CN117197787A - 基于改进YOLOv5的智能安检方法、装置、设备及介质 - Google Patents
基于改进YOLOv5的智能安检方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117197787A CN117197787A CN202310996175.1A CN202310996175A CN117197787A CN 117197787 A CN117197787 A CN 117197787A CN 202310996175 A CN202310996175 A CN 202310996175A CN 117197787 A CN117197787 A CN 117197787A
- Authority
- CN
- China
- Prior art keywords
- security inspection
- model
- improved
- data set
- ray
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011344 liquid material Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开基于改进YOLOv5的智能安检方法、装置、设备及介质。该方法,包括如下步骤构建基于BiFormer注意力模块和解耦头部的改进YOLOv5模型,将数据集输入改进YOLOv5模型中进行训练,直至达到迭代次数或满足预设要求,输出识别模型并保存;获取待识别X光安检图像并将所述待识别X光安检图像输入识别模型中,输出识别结果,所述识别结果包括X光安检图像中违禁品的位置信息和类别信息。本发明提高了安检的检测速度和检测精确度,降低了企业和单位培养安检人员的成本。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及基于改进YOLOv5的智能安检方法、装置、设备及介质。
背景技术
随着各种公共交通技术的发展,而乘客的出行安全也受到了社会各界的广泛关注。安全检查是如今行业为了保护乘客安全必须设置的一道“防火墙”,但是在人流量较多的情况下,传统安检依赖于人工,工作人员的工作强度大,其检查速度会出现不可避免的瓶颈,造成车站、机场内人员的拥堵,极大的影响乘客的出行效率,还存在漏检、误检的安全隐患。如果能将目标检测技术与安检技术相结合,就能够提升检测的效率和精确度,为机场、车站节省人力成本,同时提供给乘客更好的出行体验。
现有安检技术以安防人员目测为主,乘客将行李放置在安检机传送带上,等待行李被送入X光检测区域,安检机对乘客行李使用X光成像,获得行李的X光图像,安检员对行李X光图像进行肉眼识别检测,判断其中是否存在违禁品。检测完全依赖于人工,人员培养成本高,在高强度工作情况下,检测效率存在瓶颈,有漏检、误检的可能性,使用基于机器视觉类方法进行自动安检时目前的模型较难实现小样本下的高效精确检测。
发明内容
为了解决上述技术问题,提供一种基于改进YOLOv5的智能安检方法、装置、设备及介质,能够提高了安检的检测速度和检测精确度,降低了企业和单位培养安检人员的成本。
为了达到上述目的,本发明的技术方案如下:
基于改进YOLOv5的智能安检方法,包括如下步骤:
构建基于BiFormer注意力模块和解耦头部的改进YOLOv5模型,将数据集输入改进YOLOv5模型中进行训练,直至达到迭代次数或满足预设要求,输出识别模型并保存;
获取待识别X光安检图像并将所述待识别X光安检图像输入识别模型中,输出识别结果,所述识别结果包括X光安检图像中违禁品的位置信息和类别信息。
优选地,所述训练过程,还包括如下步骤:
采用Mixup算法对所述数据集进行数据增强处理。
优选地,所述数据集的获取方式,包括如下步骤:
采集若干X光安检图像,并对若干X光安检图像进行标注;
基于标注的X光安检图像构建数据集,所述数据集包括训练集和验证集。
优选地,所述改进YOLOv5模型以YOLOv5s模型为基础,在骨干网络中引入BiFormer注意力模块,用于对输入图像中违禁品进行稀疏采样式特征提取;在检测头部引入解耦头部,用于对输入特征图分别进行不同的卷积操作。
基于上述内容,本发明还公开了基于改进YOLOv5的基于改进YOLOv5的智能安检装置,包括训练模块和安检识别模块,其中,
所述训练模块,用于构建基于BiFormer注意力模块和解耦头部的改进YOLOv5模型,将预设数据集输入改进YOLOv5模型中进行训练,直至达到迭代次数或满足预设要求,输出识别模型并保存;
所述安检识别模块,用于获取待识别X光安检图像并将所述待识别X光安检图像输入识别模型中,输出识别结果,所述识别结果包括违禁品的位置信息和类别信息。
优选地,所述训练模块,还用于采用Mixup算法对所述数据集进行数据增强处理。
优选地,所述数据集的获取方式,包括如下步骤:
采集若干X光安检图像,并对若干X光安检图像进行标注;
基于标注的X光安检图像构建数据集,所述数据集包括训练集和验证集。
优选地,所述改进YOLOv5模型以YOLOv5s模型为基础,在骨干网络中引入BiFormer注意力模块,用于对输入图像中违禁品进行稀疏采样式特征提取;在检测头部引入解耦头部,用于对输入特征图分别进行不同的卷积操作。
基于上述内容,本发明还公开了一种计算机设备,包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现如上述任一所述的方法。
基于上述内容,本发明还公开了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一所述的方法。
基于上述技术方案,本发明的有益效果是:基于改进YOLOv5的智能安检方法,构建基于BiFormer注意力模块和解耦头部的改进YOLOv5模型,将数据集输入改进YOLOv5模型中进行训练,直至达到迭代次数或满足预设要求,输出识别模型并保存;获取待识别X光安检图像并将所述待识别X光安检图像输入识别模型中,输出识别结果,所述识别结果包括X光安检图像中违禁品的位置信息和类别信息能够较为准确地识别X光图像中存在的违禁物品如刀具、打火机、充电宝等物品,通过获得的结果图像。本发明能够很清晰地得到违禁品的位置信息和类别信息,方便安检人员对行李进行开箱检查工作。
附图说明
图1是一个实施例中基于改进YOLOv5的智能安检方法的应用环境示意图;
图2是一个实施例中基于改进YOLOv5的智能安检方法的流程示意图;
图3是一个实施例中改进YOLOv5模型的结构示意图;
图4是一个实施例中基于改进YOLOv5的智能安检装置的结构示意图;
图5是一个实施例中计算机设备的内部结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
本申请实施例提供的基于改进YOLOv5的智能安检方法,可以应用于如图1所示的应用环境中。如图1所示,该应用环境包括计算机设备110。计算机设备110可以构建基于BiFormer注意力模块和解耦头部的改进YOLOv5模型,将数据集输入改进YOLOv5模型中进行训练,直至达到迭代次数或满足预设要求,输出识别模型并保存;计算机设备110可以获取待识别X光安检图像并将所述待识别X光安检图像输入识别模型中,输出识别结果,所述识别结果包括X光安检图像中违禁品的位置信息和类别信息。其中,计算机设备110可以但不限于是安检机、各种个人计算机、笔记本电脑、智能手机、机器人、无人飞行器、平板电脑等设备。
在一个实施例中,如图2所示,提供了基于改进YOLOv5的智能安检方法,包括如下步骤:
步骤210,构建基于BiFormer注意力模块和解耦头部的改进YOLOv5模型,将数据集输入改进YOLOv5模型中进行训练,直至达到迭代次数或满足预设要求,输出识别模型并保存。
计算机设备能够构建基于BiFormer注意力机制模块及Dcoupled解耦头的改进YOLOv5模型。改进YOLOv5模型以YOLOv5s模型为基础,引入了BiFormer注意力机制,对违禁品进行稀疏采样式特征提取,强化突出以违禁品为中心的目标区域,构建相关区域的有向图,提升模型对小目标的识别能力;采用Decoupled解耦头分离模型识别中分类和定位的任务,对上层网络输入的特征图分别进行不同的卷积操作以突出各自任务所需的特征,来为不同的任务服务,提升模型推理置信度和定位精确度,如图3所示。
安检X光违禁品图像一共有12类,分别是***、水果刀、刀片、螺丝刀、剪刀、液体材质、钳子、打火机、扳手、移动电源、锤子和叉子。计算机设备可以从网站中获取到X光违禁品图像或安检机历史针对检测物体生成的X光成像,上述图像进行标注构建数据集。基于数据集对改进YOLOv5模型中进行训练,直至达到迭代次数或满足预设要求,获得识别模型,用于安检违禁品识别。
步骤220,获取待识别X光安检图像并将所述待识别X光安检图像输入识别模型中,输出识别结果,所述识别结果包括X光安检图像中违禁品的位置信息和类别信息。
本实施例将识别模型嵌入于安检设备如安检机中,在安检机对检测物体进行X光成像后,截取一张图像输入到识别模型中,对所得图像进行同步检测识别,用方框突出显示违禁品的位置以及其类别信息,并将结果输出在监视器上,供工作人员进行下一步检查工作。
在一个实施例中,还提供基于改进YOLOv5的智能安检方法的训练过程,具体包括如下步骤:采用Mixup算法对所述数据集进行数据增强处理。
本实施例采用了Mixup数据增强技术,可以将两张图片按比例进行混合,模拟了X光图片穿透的特性,扩充了模型训练的违禁品分布情况,增强图像的识别能力。
使用科大讯飞在2020年举办的X光安检图像识别挑战赛的比赛数据集进行训练与测试,与原始模型的对比如表-1所示。
表-1改进前后效果对比
方案 | Precision | Recall | [email protected] | [email protected]:.95 |
Yolov5 | 0.811 | 0.629 | 0.705 | 0.489 |
改进YOLOv5 | 0.832 | 0.679 | 0.742 | 0.509 |
使用查准率(Precision)、查全率(Recall)、以及平均精度(mAP)作为改进YOLOv5模型的评价指标。根据实验数据分析可知,改进YOLOv5与原始模型Yolov5在Precision、Recall、[email protected]和[email protected]:.95指标上均有明显提升。
在一个实施例中,还提供基于改进YOLOv5的智能安检方法中还提供数据集的获取方式的过程,具体包括如下步骤:采集若干X光安检图像,并对若干X光安检图像进行标注;基于标注的X光安检图像构建数据集,所述数据集包括训练集和验证集。
如图4所示,在一个实施例中,提供基于改进YOLOv5的基于改进YOLOv5的智能安检装置300,包括训练模块310和安检识别模块320,其中,
训练模块310,用于构建基于BiFormer注意力模块和解耦头部的改进YOLOv5模型,将预设数据集输入改进YOLOv5模型中进行训练,直至达到迭代次数或满足预设要求,输出识别模型并保存;
安检识别模块320,用于获取待识别X光安检图像并将所述待识别X光安检图像输入识别模型中,输出识别结果,所述识别结果包括违禁品的位置信息和类别信息。
在一个实施例中,训练模块310,还用于采用Mixup算法对所述数据集进行数据增强处理。采用了Mixup数据增强技术,可以将两张图片按比例进行混合,模拟了X光图片穿透的特性,扩充了模型训练的违禁品分布情况,增强图像的识别能力。
在一个实施例中,训练模块310,还用于采集若干X光安检图像,并对若干X光安检图像进行标注;基于标注的X光安检图像构建数据集,所述数据集包括训练集和验证集。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于改进YOLOv5的智能安检方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
构建基于BiFormer注意力模块和解耦头部的改进YOLOv5模型,将数据集输入改进YOLOv5模型中进行训练,直至达到迭代次数或满足预设要求,输出识别模型并保存;
获取待识别X光安检图像并将所述待识别X光安检图像输入识别模型中,输出识别结果,所述识别结果包括X光安检图像中违禁品的位置信息和类别信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:采用Mixup算法对所述数据集进行数据增强处理。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:采集若干X光安检图像,并对若干X光安检图像进行标注;基于标注的X光安检图像构建数据集,所述数据集包括训练集和验证集。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
构建基于BiFormer注意力模块和解耦头部的改进YOLOv5模型,将数据集输入改进YOLOv5模型中进行训练,直至达到迭代次数或满足预设要求,输出识别模型并保存;
获取待识别X光安检图像并将所述待识别X光安检图像输入识别模型中,输出识别结果,所述识别结果包括X光安检图像中违禁品的位置信息和类别信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:采用Mixup算法对所述数据集进行数据增强处理。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:采集若干X光安检图像,并对若干X光安检图像进行标注;基于标注的X光安检图像构建数据集,所述数据集包括训练集和验证集。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.基于改进YOLOv5的智能安检方法,其特征在于,包括如下步骤:
构建基于BiFormer注意力模块和解耦头部的改进YOLOv5模型,将数据集输入改进YOLOv5模型中进行训练,直至达到迭代次数或满足预设要求,输出识别模型并保存;
获取待识别X光安检图像并将所述待识别X光安检图像输入识别模型中,输出识别结果,所述识别结果包括X光安检图像中违禁品的位置信息和类别信息。
2.根据权利要求1所述的基于改进YOLOv5的智能安检方法,其特征在于,所述训练过程,还包括如下步骤:
采用Mixup算法对所述数据集进行数据增强处理。
3.根据权利要求2所述的基于改进YOLOv5的智能安检方法,其特征在于,所述数据集的获取方式,包括如下步骤:
采集若干X光安检图像,并对若干X光安检图像进行标注;
基于标注的X光安检图像构建数据集,所述数据集包括训练集和验证集。
4.根据权利要求3所述的基于改进YOLOv5的智能安检方法,其特征在于,所述改进YOLOv5模型以YOLOv5s模型为基础,在骨干网络中引入BiFormer注意力模块,用于对输入图像中违禁品进行稀疏采样式特征提取;在检测头部引入解耦头部,用于对输入特征图分别进行不同的卷积操作。
5.基于改进YOLOv5的基于改进YOLOv5的智能安检装置,其特征在于,包括训练模块和安检识别模块,其中,
所述训练模块,用于构建基于BiFormer注意力模块和解耦头部的改进YOLOv5模型,将预设数据集输入改进YOLOv5模型中进行训练,直至达到迭代次数或满足预设要求,输出识别模型并保存;
所述安检识别模块,用于获取待识别X光安检图像并将所述待识别X光安检图像输入识别模型中,输出识别结果,所述识别结果包括违禁品的位置信息和类别信息。
6.根据权利要求5所述的基于改进YOLOv5的智能安检装置,其特征在于,所述训练模块,还用于采用Mixup算法对所述数据集进行数据增强处理。
7.根据权利要求6所述的基于改进YOLOv5的智能安检装置,其特征在于,所述数据集的获取方式,包括如下步骤:
采集若干X光安检图像,并对若干X光安检图像进行标注;
基于标注的X光安检图像构建数据集,所述数据集包括训练集和验证集。
8.根据权利要求6所述的基于改进YOLOv5的智能安检装置,其特征在于,所述改进YOLOv5模型以YOLOv5s模型为基础,在骨干网络中引入BiFormer注意力模块,用于对输入图像中违禁品进行稀疏采样式特征提取;在检测头部引入解耦头部,用于对输入特征图分别进行不同的卷积操作。
9.一种计算机设备,其特征在于,包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述的方法。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310996175.1A CN117197787A (zh) | 2023-08-09 | 2023-08-09 | 基于改进YOLOv5的智能安检方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310996175.1A CN117197787A (zh) | 2023-08-09 | 2023-08-09 | 基于改进YOLOv5的智能安检方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117197787A true CN117197787A (zh) | 2023-12-08 |
Family
ID=88993194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310996175.1A Pending CN117197787A (zh) | 2023-08-09 | 2023-08-09 | 基于改进YOLOv5的智能安检方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117197787A (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110543857A (zh) * | 2019-09-05 | 2019-12-06 | 安徽启新明智科技有限公司 | 基于图像分析的违禁物识别方法、装置、***和存储介质 |
US20190391080A1 (en) * | 2016-12-08 | 2019-12-26 | Nuctech Company Limited | Non-contact type security inspection system and method |
WO2020187077A1 (zh) * | 2019-03-21 | 2020-09-24 | 长安大学 | 一种基于深度神经网络的安检***及方法 |
CN112766344A (zh) * | 2021-01-12 | 2021-05-07 | 南京信息工程大学 | 一种基于YOLOv5优化器改进的违禁物品检测方法 |
CN114821154A (zh) * | 2022-03-28 | 2022-07-29 | 浙江大学 | 一种基于深度学习的粮库通风窗状态检测算法 |
CN114862837A (zh) * | 2022-06-02 | 2022-08-05 | 西京学院 | 基于改进YOLOv5s的人体安检图像检测方法及*** |
CN115035088A (zh) * | 2022-06-28 | 2022-09-09 | 中国石油大学(华东) | 一种基于yolov5和姿态估计的安全帽佩戴检测方法 |
CN115187842A (zh) * | 2022-07-13 | 2022-10-14 | 南京大学 | 基于模态转换的被动式太赫兹安检图像的目标检测方法 |
CN115272204A (zh) * | 2022-07-15 | 2022-11-01 | 中国石油大学(华东) | 一种基于机器视觉的轴承表面划痕检测方法 |
CN115359345A (zh) * | 2022-09-16 | 2022-11-18 | 湖南苏科智能科技有限公司 | 一种基于异类别元学习的x光下重叠物体识别方法 |
CN115423743A (zh) * | 2022-07-21 | 2022-12-02 | 韶关学院 | 一种基于改进YOLOv5的热轧带钢表面缺陷检测方法 |
CN115457415A (zh) * | 2022-09-19 | 2022-12-09 | 云南电网有限责任公司电力科学研究院 | 基于yolo-x模型的目标检测方法、装置、电子设备和存储介质 |
CN115861956A (zh) * | 2022-12-23 | 2023-03-28 | 合肥工业大学 | 一种基于解耦头部的Yolov3道路垃圾检测方法 |
CN116342894A (zh) * | 2023-05-29 | 2023-06-27 | 南昌工程学院 | 基于改进YOLOv5的GIS红外特征识别***及方法 |
CN116468663A (zh) * | 2023-03-14 | 2023-07-21 | 重庆邮电大学 | 一种基于改进YOLOv5的表面微小缺陷检测的方法 |
-
2023
- 2023-08-09 CN CN202310996175.1A patent/CN117197787A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190391080A1 (en) * | 2016-12-08 | 2019-12-26 | Nuctech Company Limited | Non-contact type security inspection system and method |
WO2020187077A1 (zh) * | 2019-03-21 | 2020-09-24 | 长安大学 | 一种基于深度神经网络的安检***及方法 |
CN110543857A (zh) * | 2019-09-05 | 2019-12-06 | 安徽启新明智科技有限公司 | 基于图像分析的违禁物识别方法、装置、***和存储介质 |
CN112766344A (zh) * | 2021-01-12 | 2021-05-07 | 南京信息工程大学 | 一种基于YOLOv5优化器改进的违禁物品检测方法 |
CN114821154A (zh) * | 2022-03-28 | 2022-07-29 | 浙江大学 | 一种基于深度学习的粮库通风窗状态检测算法 |
CN114862837A (zh) * | 2022-06-02 | 2022-08-05 | 西京学院 | 基于改进YOLOv5s的人体安检图像检测方法及*** |
CN115035088A (zh) * | 2022-06-28 | 2022-09-09 | 中国石油大学(华东) | 一种基于yolov5和姿态估计的安全帽佩戴检测方法 |
CN115187842A (zh) * | 2022-07-13 | 2022-10-14 | 南京大学 | 基于模态转换的被动式太赫兹安检图像的目标检测方法 |
CN115272204A (zh) * | 2022-07-15 | 2022-11-01 | 中国石油大学(华东) | 一种基于机器视觉的轴承表面划痕检测方法 |
CN115423743A (zh) * | 2022-07-21 | 2022-12-02 | 韶关学院 | 一种基于改进YOLOv5的热轧带钢表面缺陷检测方法 |
CN115359345A (zh) * | 2022-09-16 | 2022-11-18 | 湖南苏科智能科技有限公司 | 一种基于异类别元学习的x光下重叠物体识别方法 |
CN115457415A (zh) * | 2022-09-19 | 2022-12-09 | 云南电网有限责任公司电力科学研究院 | 基于yolo-x模型的目标检测方法、装置、电子设备和存储介质 |
CN115861956A (zh) * | 2022-12-23 | 2023-03-28 | 合肥工业大学 | 一种基于解耦头部的Yolov3道路垃圾检测方法 |
CN116468663A (zh) * | 2023-03-14 | 2023-07-21 | 重庆邮电大学 | 一种基于改进YOLOv5的表面微小缺陷检测的方法 |
CN116342894A (zh) * | 2023-05-29 | 2023-06-27 | 南昌工程学院 | 基于改进YOLOv5的GIS红外特征识别***及方法 |
Non-Patent Citations (3)
Title |
---|
JING ZHANG等: "A Lightweight Crop Pest Detection Algorithm Based on Improved Yolov5s", 《AGRONOMY》, 30 June 2023 (2023-06-30), pages 1 - 23 * |
QI WANG等: "YOLOv5 UAV Detection Algorithm Based on Attention Mechanism", 《2023 5TH INTERNATIONAL ON ARTIFICIAL INTELLIGENCE TECHNOLOGIES AND APPLICATION》, 2 July 2023 (2023-07-02), pages 1 - 5 * |
樊新川等: "基于YOLO 框架的轻量化高精度目标检测算法", 《液晶与显示》, vol. 38, no. 7, 15 July 2023 (2023-07-15), pages 945 - 953 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390269B (zh) | Pdf文档表格提取方法、装置、设备及计算机可读存储介质 | |
Li et al. | Simultaneously detecting and counting dense vehicles from drone images | |
CN110580475A (zh) | 基于无人机巡检的线路诊断方法、电子装置及存储介质 | |
CN106557747B (zh) | 识别保险单号码的方法及装置 | |
CN111860510B (zh) | 一种x光图像目标检测方法及装置 | |
CN110049121B (zh) | 一种基于增强现实技术的数据中心巡检*** | |
CN111127452A (zh) | 一种基于云端处理的集装箱智能ocr识别方法 | |
CN116167596B (zh) | 一种基于大数据的配送路径分析方法及*** | |
Kim et al. | SHOMY: Detection of Small Hazardous Objects using the You Only Look Once Algorithm. | |
CN110717449A (zh) | 车辆年检人员的行为检测方法、装置和计算机设备 | |
CN110633751A (zh) | 车标分类模型的训练方法、车标识别方法、装置及设备 | |
CN114972880A (zh) | 一种标签识别方法、装置、电子设备及存储介质 | |
CN112308069A (zh) | 一种软件界面的点击测试方法、装置、设备及存储介质 | |
CN103235791B (zh) | 一种基于秩次的指纹匹配优化定位方法 | |
CN111444833B (zh) | 果实测产方法、装置、计算机设备及存储介质 | |
CN117197787A (zh) | 基于改进YOLOv5的智能安检方法、装置、设备及介质 | |
CN111860641A (zh) | 电网图像识别方法、电子装置及存储介质 | |
CN115757075A (zh) | 任务异常检测方法、装置、计算机设备及存储介质 | |
Liu et al. | A Lightweight Dangerous Liquid Detection Method Based on Depthwise Separable Convolution for X‐Ray Security Inspection | |
CN114782411A (zh) | 一种基于神经网络的危险品识别方法及识别*** | |
CN114155471A (zh) | 设计图纸与实物的核验方法、装置、计算机设备和*** | |
CN115389532A (zh) | 物品安全检查方法、装置、计算机设备和存储介质 | |
CN112257525A (zh) | 物流车辆打卡的识别方法、装置、设备和存储介质 | |
CN106327080A (zh) | 一种基于多队列的定损请求调度方法和*** | |
CN113706503B (zh) | 整车点云图像分析方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |