié)構(gòu)；

16、dwconv首先將輸入特征圖的每個(gè)通道分別通過卷積核進(jìn)行卷積操作，在不同的通道上獨(dú)立的學(xué)習(xí)特征，然后將得到的特征圖通過逐點(diǎn)卷積的方式進(jìn)行加權(quán)組合得到最終的特征圖。

17、進(jìn)一步的，ghostdynamicconv模塊包括初始卷積操作和廉價(jià)操作，在初始卷積操作中，首先使用1×1大小卷積核的動(dòng)態(tài)卷積對(duì)輸入大小為c×h×w特征圖的通道數(shù)進(jìn)行壓縮，將通道數(shù)變?yōu)樵瓉淼囊话?，大小為c/2×h×w，將得到的特征圖用于廉價(jià)操作；動(dòng)態(tài)卷積通過聚合多個(gè)線性函數(shù)來定義，表示為

18、

19、其中，表示第k個(gè)線性函數(shù)的權(quán)重，表示第k個(gè)線性函數(shù)的偏置，g表示激活函數(shù)，πk(x)表示第k個(gè)線程函數(shù)的注意力權(quán)重，根據(jù)輸入動(dòng)態(tài)調(diào)整；

20、在廉價(jià)操作中，使用3×3大小卷積核的動(dòng)態(tài)卷積對(duì)輸入的特征圖進(jìn)行卷積操作，然后將經(jīng)過卷積操作的特征圖與沒有經(jīng)過卷積操作的特征圖進(jìn)行拼接，恢復(fù)成原來的通道數(shù)，此時(shí)特征圖大小為c×h×w。

21、進(jìn)一步的，所述gcadown模塊，在adown中使用ghostconv模塊作為卷積操作，與adown中的平均池化、最大池化操作和ghostconv構(gòu)造并行分支結(jié)構(gòu)。

22、進(jìn)一步的，所述gcadown模塊的操作過程為：輸入c×h×w大小的特征圖首先經(jīng)過2×2大小的池化窗口進(jìn)行平均池化操作，平均池化具體操作如下所示。

23、

24、其中，fi,j表示輸出的值，n表示區(qū)域的個(gè)數(shù)，表示輸入數(shù)據(jù)第k個(gè)區(qū)域的值；然后將輸出的特征圖分為兩個(gè)分支，各分支上特征圖的通道數(shù)為原來的一半，大小為c/2×h×w，第一個(gè)分支直接經(jīng)過ghostconv，在ghostconv中，首先使用1×1大小的卷積核聚合通道之的信息特征，然后使用3×3大小的卷積核對(duì)經(jīng)過1×1大小卷積核得到的結(jié)果進(jìn)行卷積操作，將得到的卷積結(jié)果和另一半沒有卷積的通道合并得到最終結(jié)果，最終結(jié)果特征圖的高和寬的尺寸為輸入之前的一半，大小為c/2×h/2×w/2；具體表示如下所示：

25、

26、其中，i表示原圖，io表示輸出圖像，conv1×1表示1×1大小卷積核的卷積操作，conv3×3表示3×3大小卷積核的卷積操作，表示沿著通道維度合并；在第二個(gè)分支上，首先經(jīng)過3×3大小的池化窗口進(jìn)行最大池化操作，將特征圖高和寬的尺寸降低為原來的一半，大小為c/2×h/2×w/2，具體操作如下所示：

27、

28、fi,j表示輸出的值，k表示第k個(gè)區(qū)域，表示輸入數(shù)據(jù)第k個(gè)區(qū)域的值；再將輸出的特征圖經(jīng)過1×1大小的卷積核的ghostconv，得到經(jīng)過第二個(gè)分支的結(jié)果，此時(shí)特征圖大小為c/2×h/2×w/2；最終，將兩個(gè)分支的結(jié)果進(jìn)行拼接，得到大小為c×h/2×w/2的特征圖，再輸出gcadown的結(jié)果。

29、本發(fā)明還提供一種基于改進(jìn)的yolov8s的人體安檢違禁品檢測(cè)模型的檢測(cè)方法，包括以下步驟：首先，將圖像輸入，通過主干網(wǎng)絡(luò)提取圖像特征，其中，rep_hgblock中的卷積操作在訓(xùn)練階段，由1×1、3×3大小的卷積核和批量歸一化層組成的并行多分支結(jié)構(gòu)，用于增強(qiáng)圖像的特征表達(dá)能力；在推理階段，會(huì)將并行多分支結(jié)構(gòu)轉(zhuǎn)換為只有3×3大小卷積核的單分支結(jié)構(gòu)，提升計(jì)算效率和性能；經(jīng)過主干網(wǎng)絡(luò)之后輸出的特征圖會(huì)經(jīng)過頸部網(wǎng)絡(luò)進(jìn)行更加細(xì)化的特征提取，在頸部網(wǎng)絡(luò)中，首先經(jīng)過上采樣操作將特征圖的高和寬都放大兩倍，然后通過特征融合，將頸部網(wǎng)絡(luò)中的特征與主干網(wǎng)絡(luò)中的特征圖結(jié)合起來，再通過ghostdynamicconv卷積操作，提取更加豐富的圖像特征，在下采樣時(shí)，通過gcadown下采樣；最終，經(jīng)過細(xì)化處理的特征圖會(huì)被送入檢測(cè)頭中，進(jìn)行預(yù)測(cè)和分類，得到檢測(cè)結(jié)果。

30、本發(fā)明還提供基于改進(jìn)的yolov8s的人體安檢違禁品檢測(cè)模型的訓(xùn)練方法，包括以下步驟：

31、步驟一：數(shù)據(jù)采集，使用毫米波安檢設(shè)備采集大量帶有違禁品的人體安檢數(shù)據(jù)，如攜帶金屬刀、錘子、扳手等金屬物品或陶瓷刀、酒精非金屬物品的圖像數(shù)據(jù)；采集數(shù)據(jù)時(shí)，需要采集不同大小、形狀、位置和方向的違禁品圖像，以確保模型能夠?qū)W習(xí)到豐富的特征用于提高模型的泛化能力；

32、步驟二：數(shù)據(jù)標(biāo)注，使用labelimg工具對(duì)采集的圖像數(shù)據(jù)進(jìn)行標(biāo)注；標(biāo)注時(shí)需要對(duì)圖像數(shù)據(jù)進(jìn)行精確的標(biāo)注，還需要考慮到違禁品可能被遮擋或部分隱藏的情況，減少漏標(biāo)的情況；將標(biāo)記好的圖像劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；

33、步驟三：網(wǎng)絡(luò)訓(xùn)練，首先將劃分好的圖像數(shù)據(jù)集輸入到檢測(cè)模型中，這些圖像通過檢測(cè)模型的主干網(wǎng)絡(luò)進(jìn)行初步處理，從圖像中提取出有用的特征信息；接著，將這些特征信息輸入頸部網(wǎng)絡(luò)，在頸部網(wǎng)絡(luò)中將不同尺度的特征圖進(jìn)行融合，增強(qiáng)特征的表達(dá)能力；最后，將融合后的特征圖送入檢測(cè)頭部分進(jìn)行預(yù)測(cè)，得到最終結(jié)果。

34、本發(fā)明還提供一種基于改進(jìn)的yolov8s的人體安檢違禁品檢測(cè)系統(tǒng)，包括上述的檢測(cè)模型。

35、本發(fā)明的優(yōu)點(diǎn)在于：

36、目標(biāo)檢測(cè)準(zhǔn)確率提升：通過使用rephgnetv2、gcadown和ghostdynamicconv三個(gè)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)yolov8s進(jìn)行改進(jìn)，在人體安檢違禁品檢測(cè)識(shí)別的場(chǎng)景下，有效提升了違禁品識(shí)別的準(zhǔn)確率。

37、模型文件計(jì)算量下降：通過融合rephgnetv2、gcadown和ghostdynamicconv三個(gè)網(wǎng)絡(luò)結(jié)構(gòu)，顯著降低了模型的參數(shù)量和計(jì)算量，由于模型文件體積的減少，更加有利于在資源受限的設(shè)備上部署該模型。