令狐蓉

（山西工程职业学院交通工程系，山西 太原 030001）

随着社会的不断发展，城市轨道交通在人们生活中占据着越来越重要的作用。据统计，广州地铁客运量排在全国首位，2022 年达到231 874 万人。面对如此巨大的客运量，安检的自动化、实时性、高准确率是很有必要的[1]。

传统的目标检测算法面对背景庞杂、行李乱放、违禁品多种多样等情况，能力不足，难以满足客运的要求。2012 年，Alex Krizhevsky 等[2]设计的AlexNet 在ImageNet 挑战赛上夺得冠军，大幅提升了图像分类的准确度，深度学习重新迎来春天，开始在各个领域开花结果，但在安检领域的应用相对较少。YOLO 系列[3]是目标检测领域知名度最高的算法，其凭借出色的实时检测性，在不同的领域均有广泛应用。YOLO 系列算法将问题概括为一个回归问题，一次完成，是一种端对端的卷积神经网络。本文选择YOLOv5m 算法来进行安检违禁品识别，并增加置换注意力（Shuffle Attention，SA）模块[4]，以提高检测准确率。

1 YOLOv5 算法

YOLOv5 算法主要包含Input（输入端）、Backbone（主干网络）、Neck（多尺度特征融合网络）和Prediction（检测头）[5]。Input 部分是行李经过X 射线安检后采集到的图像；Backbone 部分包含多种卷积、池化、归一化、激活函数等操作，主要是进行图像的特征提取；Neck 部分主要是进行多尺度特征融合，增加主干特征的可接受性，丰富上下文信息；Prediction 部分采用分类、定位、置信度共3 个分支，用于获取目标的类别、位置和置信度。

YOLOv5m 算法结构见图1。Backbone 主要由CBS（Conv+BatchNorm+SiLU）、跨阶段局部（Cross Stage Partial，CSP）、共享压缩分析森林（Shared Packed Parse Forest，SPPF）结构组成，CBS 由卷积、归一化、SiLU 激活函数构成。Backbone 采用的是带有残差（Res）组件的CSP1 结构。……