本發(fā)明屬于深度學習圖像檢測，具體涉及一種改進yolov8的安檢圖像違禁品檢測方法和計算機設備。
背景技術：
1、x光違禁品檢測在安全領域具有重要價值，有效避免違禁品對交通工具造成危險或干擾。傳統(tǒng)的x光安檢是讓行李物品通過x光安檢機，生成x光圖像，現(xiàn)場人工操作員以肉眼去識別和判斷是否存在違禁物品，從而人工操作員的人工安檢起著至關重要的作用。安檢員必須通過長時間的實踐與訓練提高自身視覺檢測專業(yè)知識來應對，這就造成了較高的人員與時間成本。雖然經(jīng)驗與知識是進行有效檢查的重要要素，但安檢員會面臨環(huán)境、身體、精神方面的影響，無法保障檢測工作的穩(wěn)定性與準確性，存在安全隱患。故研究如何將計算機技術應用于x光安檢圖像中，實現(xiàn)自動、快速、精準地檢測并識別違禁物品具有重要意義。
2、隨著硬件水平與檢測技術的突飛猛進，基于深度學習的目標檢測成為許多學者研究和探討的熱點。傳統(tǒng)的檢測方法如梯度直方圖或支持向量機，主要采用滑動窗口檢測目標，時間冗長且手工設計的特征無魯棒性。深度學習的出現(xiàn)使得計算機視覺研究從傳統(tǒng)的特征提取和淺層模型轉向深層網(wǎng)絡模型。卷積神經(jīng)網(wǎng)絡中深度學習的實時性和準確性高，且由于其是通過對大量樣本的特征學習完成目標檢測，故在面對復雜圖像識別問題時有著較好的魯棒性。因此，基于深度學習的目標檢測算法成為當前機器視覺領域的主流方法。
3、基于深度學習的x光安檢圖像違禁品檢測方法普遍采用了通用目標檢測的基本思想和框架，比如yolo系列模型便是其中應用較為廣泛的一個模型，而且越來越多的學者考慮在現(xiàn)有思想和框架基礎上進行改進。比如，申請公布號為cn117218583a、申請公布日為2023.12.12的中國發(fā)明專利公開了一種基于yolov5-mobilenet網(wǎng)絡模型的安檢圖片違禁品圖像檢測方法，該方法中通過mobilenetv2網(wǎng)絡的倒殘差結構和mobilenetv1網(wǎng)絡的深度可分離卷積搭建yolov5的主干網(wǎng)絡，得到y(tǒng)olov5-mobilenet網(wǎng)絡模型，以減少模型計算量；并在yolov5-mobilenet網(wǎng)絡模型的mobilenetv2網(wǎng)絡的倒殘差結構中引入se注意力機制，提高小目標違禁品的檢測精度，以使得網(wǎng)絡更符合輕量化的要求并能夠提升模型對小目標的檢測精度。
4、然而，由于x光安檢圖像具有不同于自然圖像獨特性質，如圖片背景雜亂、違禁品形狀尺度變化大、重疊遮擋嚴重等問題，目前的檢測精度仍無法滿足實際應用的需要。
技術實現(xiàn)思路
1、本發(fā)明的目的在于提供一種改進yolov8的安檢圖像違禁品檢測方法和計算機設備，用以解決現(xiàn)有技術中的目標檢測精度不達標和模型召回率低下的問題。
2、為解決上述技術問題，本發(fā)明提供了一種改進yolov8的安檢圖像違禁品檢測方法，該方法包括：獲取安檢圖像并輸入至訓練后的違禁品檢測模型中，識別出安檢圖像中違禁品的位置和種類；其中，違禁品檢測模型是在yolov8上改進得到，對yolov8的改進包括：yolov8的主干網(wǎng)絡中位于網(wǎng)絡最深層的c2f模塊和sppf模塊之間增加simirb注意力機制模塊，simirb注意力機制模塊是將irmb模塊中的多頭注意力機制替換為simam注意力機制后的模塊。
3、進一步地，對yolov8的改進還包括：yolov8的頸部網(wǎng)絡中的c2f模塊替換為c2f-dwr模塊，且c2f-dwr模塊是在c2f模塊上改進得到，且對c2f模塊的改進為將c2f模塊的bottleneck中的第二個卷積層替換為dwr_conv，且dwr_conv包括依次連接的卷積層、dwr、批歸一化層和激活函數(shù)層。
4、進一步地，所述激活函數(shù)層為gelu激活函數(shù)層。
5、進一步地，對yolov8的改進還包括：yolov8的檢測頭使用的是dynamic?head。
6、進一步地，訓練違禁品檢測模型所使用的損失函數(shù)為powerful-iou損失函數(shù)。
7、進一步地，違禁品的種類包括刀具和液體容器。
8、為解決上述技術問題，本發(fā)明還提供了一種計算機設備，包括處理器，所述處理器用于執(zhí)行計算機程序以實現(xiàn)上述介紹的改進yolov8的安檢圖像違禁品檢測方法的步驟。
9、本發(fā)明為改進型發(fā)明創(chuàng)造，其有益效果為：本發(fā)明對用于違禁品檢測的yolov8進行改進，具體為在主干網(wǎng)絡中位于網(wǎng)絡最深層的c2f模塊和sppf模塊之間增加simirb注意力機制模塊，simirb注意力機制模塊是將irmb模塊中的多頭注意力機制替換為simam注意力機制后的模塊，以同時捕獲長距離依賴和特征間的全局依賴以增強對物體的特征提取能力，兩者相輔相成以實現(xiàn)出色的特征提取效果，提高模型的召回率，提升違禁品檢測模型的檢測精度，能夠實現(xiàn)快速、準確、自動地判斷出行李中是否存在違禁品。而且，simirb注意力機制模塊的具體設置位置是在最深層的c2f模塊和sppf模塊之間，利用simirb注意力機制模塊的特征整合能力，保留重要特征，剔除冗余或不重要特征以避免這些特征對模型檢測精度的影響，提升模型檢測精度。整體上本發(fā)明顯著提升違禁品檢測的準確性與可靠性，很大程度上降低了人工安檢的誤報率與漏檢率，也大大緩解了安檢員的工作壓力并提高了工作效率，為保障公共交通安全與旅客人身安全以及公共智慧交通體系的構建提供了技術支持。
1.一種改進yolov8的安檢圖像違禁品檢測方法，其特征在于，該方法包括：獲取安檢圖像并輸入至訓練后的違禁品檢測模型中，識別出安檢圖像中違禁品的位置和種類；
2.根據(jù)權利要求1所述的改進yolov8的安檢圖像違禁品檢測方法，其特征在于，對yolov8的改進還包括：yolov8的頸部網(wǎng)絡中的c2f模塊替換為c2f-dwr模塊，且c2f-dwr模塊是在c2f模塊上改進得到，且對c2f模塊的改進為將c2f模塊的bottleneck中的第二個卷積層替換為dwr_conv，且dwr_conv包括依次連接的卷積層、dwr、批歸一化層和激活函數(shù)層。
3.根據(jù)權利要求2所述的改進yolov8的安檢圖像違禁品檢測方法，其特征在于，所述激活函數(shù)層為gelu激活函數(shù)層。
4.根據(jù)權利要求1所述的改進yolov8的安檢圖像違禁品檢測方法，其特征在于，對yolov8的改進還包括：yolov8的檢測頭使用的是dynamic?head。
5.根據(jù)權利要求1所述的改進yolov8的安檢圖像違禁品檢測方法，其特征在于，訓練違禁品檢測模型所使用的損失函數(shù)為powerful-iou損失函數(shù)。
6.根據(jù)權利要求1～5任一項所述的改進yolov8的安檢圖像違禁品檢測方法，其特征在于，違禁品的種類包括刀具和液體容器。
7.一種計算機設備，包括處理器，其特征在于，所述處理器用于執(zhí)行計算機程序以實現(xiàn)權利要求1～6任一項所述方法的步驟。