在公共安全方面，车底隐藏的危险物具有隐蔽性强、破坏力大、探测难度高等问题. 在我国行政机构、民航机场、海港等公共场所，一些不法分子利用机动车辆，将危险物品藏匿在车底，从而躲避执法人员的检查，这些危险物品给人民群众的生命财产安全带来巨大影响. 因此，如何对车底进行高效且全面的安全检查成为当务之急.

针对车底危险物检测这一现实问题，国内学者做过一系列研究. 张辉等^[1]设计了车底扫描探测系统，该检测系统用线阵电荷耦合器件（charge-coupled device，CCD）摄像机对车底快速扫描、成像，然后采用图像处理方法进行分类，从而检测是否有危险物. 徐常星等^[2]提出一种基于机器学习的智能车底安检平台，其在检测车底危险物时采用图像对比算法，利用放射矩阵计算图像相似度，从而检测出危险物目标，但由于车底危险物目标相对整幅车底图像较小，其传统的图像匹配方法无法满足检测的准确性与实时性. 许金金等^[3]设计了基于红外图像的车底藏人系统，主要通过定位目标区域和提取目标感兴趣区域来检测出可疑目标，但该系统采用传统的边缘检测算子，检测出的人体图像不明显且误检率较高.

现如今，基于深度学习的目标检测与识别成为主流方法^[4]. 针对传统图像处理方法检测效果不佳的情况，深度学习算法提供了一个解决问题的新思路. 高春艳等^[5]提出以YOLOv3网络为模型的车底危险目标检测算法，其对YOLOv3^[6]算法模型进行了改进，提出了增加Inception-res结构使网络在降低参数成本和消除大尺寸特征图输出的同时，增强了检测目标尺度的适应性. 但其改进后的模型的检测精度为75.6%，虽然与传统算法相比，该算法检测精度有所提升，但精度仍相对较低，并且YOLOv3网络模型参数较大，难以在边缘端侧部署.

针对上述研究存在的问题，本研究提出一种SG-YOLOv5s车底危险物检测网络模型，并在自建的车底危险物数据集上进行验证. 首先，针对车底危险物图像不足的现状以及车底图像难以获取的问题，利用智能小车拍摄大量车底碎片化图像，采用AutoStitch^[7] （automatic panoramic image stitching using invariant features）算法对碎片化图像进行拼接，最终得到完整的车底图像. 其次，模型以YOLOv5s网络为基础，引入ShuffleNet v2和Ghost卷积模块来改进骨干和颈部，大大减少了网络的参数量，提高了检测精确性，并且在训练阶段采用Mixup^[8]数据增强，能够较好地提升网络的泛化能力. 最后，将定位损失函数CIoU^[9]替换成SIoU^[10]，使目标框回归变得更加稳定，能提升模型预测准确度.

YOLOv5模型是Ultralytics^[11]提出的一种快速且精准的目标检测算法. 根据网络宽度的不同，其分为s、m、l、x这4个模型^[12]. 针对车底危险物品的检测，兼顾精度和速度，选择YOLOv5s作为基础检测网络模型. YOLOv5s由输入端（Input）、基准（Backbone）网络、颈部（Neck）网络和输出端（Head）组成，如图1所示.

输入端主要包括马赛克（Mosaic）数据增强、自适应锚框计算和自适应图片缩放. Mosaic数据增强方法采用了4张图片，并且按照随机缩放、随机裁剪和随机排布的方式进行拼接，具体的效果如图2所示. 这种增强方法可以将几张图片组合成一张，不但可以丰富数据集，而且能极大地提升网络的训练速度，降低模型的内存需求.

Backbone网络主要由Focus、CBS、CSP、SPPF（spatial pyramid pooling fast）组成，如图3所示. Focus结构的主要思想是通过Slice操作对输入图像进行裁剪. CBS模块是YOLOv5s的一个基本卷积模块，对输入图像进行卷积、规范化操作和线性激活操作. YOLOv5s中设计了2种CSP结构，CSP1_X结构主要应用于基准网络中，另一种CSP2_X结构则主要应用于Neck网络中. 采用CSP模块是先将基础层的特征映射划分为2部分，然后通过跨阶段分层进行合并，减少了计算量且保证了精度. SPPF模块，又称快速-空间金字塔池化，是将输入以串行的方式依次通过3个大小为5×5的最大池化，再将特征图进行Concat操作，加快了提取重要特征的速度.

Neck网络采用特征金字塔网络（feature pyramid networks，FPN）^[13]和感知对抗网络 （perceptual adversarial networks，PAN）^[14]结构. FPN是一种自顶向下的结构，通过上采样传输和融合上层的特征信息，得到用于预测的特征图；PAN结构则自底向上传达定位特征. 将两者结合，从不同的主干层对不同的检测层进行参数聚合.

输出端由3个检测层组成，主要完成分类与回归任务，用于检测不同大小的目标. 在YOLOv5s中采用CIoU_Loss作为回归优化损失^[15]. CIoU综合考虑了预测框与真实框的距离、重叠率、尺度以及惩罚项等因素，使目标框回归变得更加稳定^[16]，并采用非极大值抑制寻找最佳的目标边界框，剔除冗余的边界框.

为了实现精确且高效的车底危险物目标检测，方便后续的边缘端侧部署，本研究提出一种轻量化SG-YOLOv5s网络，如图4所示. 依据ShuffleNet v2论文^[17]中提到的避免网络的碎片化，减少网络分支带来的冗余计算，摒弃原YOLOv5s中基准网络的CBS模块和CSP1_X模块，采用图5中ShuffleNet v2基本单元中的S-（1）模块代替CBS模块，用S-（2）模块代替CSP1_X模块，从而重新构建基准网络. S-（1）模块提取输入特征图的特征，并且保持特征图大小不变. S-（2）是下采样模块，使特征图空间大小减半，通道数翻倍. 在Neck网络中仍然是采用FPN和PAN结构，但用Ghost Module和自主设计的GhostBottleneck替换原有Neck网络中的CBS模块，并采用S-（1）替换CSP2_X模块. 用轻量化模块替换原有网络中的模块，可以减少许多冗余分支，大量降低网络的参数量和计算量.

改进主干网络结构如表1所示，其序号从小到大依次堆叠起来，中层次特征兼容性更好. 为了加强对中间层的特征提取，在设计Backbone网络时，在序号4和6的模块处，将S-（1）模块的重复次数设置为3，这样设计既能有效保证网络的深度，又能较好地降低网络的参数量，提高网络训练速度. 参数配置中第1个参数表示输入的通道数，第2个参数表示输出的通道数，第3个参数表示卷积核步长. SPPF模块的参数配置稍有不同，第1个参数和第2个参数依旧是表示输入的通道数和输出的通道数，但第3个参数表示池化核的大小均为5×5. 与SPP模块不同，SPPF模块使用大小为5×5的池化核，依次对输入以串行的方式进行最大池化，然后再将输入和依次进行最大池化后的输出进行拼接，从而提高运行效率，降低计算量. 假设输入尺寸 640×640×3，从表中的输出特征图中可以看出，经过这一系列步骤，特征图的长宽尺度逐渐缩小，通道数量逐渐扩张，特征将由浅入深地一步一步被表达.

在分析ShuffleNet v1^[18]设计不足的基础上，根据4条准则改进得到ShuffleNet v2，如图5所示. 图中展示了ShuffleNet v2的2个基本单元，主要包括通道分割（Channel Split）、逐通道卷积（Depthwise Convolution，DWConv）和通道混洗（Channel Shuffle）. 4条准则如下:1）1×1卷积平衡输入和输出的通道大小；2）谨慎使用分组卷积；3）避免网络的碎片化；4）减少元素级运算. 为了改善v1的缺陷，在v2中引入了通道分割这一新的运算方法. Channel Split在开始时是将输入特征图在通道维度分成2个分支：c1和c2，在实际实现时c1=c2. 左边分支做同等映射，右边的分支包含连续3个卷积，并且输入和输出通道相同，这满足第1条原则，而且2个1×1卷积不再是组卷积，这满足第2条原则. 2个分支的输出不再是Add元素相加，而是Concat在一起，紧接着是对2个分支Concat结果进行通道混洗，以保证2个分支的信息交流. Concat和Channel Shuffle可以和下一个模块单元的Channel Split合成一个元素级运算，这满足第4条原则.

图5中的S-（1）是为了提取输入特征图的特征，并且保持特征图大小不变. 图5中的S-（2）为下采样模块，不再有Channel Split，而是每个分支直接复制一份输入，都有步长（stride）为2的下采样，最后，经过Concat后，特征图空间大小减半，但是通道数量增加一倍. 用S-（1）和S-（2）来替换原主干网络中的模块，这样设计能改变原来模块中残差结构带来的冗余计算，从而大幅减少计算量，有利于边缘端侧部署.

Ghost卷积是Han^[19]在2020年提出的一种新型的轻量级卷积模块. Ghost模块在一组原始特征映射基础上，通过一系列的线性变换生成大量的特征映射，这些特征映射可以以较小的成本从原始特征中找到所需的信息. 如图6所示为Ghost模块的工作原理.

Ghost卷积与传统卷积的不同之处在于，它分为2个步骤执行. 第1步是用少量1×1的普通卷积生成 $m$个特征映射，第2步通过生成的少数的特征映射，通过一系列“廉价”的线性操作，生成 $s$个“幻影”特征映射，最终获得 $n = m \times s$个特征映射. 假设卷积核数量为 $n$，输入特征图的通道数为 $c$，大小为 $h \times w \times c$，输出特征图大小为 $h' \times w' \times n$， $k \times k$表示普通卷积核的大小， $d \times d$表示每个线性运算的平均内核大小，Ghost模块具有恒等映射和 $m \times (s - 1) = ({n \mathord{\left/ {\vphantom {n s}} \right. } s} )\times (s - 1)$个线性运算. 记普通卷积的计算量为 $f_1$，Ghost卷积的计算量为 $f_2$. 表达式如下：

(1) $ f_1 = nh'w'c, $

(2) $ f_2 = \frac{n}{s}h'w'ckk +(s - 1)\frac{n}{s}h'w'dd. $

两者计算量之比如下：

(3) $ \frac{{f_1}}{{f_2}} \approx \frac{{sc}}{{s+c - 1}} \approx s. $

由式（3）可以看出，与普通卷积相比，在不更改输出特征图大小的情况下，Ghost模块中所需的计算量均已降低，约为传统卷积的 ${1 \mathord{\left/ {\vphantom {1 s}} \right. } s}$.

依据轻量化的Ghost卷积模块，本研究自主设计出GhostBottleneck结构，如图7所示. 与原GhostBottleneck不同的是，本研究设计出的 GhostBottleneck结构在2条分支上均包含Ghost Module和步长为2的逐通道卷积，这样设计不但能满足Neck网络中特征图空间减半的需求，而且能大大减少普通卷积过程中的运算量和模型参数数量.

Mixup是一种简单且有效的数据增强方法，在目标检测领域得到广泛应用. Mixup是一种用于增强图像混合的计算机视觉算法，它可以混合不同类的图像来扩展训练数据集. 为了提高网络对遮挡和重叠目标的识别能力，在Mosaic增强方法的基础上，采用Mixup数据增强，将4张图像拼接成一张图像，送给网络进行训练，能够有效提高网络检测精度，如图8所示. 在训练中设置前70%的epoch使用Mosaic数据增强，且每个epoch使用Mosaic数据增强的概率为50%，仅在开启Mosaic数据增强时才开启Mixup数据增强，每个epoch使用Mixup数据增强的概率为25%.

虽然CIoU解决了GIoU^[20]训练中发散的问题，但纵横比描述的是相对值，存在一定的模糊，没有考虑难易样本的平衡. 针对上述CIoU所存在的问题且鉴于车底危险物识别时，预测框可能在训练过程中无法正确匹配真实框，本研究引用了一种新的边界框回归损失函数SIoU_Loss，其在损失函数的代价中引入方向性，与CIoU损失相比，具有更好的推理性能. SIoU损失函数由4个成本函数组成：角度成本（angle cost）、距离成本（distance cost）、形状成本（shape cost）、IoU成本（IoU cost）.

1）角度成本. 角度成本示意图如图9所示.

原始角度成本表达式如下：

(4) $ \varphi = 1 - 2\sin {}^2\;\left(\arcsin\; x - {\text{π} }/{4}\right). $

其中，

(5) $ \left.\begin{aligned} x = \;&{{C{}_{\rm{h}}}}/{\sigma } = \sin\; \alpha , \\ \sigma =\;& \left[ {{{(b{}_{{\rm{c}}x}^{{\text{gt}}} - b{}_{{\rm{c}}x})}^2}+{{(b{}_{{\rm{c}}y}^{{\text{gt}}} - b{}_{{\rm{c}}y})}^2}}\right]^{1/2}, \\ C{}_{\rm{h}} =\;& \max\; (b{}_{{\rm{c}}y}^{{\text{gt}}},b{}_{{\rm{c}}y}) - \min\; (b{}_{{\rm{c}}y}^{{\text{gt}}},b{}_{{\rm{c}}y}). \end{aligned}\right\} $

式中： $\sigma $为2个框质心之间的距离， $C{}_{\rm{h}}$为2个框的质心纵坐标之差， $b{}_{{\rm{c}}x}^{{\text{gt}}}$为真实框的质心的横坐标， $b{}_{{\rm{c}}y}^{{\text{gt}}}$为真实框的质心的纵坐标， $b{}_{{\rm{c}}x}$为预测框的质心的横坐标， $b{}_{{\rm{c}}y}$为预测框的质心的纵坐标.

最终角度成本表达式如下：

(6) $ \begin{split} \varphi = \;&1 - 2{\sin ^2}\;\left(\arcsin\; \left(\sin\; \alpha \right) - {{\text{π}} }/{4}\right)= \\ \;& 1 - 2{\sin ^2}\;\left(\alpha - {{\text{π}} }/{4}\right) =\\ \;& {\cos ^2}\;\left(\alpha - {{\text{π}} }/{4}\right) - {\sin ^2}\left(\alpha - {{\text{π}} }/{4}\right) =\\ \;&\cos \;\left(2\alpha - {{\text{π}} }/{2}\right)= \sin \;\left(2\alpha \right). \end{split} $

引入角度成本的目的是最大限度地减少与距离相关的变量数量.

2）距离成本. 考虑到上面的角度成本，重新定义距离成本：

(7) $ \varDelta = \sum\limits_{t = x,y} {(1 - {\exp\;({ - \gamma {\rho _t}})})} . $

其中，

(8) $\left. \begin{aligned} {\rho _x} =\;& {\left(\frac{{b_{{\rm{c}}x}^{{\text{gt}}} - {b_{{\rm{c}}x}}}}{{{C_{\rm{w}}}}}\right)^2} , {\rho _y} =\;& {\left(\frac{{b_{{\rm{c}}y}^{{\text{gt}}} - {b_{{\rm{c}}y}}}}{{{C_{\rm{h}}}}}\right)^2} , \\ \gamma =\;& 2 - \varphi . \end{aligned}\right\} $

式中：C_w为2个框的质心横坐标之差.

由式(6)~(8)可以看出， ${\rho _t}$使用二次幂来赋权重，说明距离的影响大于角度的影响. 当 $\alpha $= ${\text{π} / 4}$时，距离损失增大，相反，当 $\alpha $趋于0时，距离损失减小.

3）形状成本. 表达式如下：

(9) $ \varOmega = \sum\limits_{t = {\rm{w}},{\rm{h}}} {{{(1 - {\exp\;({ - {\omega _t}})})}^\theta }} . $

其中，

(10) $\left. \begin{aligned} {\omega _{\rm{w}}} =\;& \frac{{\left| {w - {w^{{\rm{gt}}}}} \right|}}{{\max \;(w - {w^{{\rm{gt}}}})}}, \\ {\omega _{\rm{h}}} = \;&\frac{{\left| {h - {h^{{\rm{gt}}}}} \right|}}{{\max \;(h - {h^{{\rm{gt}}}})}}. \end{aligned}\right\} $

式中：w、h为预测框的宽和高，w^gt、h^gt为真实框的宽和高.

形状成本即从长宽来看，真实框的形状与预测框是否相似， $\theta $控制着对形状成本的关注程度.

4）IoU成本. 表达式如下：

(11) $ {\rm{IoU}} = \frac{{\left| {B \cap {B^{{\rm{gt}}}}} \right|}}{{\left| {B \cup {B^{{\rm{gt}}}}} \right|}}. $

式中：B表示预测框，B^gt表示真实框.

SIoU_Loss表达式为

(12) $ {L_{{\rm{box}}}} = 1 - {\rm{IoU}}+({{\varDelta +\varOmega }})/{2}. $

鉴于车底危险物的图像较少且目前没有公开的相关数据集，本研究使用自建的车底危险物数据集. 针对车底空间狭小且不易拍摄到完整车底图像的问题，首先，将汽车停在起降台上，使其升高一小段距离，再在车底放入不同的模拟危险物；其次，使用智能机器人小车搭载1080P超清摄像头进入车底拍摄；最后，采用AutoStitch图像拼接算法将机器人小车拍摄的碎片化图像拼接成一张完整的车底图像. AutoStitch图像拼接算法是目前广泛使用的拼接算法，该算法在原始图像拼接素材上，需要多幅图像之间有较大的重合区域. 机器人小车上装有Wi-Fi模块，能与手机上的App进行交互，在小车进入车底前，调整摄像头水平向上，小车每向前一次，通过手机上的App能看到车底的情况，这时按下拍摄按键，就能成功拍摄一张车底的碎片化图像. 由于须操控机器人小车进行拍摄，在拍摄过程中摄像头角度略有变化，这样会略微导致拼接出的图像产生边缘畸变^[21]，但边缘畸变的图像数量不多且模拟危险物的清晰度不受影响. 根据车长的不同，每辆汽车一般需要拍摄10~14张车底的碎片化图像. 由于是白天进行拍摄，阳光照射的强度会影响拍摄碎片化图像的亮暗，如图10所示，但拼接出的完整车底图像中的模拟危险物依旧清晰可见，如图11所示.

制作数据集期间共拍摄30000多张碎片化车底图像，拼接出2716张完整的车底图像，来自10辆不同车型的车底，有9类模拟危险物，分别为手套(glove)、剪刀(scissors)、老虎钳(pliers)、塑料瓶(plastic bottles)、刀(knife)、袋子(bag)、棍子(stick)、滚筒(drum)、螺丝刀(screwdriver)，其中剪刀、刀、螺丝刀用于模拟管制刀具危险物，塑料瓶、袋子用于模拟瓶中或袋中有不明物体危险物. 使用LabelImg标注软件对完整车底图像进行标注. 在实验前，随机划分训练集、验证集和测试集，分别包含2199、245和272张图像.

使用的评价指标^[22]有准确率（precision，P）、召回率（recall，R）、平均精度（average precision，AP）、平均精度均值（mean average precision，mAP）、参数量（parameter，Par）、权重大小（memory，Me）、每秒传输帧数（frames per second，FPS）. 准确率和召回率. 表达式如下：

(13) $ P = {{{\rm{TP}}}}/({{{\rm{TP}}+{\rm{FP}}}}), $

(14) $ R = {{{\rm{TP}}}}/({{{\rm{TP}}+{\rm{FN}}}}). $

式中： ${\rm{TP}}$表示实际为正且被预测为正的样本数量， ${\rm{FP}}$表示实际为负但被预测为正的样本数量， ${\rm{FN}}$表示实际为正但被预测为负的样本数量.

实验环境如下：操作系统Windows11；CPU AMD Ryzen 7 5800H with Radeon Graphics 3.20 GHz；内存大小16 GB；GPU Nvidia GeForce RTX 3070Ti；深度学习框架Pytorch 1.11.0；CUDA版本为11.5；本研究在设定图像预处理时采用Mosaic数据增强和Mixup数据增强；模型输入的尺寸为640×640×3；优化器采用Adam；batch_size为8；初始学习率设置为0.001；动量（momentum）等于0.937；总训练轮数为400轮.

利用SG-YOLOv5s网络模型对9类模拟危险物进行检测和识别，得到的平均精度（AP）如表2所示，不同类型车底的不同种类危险物检测效果如图12所示.

如表2所示，SG-YOLOv5s网络模型对9类模拟危险物检测的AP均高于90%，甚至对老虎钳检测的AP达到100%，检测效果较好. 如图12所示，SG-YOLOv5s对9类不同的模拟危险物在10种不同类型的车底均能检测出，且检测精度较高.

消融实验简单来说就是控制变量法，在目标检测中采用消融实验是为了验证改进思路的有效性和起作用方式. 如表3所示为SG-YOLOv5s网络模型消融实验结果分析，分为是否采用Mixup数据增强，是否采用Backbone网络改进，是否采用Neck网络改进，是否采用SIoU损失函数这4个部分. 表中，①是原有YOLOv5s模型，②是增加了Mixup数据增强，③是采用改进的Backbone网络加Mixup数据增强，④是采用改进的Neck网络加Mixup数据增强，⑤是采用改进的Backbone网络和Neck网络加上Mixup数据增强，⑥是SG-YOLOv5s网络模型，在⑤的基础上，将CIou换成SIoU. 表中，mAP_0.5表示IoU取值为0.5时计算出模型的mAP数值.

如表3所示，在自建数据集上，消融实验②与①的对比表明Mixup数据增强对于实验精度有略微的提升，提高了0.12%；消融实验③、④与②的对比，表明改进后的Backbone网络在精度上与原模型相当，而改进后的Neck网络相对原模型精度有所提高；消融实验⑤与②进行比较，准确率略有下降，召回率明显提升，改进的Backbone网络和Neck网络相结合，精度提高0.7%. 消融实验⑥与⑤相比，平均精度提高0.44%，表明SIoU损失函数比CIoU效果更好. 本研究提出的SG-YOLOv5s模型的参数量和权重体积与原模型相比均大大减少，在P、R、mAP_0.5上，SG-YOLOv5s模型分别提高了0.21%、3.88%、1.26%，均优于原始模型.

为了在SG-YOLOv5s网络模型检测精度和实时性方面做出尽可能的平衡，本研究在其他输入参数条件保持一致的情况下，对模型传入数据的尺寸进行改变，以便得出最优的传入图像数据规格，如表4所示. 可以看出，较小的输入图像尺寸会严重降低检测精度，并且导致模型的运算效率明显变缓. 因此选用640×640像素的图像作为输入尺寸较合理.

为了比较SG-YOLOv5s网络模型的检测效果，选择了一些常见的目标检测网络模型进行对比：Faster R-CNN^[23]、YOLOv3、YOLOv4^[24]、YOLOv5s、YOLOX^[25]、YOLOv7^[26]. 如表5所示为常见目标检测模型的性能对比. 可以看出， YOLOv5s、YOLOX-s和YOLOv7模型比Faster R-CNN、YOLOv3、YOLOv4的模型参数量都要小且精度更高，但其模型参数量和权重体积仍然过大，不适宜部署在边缘端侧. 本研究提出的SG-YOLOv5s模型，相较于其他主流模型，在参数量和权重大小上优势明显，虽然其识别速度略低于YOLOv5s的，但检测精度优势较大，比YOLOv5s模型的高1.26%，比YOLOX-s模型的高0.48%，更适合部署在边缘终端中使用.

为了更加直观地进行评价，将SG-YOLOv5s模型与原YOLOv5s模型对车底危险物的检测效果进行对比，如图13所示. 图中，左边为YOLOv5s的检测效果，右边为SG-YOLOv5s模型的检测效果. 第1排的对比图表明，SG-YOLOv5s模型对于车底危险物的检测精度更高；第2、3排的对比图表明，YOLOv5s的检测存在漏检的问题，而SG-YOLOv5s模型均检测出藏匿在车底的危险物；第4排的对比图表明，YOLOv5s模型存在检测目标的预测框定位不精准的问题，而SG-YOLOv5s模型则将2个危险物精确框出. 综上，SG-YOLOv5s模型在车底危险物检测中效果更好.

鉴于车底危险物检测模型精度低、参数多、权重体积大、难以在端侧部署的问题，提出SG-YOLOv5s网络模型，模型以YOLOv5s网络为基础，引入ShuffleNet v2和Ghost卷积模块来改进骨干和颈部，大大减少了网络的参数量，提高了检测精确性；在训练阶段采用Mixup数据增强，能够较好地提升网络的泛化能力；将定位损失函数CIoU替换成SIoU，使目标框回归变得更加稳定，提升模型预测准确度. 在自建车底模拟危险物数据集上进行训练和验证，结果表明，模型在检测精度提升1.26%的基础上，参数量减少了71.27%，模型大小仅为7.70 MB.

虽然模型的参数量已满足嵌入式系统上的部署要求，但模型的检测速度仍有较大的上升空间，后续也须在保证精度的同时加快模型检测速度，从而使模型更好地适应车底危险物现场检测需求，为边防检查、军事管理区、监狱、大型活动等提供安全且智能化的检测识别工具.