1.一种X射线图像违禁品检测方法,其特征在于,包括以下步骤:
S1、收集X射线安检图像数据集,对数据集进行标注,获得YOLO格式的X射线安检图像数据集,并将数据集划分为训练集和测试集;
S2、将数据集作为输入提供给网络主干,网络主干对输入的X射线安检图像进行特征提取,在网络主干与颈部之间添加用于提取图像的多尺度场景信息的多尺度场景感知模块;
S3、将颈部特征金字塔融合结构改为反向加权融合结构,将多尺度场景感知模块输出的特征送入反向加权融合结构,反向加权融合结构通过特征引导加权的方式整合多级特征,并获得加权融合后的特征;
S4、将加权融合后的特征送入网络头部,在网络的头部采用损失函数进行边界框回归;
S5、将步骤S1得到的数据集输入到由步骤S2-S4构建成的YOLOray模型中进行训练、测试,获得参数模型,输出违禁品检测效果图。
2.根据权利要求1所述的X射线图像违禁品检测方法,其特征在于,步骤S1具体为:采用Labelimg图像标注工具,对X射线图片进行目标标注,将缺陷分为枪、刀、扳手、钳子、剪刀共五类检测标签,生成与各类违禁品对应的yolo格式标签;将标注后的图片按比例分为训练集和测试集,以供后期网络的训练与测试。
3.根据权利要求1所述的X射线图像违禁品检测方法,其特征在于,步骤S2中的多尺度场景感知模块包括全局自适应感知部分、局部多尺度感知部分、全局到局部调制部分;
所述全局自适应感知部分,包括全局平均池化、全局最大池化和两个多层感知机,用于提取全局场景上下文信息,获得全局权重向量;
所述局部多尺度感知部分,包括三组不同池化核大小的平均池化和最大池化,用于提取局部多尺度上下文信息;
所述全局到局部调制部分,包括七个逐元素相乘单元,用于对局部多尺度特征进行调制,增强网络对局部特征变化的适应能力。
4.根据权利要求1所述的X射线图像违禁品检测方法,其特征在于,步骤S3中的反向加权融合结构包括特征引导上采样模块和二阶自适应加权融合模块,各层级间的特征引导上采样模块和二阶自适应加权融合模块组成多级局部反向连接。
5.根据权利要求4所述的X射线图像违禁品检测方法,其特征在于,所述特征引导上采样模块使用浅层低级别特征来引导上采样过程,以恢复细节信息。
6.根据权利要求5所述的X射线图像违禁品检测方法,其特征在于,特征引导上采样模块使用浅层低级别特征来引导上采样过程的具体步骤为:S31、设定高级特征和低级特征;
S32、通过亚像素卷积将高级特征上采样到和低级特征一样的大小;
S33、对上采样后的高级特征和原始低级特征应用拼接操作,以丰富特征表示;
S34、对拼接后的特征图分别沿通道方向进行最大池化和平均池化操作,生成最大池化二维特征映射和平均池化二维特征映射;
S35、将特征映射沿着通道维度拼接,并使用一个3×3卷积整合拼接后的特征;
S36、将卷积后的结果经过归一化和激活操作得到空间权重;
S37、将空间权重和经过亚像素卷积输出的高级特征相乘,使高级特征受低级特征引导而恢复细节信息,得到引导特征。
7.根据权利要求4所述的X射线图像违禁品检测方法,其特征在于,所述二阶自适应加权融合模块将局部通道上下文添加到全局通道上下文中,从局部和全局两个角度学习不同通道特征的重要程度,用于使网络根据不同通道的贡献度来调整对不同特征的利用和感知能力。
8.根据权利要求1所述的X射线图像违禁品检测方法,其特征在于,步骤S4中采用的损失函数是Focal-SIOU损失函数,所述Focal-SIOU损失函数将CIOU损失函数的长宽比损失项拆分成单独的宽度损失项和高度损失项,并增加了角度损失,用于加速预测框的收敛,提高预测框的回归精度。
9.根据权利要求1所述的X射线图像违禁品检测方法,其特征在于,步骤S5具体为:将数据集的一部分作为训练集输入到检测模型中,同时设定训练参数,使用预训练权重文件进行训练,获得最佳参数模型;将数据集的另一部分作为测试集输入到训练得到的参数模型中进行测试,输出预测效果图。
10.根据权利要求9所述的X射线图像违禁品检测方法,其特征在于,所述训练参数包括初始学习率、动量参数、衰减系数、批量大小。