现代计算机ModernComputer第29卷第12期2023年6月25日城市轨道交通安检危险品的深度学习识别令狐蓉*（山西工程职业学院交通工程系，太原030000）摘要：针对城市轨道交通X射线安检危险品识别，在YOLOv5m基础上，增加了CBAM注意力，分别对通道和空间的特征进行操作。经过实验验证，该方法的mAP50:95、mAP50分别提升了0.6和1个百分点，结果表明改进后的算法能显著提高检测精度。关键词：YOLOv5；CBAM；X射线；危险品识别文章编号:1007⁃1423（2023）12⁃0017⁃05DOI:10.3969/j.issn.1007⁃1423.2023.12.003收稿日期：2023⁃05⁃05修稿日期：2023⁃05⁃22基金项目：山西省高等学校科技创新项目（2022L707）；长安大学中央高校基本科研业务费专项资金资助（300102213515）作者简介：*通信作者：令狐蓉（1989—），女，山西运城人，硕士研究生，助教，研究方向为城市轨道交通通信与信号，E⁃mail：969917322@qq.com0引言2008年北京奥运会前夕，北京地铁开始安检，这是世界上第一次在城市地铁道路上进行安检。传统的X光图像中危险品检测算法基本是通过对输入图像进行预处理，随后进行特征提取，然后将提取到的特征输入到分类器，来判断是否包含危险品、确定危险品类别。但是X光安检背景复杂、物品重叠严重、违禁品尺度多样、细节特征和颜色特征丢失严重［1］，传统的检测算法虽然在一定程度上达到了不错的检测精度，但是应对如此复杂的场景，能力不足，还不能满足人们的预期，不能应用于危险品的实时检测。Akcay团队将卷积神经网络（convolutionalneuralnetworks，CNN）应用到X光安检危险品图像分类问题，随后比较了FasterR⁃CNN和R⁃FCN的危险品检测能力［2］。Zhang等［3］提出了基于特征融合单点多盒检测器-FSSD，对SSD（SingleShotMultiBoxDetector）进行了改进，引入了空洞卷积和残差结构，结果表明：FSSD对于小尺寸目标检测精度有了明显提升。Miao等［4］基于北京地铁的X射线图像公开了一个大规模SIXray数据集，提出了类平衡层次细化（CHR）的方法，并将其嵌入到多种CNN中，取得了较大的性能提升。Zhao等［5］从实际场景出发，公开了一个多种对象重叠的CLCXray数据集，提出了新的标签感知机制（LA）来解决对象重叠问题，实验结果表明，基于LA的改进模型在OPIXray和CLCXray上优于SOTA模型。YOLOv5［6］属于一阶段检测算法，一阶段检测算法与双阶段检测算法相比少了中间负样本筛选过程，所以YOLOv5具有一阶段算法实时性的优点，适合小目标检测方面、检...
