典型文献
基于改进YOLOv5的安检系统算法
文献摘要：
针对目前国内外公共场所受到持刀及持枪人员的威胁的问题,提出一种基于深度学习的安检系统.利用深度学习模型对危险物品进行检测,如发现可疑物品则发出警告.在目标检测算法YOLOv5的基础上进行改进,把多头自我注意力机制和EIoU Loss引入到 YOLOv5中,改进了 backbone中的C3模块以及损失函数,增强了检测精度、提高了检测速度;加入钱包、信用卡、手机和纸币等4类相似物品作为干扰数据,采用PyTorch深度学习框架对刀具、手枪等物品图像进行训练,训练好的模型能有效检测出危险物品.实验结果表明,改进算法后,刀具、手枪、钱包、信用卡、手机和纸币等6类物品的mAP@0.5和mAP@0.5:0.95可以达到77.5％和52.5％,其中刀具的mAP@0.5和mAP@0.5:0.95提高到93.7％和57.0％,手枪的mAP@0.5和mAP@0.5:0.95 提高到 90.5％和 60.1％.
文献关键词：
神经网络;安检系统;YOLOv5;EIoULoss;bottlenecktransformer
中图分类号：
作者姓名：
郭烁;柴晓辉;洪悦
作者机构：
沈阳化工大学信息工程学院,辽宁 沈阳 110142
文献出处：
引用格式：
[1]郭烁;柴晓辉;洪悦-.基于改进YOLOv5的安检系统算法)[J].沈阳大学学报（自然科学版）,2022(06):453-460
A类：
EIoULoss,bottlenecktransformer
B类：
YOLOv5,安检系统,外公,公共场所,持刀,持枪,深度学习模型,危险物品,可疑,出警,警告,目标检测算法,多头,自我注意,注意力机制,backbone,C3,损失函数,检测精度,检测速度,钱包,信用卡,纸币,干扰数据,PyTorch,深度学习框架,对刀,刀具,手枪,练好,有效检测,改进算法,mAP
AB值：
0.404597
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
