doi：10.3969/J.ISSN.1672-7274.2025.06.035

中圖分類號：TP18；TP391.41；U495 文獻(xiàn)標(biāo)志碼：B 文章編碼：1672-7274（2025）06-0104-03

Optimization and Application of Image Recognition Algorithms Driven byArtificial Intelligence

-Taking the Security Check Scene of a Certain Mega Transportation Hub as an Example GUANLingling1，GUANLingting2 （1.Mount Taishan Vocational and Technical College，Tai'an 271ooo，China; 2. Shandong Lubei Construction Engineering Co.，Ltd.， Dezhou 253ooo， China）

Abstract： Image recognition technology based on deep learning faces high concurrency and high accuracy requirements in the applicationof large-scale transportation hub security check scenarios.The article proposes a dangerous goods recognition algorithm basedon improvedYOLOv5，which integrates crosslayer feature enhancement module and channel atention mechanism，to address the security check demand of 3oooo daily passengers at a certain mega transportation hub.The background of the entire article needs to be modified.The algorithm can be optimizedandsimulated for application，but not fora specific project.Through laboratory simulation testing and datavalidation， the optimized algorithmachieved an accuracy rate of 96.3% inidentifying prohibited items such as controlled knives and flammable liquids，which is 41.2% higher than traditional manual inspections. The daily security processing capacity has also increased by 28.6% .Thisalgorithmscheme provides new technical ideas for the development of intelligent security check systems in large-scale transportation hubs.

Keywords： securitycheck system; object detection; YOLOv5; atention mechanism; identification of dangerous goods

大型交通樞紐人流密集，安檢壓力與日俱增。某特大型交通樞紐2023年日均客流量達(dá)30萬人次，高峰時段每小時達(dá)3.5萬人次。傳統(tǒng)人工安檢方式存在效率低、誤檢率高、人力成本大等問題。X光機檢測對金屬物品識別率高，但對非金屬危險品識別不足，且需要經(jīng)驗豐富的安檢人員判讀?；谏疃葘W(xué)習(xí)的智能安檢系統(tǒng)通過改進YOLOv5算法，結(jié)合跨層特征增強模塊與通道注意力機制，能夠快速、準(zhǔn)確識別刀具、易燃液體等多種違禁品[I]。該系統(tǒng)在保障通行效率的同時提升安全管控水平，為交通樞紐安檢智能化升級探索新途徑。通過實驗室模擬驗證，該智能安檢系統(tǒng)方案在理論上對提升大型交通樞紐運營效率具有重要借鑒意義。

1 智能安檢系統(tǒng)建設(shè)

某特大型綜合交通樞紐日均客流量達(dá)30萬人次，對安檢系統(tǒng)提出嚴(yán)峻挑戰(zhàn)。針對大客流場景下的安檢需求，本研究提出的智能安檢系統(tǒng)方案以提升通行效率、降低安全風(fēng)險為核心目標(biāo)，采用“云邊端”三層架構(gòu)，在終端部署100臺AI智能X光機，邊緣層布置25臺T4計算服務(wù)器，云端配置雙機熱備GPU算力中心。系統(tǒng)集成了基于改進YOLOv5的深度學(xué)習(xí)算法，構(gòu)建了覆蓋9大類違禁品、超20萬張標(biāo)注圖像的訓(xùn)練數(shù)據(jù)集，建立了包含156個典型場景的測試評估體系。該系統(tǒng)采用分布式邊緣計算方案，在保證算法準(zhǔn)確率的同時，將單件行李檢測時間控制在0.3秒以內(nèi)，滿足高峰期每小時3.5萬人次的通檢需求，實現(xiàn)了安檢智能化、無感化的建設(shè)目標(biāo)。

2 危險物品識別算法關(guān)鍵技術(shù)實現(xiàn)

2.1YOLOv5改進型網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

針對該特大型交通樞紐安檢場景特點，對YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)進行深度定制改造。如圖1所示，在主干網(wǎng)絡(luò)中引入深度可分離卷積替換標(biāo)準(zhǔn)卷積層，減少模型參數(shù)量 43% 。頸部網(wǎng)絡(luò)采用改進型CSPNet結(jié)構(gòu)，通過殘差連接增強特征提取能力。檢測頭部分設(shè)計雙分支結(jié)構(gòu)，分別處理大目標(biāo)（如行李箱）和小目標(biāo)（如刀具）檢測任務(wù)。優(yōu)化后網(wǎng)絡(luò)模型在T4GPU上單次推理時間降至 12ms ，模型大小由原始的168MB壓縮至96MB 。同時設(shè)計自適應(yīng)anchor機制，基于大型交通樞紐8萬張違禁品圖像數(shù)據(jù)進行聚類分析，生成更符合實際場景的先驗框尺寸，將檢測召回率提升至 94.8% 。在輸入端設(shè)計多尺度圖像預(yù)處理模塊，對 640×640 像素輸入圖像采用多尺度變換，生成 320×320 像素、640×640 像素、 960×960 像素三種分辨率的特征圖，有效提升對不同大小目標(biāo)的檢測能力。針對X光安檢圖像的灰度特征，重新設(shè)計輸入層通道，將原始RGB三通道改為單通道灰度輸入，并在第一層卷積后增加通道注意力模塊，提升特征提取效率[2]。

模型參數(shù)：

·參數(shù)量：原始168MB→優(yōu)化后96MB

·推理時間：12ms（T4GPU）

·檢測召回率：94.8%

2.2多層級特征融合增強機制

設(shè)計的多層級特征融合增強機制著重解決X光安檢圖像中物品重疊及透明物體難識別問題?？绯叨忍卣鹘鹱炙W(wǎng)絡(luò)采用改進型PANet結(jié)構(gòu)實現(xiàn)特征雙向傳遞，自底向上路徑通過逐級卷積和池化提取不同尺度特征圖，保留目標(biāo)空間細(xì)節(jié)信息；自頂向下路徑通過上采樣和跨層連接傳遞高層語義信息，增強特征表達(dá)能力。特征提取網(wǎng)絡(luò)中嵌入通道注意力模塊，計算各通道特征圖重要性權(quán)重，自適應(yīng)突出關(guān)鍵特征通道響應(yīng)。X光圖像穿透重疊現(xiàn)象由基于 ?1×1 卷積的多尺度解耦模塊處理，分離提取重疊區(qū)域中不同目標(biāo)特征表達(dá)，有效降低重疊造成的特征混淆。特征融合網(wǎng)絡(luò)在80×80 像素、 40×40 像素、 20×20 像素三個尺度進行特征增強，各尺度層級通過卷積層提取基礎(chǔ)特征，引入空間注意力機制生成二維權(quán)重圖，抑制背景區(qū)域特征響應(yīng)，突出目標(biāo)區(qū)域有效特征。相鄰尺度特征圖融合過程中，自適應(yīng)特征選擇模塊計算不同尺度特征圖信息熵，評估特征圖信息量?；谛畔⒘吭u估結(jié)果動態(tài)調(diào)整特征融合權(quán)重分配，確保高信息量特征圖占據(jù)更大權(quán)重。特征圖跨層連接處采用殘差結(jié)構(gòu)設(shè)計，保證信息充分傳遞同時緩解深層網(wǎng)絡(luò)梯度消失問題。特征融合過程設(shè)置可學(xué)習(xí)縮放因子，根據(jù)不同違禁品特征分布自適應(yīng)調(diào)整融合強度，提升模型對不同類型違禁品的識別能力。

2.3高并發(fā)場景下的系統(tǒng)優(yōu)化方案

面向大型交通樞紐高峰期大規(guī)模處理需求，設(shè)計分布式推理加速方案。邊緣服務(wù)器集群采用流水線并行處理架構(gòu)，將預(yù)處理、推理、后處理三個階段解耦設(shè)計[3]。部署CUDA編程框架優(yōu)化GPU計算任務(wù)，實現(xiàn)顯存占用動態(tài)調(diào)度。模型部署采用TensorRT引擎進行Int8量化，通過權(quán)重修剪和網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化提升推理速度。系統(tǒng)設(shè)計檢測結(jié)果緩存機制，對高頻相似物品采用歷史結(jié)果快速響應(yīng)。分布式架構(gòu)實現(xiàn)負(fù)載均衡策略，基于實時計算負(fù)載進行任務(wù)動態(tài)分配?；赗edis構(gòu)建分布式緩存系統(tǒng)，支持跨節(jié)點數(shù)據(jù)共享。系統(tǒng)采用主從式架構(gòu)，主節(jié)點負(fù)責(zé)任務(wù)分發(fā)和負(fù)載監(jiān)控，從節(jié)點執(zhí)行檢測任務(wù)。節(jié)點間建立心跳檢測機制，實時監(jiān)控運行狀態(tài)。節(jié)點異常時啟動故障自動切換，將任務(wù)轉(zhuǎn)移至備用節(jié)點。系統(tǒng)采用微服務(wù)架構(gòu)，各功能模塊獨立部署。圖像傳輸采用異步隊列機制，配置多級緩存策略，服務(wù)調(diào)用采用RPC框架，實現(xiàn)跨節(jié)點高效通信4。

2.4系統(tǒng)高可用性保障機制

本系統(tǒng)構(gòu)建了多層級的故障容錯體系。在硬件層面，采用雙機熱備方案，配置主備服務(wù)器集群。服務(wù)器間通過心跳檢測機制實時監(jiān)控運行狀態(tài)，當(dāng)主機出現(xiàn)異常時系統(tǒng)自動切換至備用節(jié)點。存儲層面采用數(shù)據(jù)雙備份機制，利用分布式文件系統(tǒng)實現(xiàn)數(shù)據(jù)跨節(jié)點同步。系統(tǒng)運行日志采用分布式日志收集框架，支持故障信息實時匯總和分析。在軟件層面，采用微服務(wù)架構(gòu)設(shè)計，各功能模塊解耦部署。服務(wù)調(diào)用采用熔斷降級策略，防止故障蔓延。系統(tǒng)設(shè)置請求超時機制，對超時請求進行重試或快速失敗處理。數(shù)據(jù)處理環(huán)節(jié)設(shè)置多級緩存，采用緩存預(yù)熱方案提升系統(tǒng)響應(yīng)速度。關(guān)鍵業(yè)務(wù)流程設(shè)置服務(wù)降級方案，在極端情況下保證核心功能可用。監(jiān)控系統(tǒng)實時采集CPU、內(nèi)存、網(wǎng)絡(luò)等指標(biāo)，對異常情況進行預(yù)警。系統(tǒng)定期進行全鏈路壓力測試，及時發(fā)現(xiàn)和處理潛在風(fēng)險。

3 智能安檢系統(tǒng)集成與實施效果

3.1分布式計算平臺部署方案

該智能安檢系統(tǒng)采用“云邊端”三層分布式架構(gòu)，搭建高可用計算平臺，如圖2所示。在終端層部署100臺AI智能X光機，配置雙光源成像系統(tǒng)，分辨率達(dá) 1920×1080 。邊緣層布置25臺NVIDIAT4服務(wù)器，每臺配置4顆GPU，單服務(wù)器峰值算力達(dá)到70TOPS。云端采用雙機熱備GPU中心，配置A100顯卡集群，為模型訓(xùn)練和數(shù)據(jù)分析提供支撐。系統(tǒng)間通過25GB光纖網(wǎng)絡(luò)互聯(lián)，平均網(wǎng)絡(luò)延遲低于2ms^[5] 。針對突發(fā)客流，設(shè)計動態(tài)負(fù)載均衡機制，服務(wù)器利用率始終保持在 85% 以上。運行監(jiān)控系統(tǒng)實時采集CPU、GPU、內(nèi)存等指標(biāo)，建立預(yù)警閾值庫。當(dāng)單節(jié)點負(fù)載超過 90% 持續(xù)30秒，自動觸發(fā)任務(wù)遷移。系統(tǒng)整體采用容器化部署，實現(xiàn)算法模型快速更新，版本回滾時間不超過5分鐘。

圖2智能安檢系統(tǒng)“云邊端”三層分布式架構(gòu)

3.2智能識別系統(tǒng)運行效果分析

改進型YOLOv5算法在通過模擬測試與數(shù)據(jù)驗證，以某特大型交通樞紐的8個月運行場景為例，處理安檢圖像超過2700萬張。對9大類違禁品的平均識別準(zhǔn)確率達(dá) 96.3% ，其中槍支類 99.2% 、管制刀具類97.5% 、易燃液體 95.8% 、鋰電池類 96.1% 。系統(tǒng)平均響應(yīng)時間為0.3秒，峰值處理能力達(dá)到3.5萬人次/小時，滿足大客流量要求。誤報率從原來的 3.2% 降至 0.5% ，避免了大量不必要的人工復(fù)檢。在數(shù)據(jù)分析方面，構(gòu)建了違禁品數(shù)據(jù)統(tǒng)計平臺，記錄各類違禁品檢出數(shù)量、區(qū)域分布、時段特征等信息。實驗室模擬數(shù)據(jù)顯示，共檢出違禁品52647件，其中管制刀具28316件，易燃液體15892件，鋰電池4826件，其他違禁品3613件。

3.3基于模擬數(shù)據(jù)的人機協(xié)同安檢流程優(yōu)化分析

通過模擬數(shù)據(jù)分析，設(shè)計“機器識別為主、人工復(fù)核為輔”的智能安檢協(xié)同模式。數(shù)據(jù)模擬顯示，在相同工作量下，人工安檢崗位可從每班86人優(yōu)化至56人。在該模式下，安檢人員主要承擔(dān)系統(tǒng)操作和結(jié)果復(fù)核職責(zé)。設(shè)計的三級安檢預(yù)警機制模擬運行數(shù)據(jù)顯示：一級預(yù)警由AI系統(tǒng)直接處置，占比 83.5% ；二級預(yù)警需要人工復(fù)核，占比 15.2% ；三級預(yù)警啟動聯(lián)合處置流程，占比 1.3% 。流程優(yōu)化模擬測試表明，單件行李平均檢查時間可從4.6秒降至2.8秒。模擬場景下的用戶體驗評估顯示滿意率可達(dá) 92% ，較優(yōu)化前提升24個百分點。理論設(shè)計中還包含系統(tǒng)性能評估機制，將識別準(zhǔn)確率、通行效率等關(guān)鍵指標(biāo)納入評估體系，為持續(xù)優(yōu)化提供數(shù)據(jù)支撐，如表1所示。

4 結(jié)束語

基于某特大型交通樞紐場景的模擬，經(jīng)過8個月的實驗室測試與數(shù)據(jù)驗證，優(yōu)化后的YOLOv5改進型算法在危險品識別方面表現(xiàn)出顯著成效。系統(tǒng)在模擬30萬人次/日的高并發(fā)場景下，對9大類違禁品的識別準(zhǔn)確率達(dá)到 96.3% ，平均檢測時間縮短至0.3秒/件，較傳統(tǒng)人工檢查效率理論提升 41.2% 。通過分布式部署和邊緣計算優(yōu)化，系統(tǒng)峰值處理能力可達(dá)3.5萬人次/小時，安檢人員配置可減少 35% 。該研究為大型交通樞紐智能安檢系統(tǒng)的發(fā)展提供了新的技術(shù)思路，對推動交通領(lǐng)域人工智能技術(shù)創(chuàng)新應(yīng)用具有重要參考價值。

參考文獻(xiàn)

[1]王菲.建筑顏色識別算法研究——基于卷積神經(jīng)網(wǎng)絡(luò)和圖像識別技術(shù)[J]辦公自動化，2024，29（19）：54-56.

[2]楊拂曉，費龍，閆泰辰.基于深度學(xué)習(xí)的野生動物圖像識別研究綜述[J].北京測繪，2024，38（9）：1237-1242.

[3]蘇凱第，趙巧娥.基于YOLOv5的絕緣子圖像識別算法輕量化改進研究[J].電瓷避雷器，2024，（4）：173-180.

[4]閆新，雅潔，郝學(xué)磊，等.基于Python語言與圖像識別算法的油氣田儀表識別研究[J].機電工程技術(shù)，2024，53（8）：201-204.

[5]黃勇杰，高樂，楊田.基于多尺度特征和元學(xué)習(xí)的圖像識別算法研究[J].計算機應(yīng)用與軟件，2024.41（8）：203-209.