x光安检是目前在城市轨交、铁路、机场、物流业广泛使用的物检手段。使用人工智能技术，辅助一线安检员进行x光安检判图，可以有效降低因为安检员经验、能力或工作状态造成的错漏检问题。在实际场景中，因待检测物品的多样性、成像角度、重叠遮挡等问题，x光安检图像检测算法研究存在一定挑战。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
X光安检图像检测挑战赛3.0
一、赛事背景
X光安检是目前在城市轨交、铁路、机场、物流业广泛使用的物检手段。使用人工智能技术，辅助一线安检员进行X光安检判图，可以有效降低因为安检员经验、能力或工作状态造成的错漏检问题。在实际场景中，因待检测物品的多样性、成像角度、重叠遮挡等问题，X光安检图像检测算法研究存在一定挑战。比赛链接：https://challenge.xfyun.cn/topic/info?type=Xray-2022&option=ssgy
二、赛事任务
本赛事的任务是：基于科大讯飞提供的真实X光安检图像集构建检测模型，对X光安检图像中的指定类别的物品进行检测。
三、评审规则
1.数据说明
此次比赛提供带标注的训练数据，即待检测物品在包裹中的X光图像及其标注文件。
本次比赛标注文件中的类别为8类，包括：
刀（knife）、剪刀（scissors）、打火机（lighter）、优盘（USBFlashDisk）、压力容器（pressure）、带喷嘴塑料瓶（plasticBottleWithaNozzle）、公章（seal）、电池（battery）。
待识别物品的X光成像示意图如上图所示。
比赛提供的X光图像及其矩形框标注的文件按照数据来源存放在不同的文件夹中，图像文件采用jpg格式，标注文件采用xml格式。
2.评估指标
评测方式采用计算mAP（IoU = 0.5）的方式。
四、数据准备
# 查看当前挂载的数据集目录, 该目录下的变更重启环境后会自动还原 !ls /home/aistudio/data
data151995
解压数据集。
! unzip -oq data/data151995/data.zip -d data/
官方提供的数据标注是VOC格式。
可以直接使用labelimg查看标注图片。
生成训练集数据列表
import os
data_path = '/home/aistudio/data/data/train'f = open(os.path.join(data_path, 'train.txt'), 'w')for subpath in os.listdir(data_path):
img_path = os.path.join(data_path, subpath) if os.path.isfile(img_path): continue
xml_path = os.path.join(subpath, 'XML') for img_name in os.listdir(img_path): if not os.path.isfile(os.path.join(img_path, img_name)): continue
img_file = os.path.join(subpath, img_name)
xml_file = os.path.join(xml_path, img_name.replace('.jpg', '.xml'))
f.write(img_file + ' ' + xml_file + '\n')
# 拷贝label_list到数据文件中! cp work/label_list.txt data/data/train
五、模型配置及训练
本方案选择百度自研的最新的sota模型ppyoloe作为baseline，为了尽快比赛流程，这里选用最小的s级模型。
对应的配置文件为PaddleDetection/configs/ppyoloe/ppyoloe_crn_s_300e_coco.yml；
5.1 配置文件修改
由于数据是voc格式，因此不能再使用ppyoloe默认的coco格式，修改指定的数据配置文件。
减小batch为16， 同时适当减少学习率为0.01；
为了加快训练速度，修改_base_/optimizer_300e.yml中的epoch为50；
修改_base_/ppyoloe_reader.yml中，注释掉RandomExpand数据增强，加快训练速度，主要是由于数据中很多目标较小，再随机扩增会使得目标更小。
为了使更多小目标能充分训练，在多尺度训练的配置中去掉512分辨率以下的配置。
修改configs/datasets/voc.yml，指定生成的数据列表并修改类别数为8；
5.2 模型训练
%cd /home/aistudio/work/PaddleDetection-release-2.4/# 只需运行一次! pip install -r requirements.txt
! python tools/train.py -c configs/ppyoloe/ppyoloe_crn_s_300e_coco.yml
六、模型测试及提交结果生成
6.1 模型测试
利用训练好的模型测试，生成测试集的结果。
# 分别生成测试集中三个文件夹的结果! python tools/infer.py -c configs/ppyoloe/ppyoloe_crn_s_300e_coco.yml --infer_dir=/home/aistudio/data/data/test/test1/domain1/ -o weights=output/ppyoloe_crn_s_300e_coco/model_latest.pdparams --output_dir domain1/ --save_txt result.txt --draw_threshold 0.1! python tools/infer.py -c configs/ppyoloe/ppyoloe_crn_s_300e_coco.yml --infer_dir=/home/aistudio/data/data/test/test1/domain2/ -o weights=output/ppyoloe_crn_s_300e_coco/model_latest.pdparams --output_dir domain2/ --save_txt result.txt --draw_threshold 0.1! python tools/infer.py -c configs/ppyoloe/ppyoloe_crn_s_300e_coco.yml --infer_dir=/home/aistudio/data/data/test/test1/domain3/ -o weights=output/ppyoloe_crn_s_300e_coco/model_latest.pdparams --output_dir domain3/ --save_txt result.txt --draw_threshold 0.1
6.2 结果处理
合并测试集的结果，并按照提交的格式进行转换。
import osimport json
label_list = ['knife','scissors', 'lighter', 'USBFlashDisk', 'pressure', 'plasticBottleWithaNozzle', 'seal', 'battery']
img_list = '/home/aistudio/data/data/2022gamedatasettest1.txt'results = []with open(img_list, 'r') as f:
lines = f.readlines() for line in lines:
line = line.strip().replace('.jpg', '.txt') with open(line, 'r') as ff:
re_lines = ff.readlines()
result = [[], [], [], [], [], [], [], []] for re_line in re_lines:
re_line = re_line.strip()
re_list = re_line.split() if not len(re_list): continue
name, score, xmin, ymin, w, h = re_list
index = label_list.index(name)
result[index].append([float(xmin), float(ymin), float(xmin)+float(w), float(ymin) + float(h), float(score)])
results.append(result)with open( 'result.json', 'w') as fp:
json.dump(results, fp, ensure_ascii=False)
提交结果生成的result.json文件即可。
