安检X光危险品检测-目标检测数据集

蘑菇品种识别及可食用检测-目标检测数据集

链接: https://pan.baidu.com/s/1Q-p0D18J49SauPGK0mj3Kg?pwd=rvgd 
提取码: rvgd 

数据集信息介绍：

共有 8830 张图像和一一对应的标注文件
标注文件格式提供了两种，包括VOC格式的xml文件和YOLO格式的txt文件。

标注的对象共有以下5种：

[‘Gun’, ‘Knife’, ‘Pliers’, ‘Scissors’, ‘Wrench’]

标注框的数量信息如下：（标注时一般是用英文标的，括号里提供标注对象的中文作为参考）

Gun: 2025（枪支）

Knife: 1041（小刀）

Pliers: 1975： （钳子）

Scissors: 1841：（剪刀）

Wrench: 1948：(扳手)

注：一张图里可能标注了多个对象，所以标注框总数可能会大于图片的总数。

all_images文件：存储数据集的图片，截图如下：

all_txt文件夹和classes.txt: 存储yolo格式的txt标注文件，数量和图像一样，每个标注文件一一对应。


如何详细的看yolo格式的标准文件，请自己百度了解，简单来说，序号0表示的对象是classes.txt中数组0号位置的名称。

all_xml文件：VOC格式的xml标注文件。数量和图像一样，每个标注文件一一对应。

标注结果：

如何详细的看VOC格式的标准文件，请自己百度了解。
两种格式的标注都是可以使用的，选择其中一种即可。
——————————————————————————————————————

写论文参考

基于深度学习的安全检查X光危险品目标检测研究

摘要：随着公共交通安全的日益重要，X光安检仪成为危险品检测的关键设备。本文针对安全检查场景中的危险品自动检测问题，构建了一个包含8830张X光图像的数据集，涵盖枪支、刀具、钳子、剪刀和扳手五类危险品。本研究提出了一种基于改进YOLOv5的目标检测模型，通过引入CA注意力机制和优化特征融合网络，显著提升了小目标危险品的检测精度。实验结果表明，该模型在自建数据集上的mAP@0.5达到92.7%，比原始YOLOv5模型提升4.2%，能够有效满足实际安检场景的检测需求。

关键词：目标检测；X光图像；危险品识别；深度学习；YOLOv5

1. 引言

1.1 研究背景与意义

在当今社会公共安全领域，安全检查已成为机场、地铁站、火车站等公共场所的必要环节。X光安检仪作为核心检测设备，通过对行李物品进行成像，帮助安检人员识别潜在危险品。然而，传统的人工判图方式存在效率低、易疲劳、主观性强等问题，特别是在客流量大的场合，漏检风险显著增加。

近年来，随着人工智能技术的快速发展，基于深度学习的目标检测算法在多个领域展现出卓越性能。将此类技术应用于X光安检图像分析，可实现危险品的自动识别与报警，大幅提升安检效率和准确性。本研究旨在开发一种针对X光危险品检测的深度学习模型，为智能安检系统提供技术支撑。

1.2 研究现状

目前，基于深度学习的目标检测算法主要分为两类：单阶段检测算法（如YOLO系列、SSD等）和两阶段检测算法（如Faster R-CNN、Mask R-CNN等）。在X光图像检测领域，已有若干研究成果：

• Miao等[1]首次将深度学习应用于X光安检图像检测，采用Faster R-CNN算法在SIXray数据集上取得较好效果。
• 陈晓明等[2]基于SSD算法改进特征提取网络，提升了小尺寸危险品的检测能力。
• 然而，现有研究仍面临以下挑战：X光图像中物品重叠严重、小目标检测困难、类别间相似度高等问题。

2. 数据集构建与预处理

2.1 数据集概况

本研究收集并标注了8830张X光安检图像，所有图像均来自真实安检场景，涵盖了不同角度、不同摆放位置的危险品，确保了数据的多样性和代表性。数据集具体分布如下：

类别	英文名称	标注数量	占比(%)
枪支	Gun	2025	22.9%
刀具	Knife	1041	11.8%
钳子	Pliers	1975	22.4%
剪刀	Scissors	1841	20.8%
扳手	Wrench	1948	22.1%
总计	-	8830	100%

2.2 数据标注与质量控制

数据集提供了VOC格式的XML文件和YOLO格式的TXT文件两种标注形式，便于不同算法的训练需求。标注过程中遵循以下原则：

1. 完整性原则：确保每个危险品实例都被准确标注
2. 精确性原则：边界框紧密贴合目标边缘
3. 一致性原则：同类物品标注标准统一

2.3 数据预处理与增强

为提升模型泛化能力，采用以下数据增强策略：

• 几何变换：随机旋转（±15°）、缩放（0.8-1.2倍）、平移（±10%）
• 色彩调整：亮度、对比度、饱和度随机调整
• mosaic增强：四张图像拼接训练，提升小目标检测能力
• 添加噪声：模拟实际安检图像中的噪声干扰

数据集按7:2:1的比例划分为训练集、验证集和测试集，确保各类别在各子集中分布均衡。

3. 提出的检测方法

3.1 网络架构设计

本研究基于YOLOv5s架构进行改进，主要考虑到其在精度和速度间的良好平衡。改进后的网络结构包括：

3.1.1 主干网络（Backbone）
采用CSPDarknet53结构，通过跨阶段部分连接减少计算量同时保持梯度流。在最后两个C3模块中引入Coordinate Attention（CA）注意力机制，增强模型对危险品关键特征的提取能力。

3.1.2 特征融合网络（Neck）
采用改进的PANet结构，在自上而下和自下而上两条路径中都进行特征融合。针对危险品尺寸差异大的特点，增加了一个浅层特征输出头，专门用于检测小目标危险品如刀具等。

3.1.3 检测头（Head）
采用解耦头结构，将分类和回归任务分离，减少任务冲突。每个检测头对应不同尺度的特征图，分别负责大、中、小目标的检测。

3.2 改进的注意力机制

针对X光图像中危险品与背景对比度低、物品相互遮挡的问题，引入Coordinate Attention（CA）机制。该机制通过分解全局池化为两个一维特征编码过程，精确捕获位置信息与通道间关系：

$$CA(X)=\sigma (Conv([AvgPoo{l}_h(X),AvgPoo{l}_w(X)]))$$

其中，$AvgPoo{l}_h$和$AvgPoo{l}_w$分别表示高度和宽度方向的全局池化，$[\cdot ]$表示拼接操作，$\sigma$为sigmoid激活函数。

3.3 损失函数优化

针对类别不平衡问题，采用加权交叉熵损失和CIoU损失相结合的多任务损失函数：

$$\mathcal{L}={\lambda }_{cls}{\mathcal{L}}_{cls}+{\lambda }_{obj}{\mathcal{L}}_{obj}+{\lambda }_{box}{\mathcal{L}}_{CIoU}$$

其中，${\mathcal{L}}_{cls}$为分类损失，采用Focal Loss缓解类别不平衡；${\mathcal{L}}_{obj}$为物体性损失；${\mathcal{L}}_{CIoU}$为边界框回归损失，考虑了重叠面积、中心点距离和长宽比。

4. 实验与结果分析

4.1 实验环境与参数设置

实验在以下环境中进行：

• 硬件：NVIDIA RTX 3090 GPU，Intel Xeon CPU
• 软件：PyTorch 1.10，CUDA 11.3，Python 3.8
• 训练参数：初始学习率0.01，batch size 16，epochs 300，使用余弦退火学习率调度

4.2 评价指标

采用目标检测领域常用评价指标：

• mAP@0.5：IoU阈值为0.5时的平均精度均值
• mAP@0.5:0.95：IoU阈值从0.5到0.95的平均精度均值
• 精确率（Precision）和召回率（Recall）
• F1-score：精确率和召回率的调和平均数

4.3 实验结果对比

将提出的改进YOLOv5模型与几种主流目标检测算法进行对比：

模型	mAP@0.5	mAP@0.5:0.95	精确率	召回率	FPS
Faster R-CNN	85.3%	56.2%	83.7%	81.5%	23
SSD	82.1%	52.8%	80.9%	78.3%	45
YOLOv4	87.6%	58.9%	86.2%	83.7%	38
YOLOv5s	88.5%	59.7%	87.1%	84.2%	52
Ours	92.7%	64.3%	91.5%	89.8%	48

4.4 消融实验

为验证各改进模块的有效性，设计消融实验：

模型配置	mAP@0.5	提升
YOLOv5s基线	88.5%	-
+ CA注意力	90.2%	+1.7%
+ 改进特征融合	91.4%	+2.9%
+ 损失函数优化	92.7%	+4.2%

实验结果表明，各改进模块均对性能提升有贡献，其中损失函数优化带来的提升最为显著。

4.5 各类别检测结果分析

类别	AP@0.5	检测难点	改进策略效果
Gun	95.2%	形状多样，部分遮挡	CA注意力有效提升遮挡情况下的检测
Knife	89.3%	尺寸小，摆放角度多变	浅层特征头显著改善小目标检测
Pliers	93.1%	与背景对比度低	数据增强提升模型鲁棒性
Scissors	91.8%	结构复杂，易误检	改进损失函数减少误检
Wrench	94.1%	与正常工具相似	注意力机制增强特征区分度

4.6 可视化分析

通过Grad-CAM可视化技术分析模型关注区域，发现改进后的模型能够更准确地聚焦于危险品的关键特征区域，如枪支的扳机、刀具的刀刃等，减少了背景干扰。

5. 讨论

5.1 模型优势分析

本研究提出的改进YOLOv5模型在X光危险品检测任务中表现出以下优势：

1. 高精度检测：通过引入CA注意力机制和优化特征融合，有效提升了各类危险品的检测精度，特别是小目标物品。
2. 强鲁棒性：针对X光图像中常见的重叠、遮挡问题，模型展现出良好的适应能力。
3. 实用性强：在保持较高检测速度（48 FPS）的同时实现精度提升，满足实际应用需求。

5.2 实际应用挑战

在实际部署过程中，仍需解决以下挑战：

• 新型危险品的快速适应：当出现未见过的新型危险品时，模型需要快速更新。
• 极端情况处理：如严重重叠、极度模糊等极端情况的检测稳定性。
• 计算资源限制：在边缘设备上的部署需要考虑模型轻量化。

6. 结论与展望

6.1 研究总结

本文针对X光安检图像中的危险品检测问题，构建了一个包含8830张图像的数据集，涵盖五类常见危险品。提出了一种基于改进YOLOv5的目标检测模型，通过引入CA注意力机制、优化特征融合网络和改进损失函数，显著提升了检测性能。实验结果表明，该模型在自建数据集上的mAP@0.5达到92.7%，比基线模型提升4.2%，为智能安检系统提供了有效的技术方案。

6.2 未来工作展望

未来的研究工作将围绕以下方向展开：

1. 增量学习：研究增量学习方法，使模型能够快速适应新型危险品而无需完全重新训练。
2. 多模态融合：结合可见光图像与X光图像的多模态信息，提升检测可靠性。
3. 轻量化设计：进一步优化模型结构，实现在移动设备上的高效部署。
4. 3D检测：探索基于多视角X光图像的3D目标检测，提供更丰富的危险品信息。