基于改进YOLOv7的安检目标检测方法

本申请涉及安检目标检测，尤其是涉及基于改进yolov7的安检目标检测方法。

背景技术：

1、随着地铁人流量的增大，地铁安检压力越来越大。目前的地铁安检都是主要依靠人工来观察其中是否携带危险物品，这种方法需要大量的人力资源，而且人在长时间的观察中容易疲劳，造成危险物品的漏检，稳定性不好，很难满足安检现场的需求，这使得地铁这种人流密集的公共场所存在很大的安全隐患。其中基于深度学习的目标检测技术取得了很大的进展，基于深度学习的目标检测被分为两类：单阶段和两阶段。单阶段的目标检测模型的优势是速度快，在保证一定精度的情况下拥有较快的检测速度。而两阶段的目标检测模型相较于单阶段的目标检测模型，它们的优势是检测精度高，但是检测速度有所下降。单阶段的目标检测模型以简单理解为端到端，输入图片之后可以直接输出框和种类，在安检这种对实时性要求高的场景下较为合适。

2、yolo系列由于其易于使用，便于修改，使用稳定，检测速度较快的特点，成为当前工业界目标检测最主要的使用模型之一。yolov7网络中对于特征的提取仅使用卷积操作，卷积操作作为一种局部操作，通常只会在领域像素之间进行建模，难以捕捉长距离的依赖关系，这使得yolov7在检测小目标物体时容易出现特征丢失导致漏检。

3、在实际安检场景中，被检测物体包含多种小目标物体例如打火机、化妆品和工具刀等等，yolov7在hixray中针对非金属打火机(小目标)物体的map50仅为0.228，检测精度较低；另外，安检场景由于其特殊性，小目标物体间遮挡程度高更不利于模型检测。根据上述现状，现有安检目标检测方法对于安检小目标物体检测存在检测精度低的问题。

技术实现思路

1、本申请提供了基于改进yolov7的安检目标检测方法。

2、第一方面，本申请提供了基于改进yolov7的安检目标检测方法，采用如下的技术方案：

3、基于改进yolov7的安检目标检测方法，包括：

4、获取安检目标的图像数据；

5、对图像数据进行数据增强，并对增强后的图像数据进行划分得到训练集、验证集和测试集；

6、对训练集中的标签样本进行聚类操作；

7、构建基于改进yolov7的安检危险物品检测模型；

8、训练集输入安检危险物品检测模型开始训练，根据验证集调整超参数；

9、使用安检危险物品检测模型对测试集进行检测。

10、优选的，将图像输入至固定大小的卷积核中对原始的二维图像数据进行分割，得到多个块图像数据；

11、通过全连接层对多个块图像数据进行特征提取，得到第一尺度特征图；

12、将第一尺度特征图输入至第一尺寸特征模块中，得到第二尺度特征图；

13、将第二尺度特征图输入至第二尺寸特征模块中，得到第三尺度特征度图；

14、将第三尺度特征图输入至第三尺寸特征模块中，得到第四尺度特征度图；

15、其中，第一尺度特征图、第二尺度特征图、第三尺度特征度图和第四尺度特征度图的尺度逐步减半。

16、优选的，将所述第一尺寸特征模块、第二尺寸特征模块和第三尺寸特征模块统称为尺寸特征模块，所述尺寸特征模块包括层归一化单元、第一窗口自注意力单元、第二窗口自注意力单元和多层感知器，所述层归一化单元、第一窗口自注意力单元、第二窗口自注意力单元和多层感知器的具体公式如下：

17、

18、

19、

20、

21、式中，zl是多层感知器的输出特征；是第一窗口自注意力单元或第二窗口自注意力单元的输出特征；w-msa为第一窗口自注意力单元计算自注意力得到输出数据；sw-msa是第二窗口自注意力单元的输出数据；ln为层归一化单元的输出数据。

22、优选的，通过1×1卷积层共享卷积对输入特征图进行通道数调整生成共享特征，形成分类具有用于分类任务和定位任务的两个分支；

23、基于1×1的第一卷积层对共享特征进行处理，并通过两个3×3的第二卷积层对处理后的数据进行特征提取；

24、基于残差结构与1×1的第一卷积层的特征进行融合处理；

25、将1×1的第三卷积层作为共享卷积的引出结构，与其中一个3×3的第二卷积层进行concat操作，后接一个1×1卷积层中得到类别输出结果。

26、优选的，将共享特征输入至3×3的第四卷积层中进行卷积，并将卷积结果输入至1×1的卷积层中，得到目标预测框的回归数据和置信度数据；所述回归数据为预测框左上角的坐标值和长宽值。

27、优选的，对输入特征图进行上采样操作，得到特征图处理对象；

28、基于conv操作以及相应的通道数和卷积核大小，对特征图处理对象进行处理；

29、通过concat操作将每个处理分支处理后的特征图与其他处理分支处理后的特征图进行融合；

30、对融合后的特征图进行idetect操作，生成对应的检测输出结果。

31、优选的，对增强后的图像数据按照7:2:1的比例进行划分得到训练集、验证集和测试集。

32、综上所述，本申请包括以下至少一种有益技术效果：通过使用一种基于自注意全局感受的特征提取骨干网络swint，用于增强针对小目标物体的特征提取和检测；提出一种基于多尺度分层特征融合的四维检测结构fhd(four head detection)，通过引入第四个检测头来增强模型对小目标的检测能力；提出一种基于分类与定位任务解耦的分支检测策略dcsp(decoupled cross stage partial)，使用不同的分支分别用于分类和回归任务，使得改进后的yolov7对小目标物体的检测在opixray数据集上map50提升了4.8％，在hixray数据集上map提升了2.8％，进而提高了对小目标物体的检测精度。

技术特征：

1.基于改进yolov7的安检目标检测方法，其特征在于，包括：

2.根据权利要求1所述的基于改进yolov7的安检目标检测方法，其特征在于：所述构建基于改进yolov7的安检危险物品检测模型，具体为：

3.根据权利要求2所述的基于改进yolov7的安检目标检测方法，其特征在于：将所述第一尺寸特征模块、第二尺寸特征模块和第三尺寸特征模块统称为尺寸特征模块，所述尺寸特征模块包括层归一化单元、第一窗口自注意力单元、第二窗口自注意力单元和多层感知器，所述层归一化单元、第一窗口自注意力单元、第二窗口自注意力单元和多层感知器的具体公式如下：

4.根据权利要求1所述的基于改进yolov7的安检目标检测方法，其特征在于：所述构建基于改进yolov7的安检危险物品检测模型，还包括：

5.根据权利要求4所述的基于改进yolov7的安检目标检测方法，其特征在于：所述通过1×1卷积层共享卷积对输入特征图进行通道数调整生成共享特征，形成分类具有用于分类任务和定位任务的两个分支，还包括：

6.根据权利要求5所述的基于改进yolov7的安检目标检测方法，其特征在于：所述构建基于改进yolov7的安检危险物品检测模型，还包括为：

7.根据权利要求1所述的基于改进yolov7的安检目标检测方法，其特征在于，还包括：对增强后的图像数据按照7:2:1的比例进行划分得到训练集、验证集和测试集。

技术总结本申请公开了基于改进YOLOv7的安检目标检测方法，涉及安检目标检测技术领域，该方法包括获取安检目标的图像数据；对图像数据进行数据增强，并对增强后的图像数据进行划分得到训练集、验证集和测试集；对训练集中的标签样本进行聚类操作；构建基于改进YOLOv7的安检危险物品检测模型；训练集输入安检危险物品检测模型开始训练，根据验证集调整超参数；使用安检危险物品检测模型对测试集进行检测。本申请具有提高对小目标物体检测精度的效果。技术研发人员：杨钧彦,徐向华受保护的技术使用者：杭州电子科技大学技术研发日：技术公布日：2024/9/9