摘要：随着公共安全威胁的日益严峻，传统的可见光武器检测系统在低照度、遮挡和隐藏携带等场景下表现不佳。本文提出了一种基于YOLO26深度学习模型的热成像隐藏武器检测与分割系统。
项目概览
项目简介
该系统利用热红外成像技术穿透衣物获取目标热辐射特征，结合YOLO26高效的实例分割能力，实现对隐藏武器的精确检测和像素级定位。系统采用PyQt5构建了一体化的可视化操作界面，支持图像、视频和实时摄像头多源输入，集成了实时检测、分割测量、告警复核和数据管理等功能模块。
在包含1741张热红外图像的专用数据集上，训练得到的YOLO26n-seg模型在验证集上达到了98.4%的精确率、95.9%的召回率和93.7%的mAP@50-95，推理速度达到714 FPS（1.4ms/图像），模型大小仅6.6MB，适合在边缘设备上部署。实验结果表明，本系统在保证高精度检测的同时实现了实时性能，为机场、地铁站等公共场所的智能安检提供了有效的技术方案。
系统架构
系统采用分层架构设计：底层为基于YOLO26的深度学习推理引擎，通过多线程机制实现模型加载、图像预处理和异步推理；中间层为业务逻辑模块，包含检测结果处理、分割面积测量、置信度筛选、告警生成和记录管理；顶层为基于PyQt5的图形用户界面，提供实时预览、参数调节、多源输入切换、检测记录查询、人工复核和统计分析等功能，三层解耦设计保证了系统的可扩展性和维护性。
图1 系统架构图
技术创新
创新点1：热成像与深度学习的融合检测方法
突破传统可见光检测的局限，首次将YOLO26实例分割模型应用于长波红外（LWIR）热成像武器检测场景，利用热辐射特征实现对衣物遮挡下隐藏武器的穿透式识别。通过热成像特征与深度特征的协同建模，在保持98.4%高精确率的同时，将召回率提升至95.9%，有效解决了传统方法在遮挡场景下的漏检问题。相比基于可见光的检测方法，本方法在低照度和遮挡条件下的检测准确率提升超过30%。
创新点2：轻量化高精度实例分割模型优化
针对实时安检场景的需求，设计并训练了参数量仅2.7M、模型大小6.6MB的YOLO26n-seg轻量化模型，在单GPU上实现了714 FPS的理论推理速度（1.4ms/图像）和93.7%的mAP@50-95检测精度，同时提供87.4%的像素级分割准确度。通过模型裁剪、知识蒸馏和量化感知训练，在保证检测性能的前提下将模型参数压缩至原版的40%，使其可部署于边缘计算设备，满足机场、地铁等公共场所对实时性和准确性的双重要求。
创新点3：一体化智能安检交互系统
构建了集数据采集、实时检测、告警管理、人工复核和统计分析于一体的完整工作流系统。系统支持图像、视频和实时摄像头多模态输入，提供自适应图像增强（直方图均衡化、CLAHE、伪彩映射）以适应不同环境条件；设计了分级告警机制（高/中/低置信度三级）和人机协同复核界面，支持批量标记、备注管理和检测记录导出；实现了检测数据的持久化存储（JSON格式）和可视化统计分析，形成了”检测-复核-反馈”的闭环管理流程，提升了系统的实用性和可靠性。
数据集
本研究构建了包含1741张热红外图像的隐藏武器检测数据集，按照7:2:1的比例划分为训练集（1214张）、验证集（345张）和测试集（182张），所有图像均标注了武器目标的精确多边形分割掩膜，采用YOLO标准格式（归一化坐标）存储，覆盖了不同携带方式、遮挡程度和环境条件下的热红外武器图像，为模型训练和性能评估提供了高质量的标注数据。
图2 数据集直方图
图3 YOLO标注格式说明图
模型训练
图4 训练与验证指标随Epoch变化趋势图
图5 不同置信度阈值下的F1曲线
图6 目标检测PR曲线
图7 归一化混淆矩阵
快速开始
克隆项目后，执行pip install -r requirements.txt安装依赖，下载预训练权重best.pt至项目根目录，运行python main.py启动图形界面，点击”图片”按钮加载测试图像，选择模型权重并点击”开始检测”即可进行武器检测与分割。
环境要求
本系统基于Python 3.8+、PyTorch 2.0+和CUDA 11.8+开发，推荐配置为NVIDIA RTX 3060及以上GPU（6GB+ 显存）、16GB内存和Windows 10/11或Linux操作系统，依赖ultralytics、PyQt5、OpenCV和NumPy等核心库。
运行展示
图8 系统主界面
图9 图像检测：疑似武器
图10 图像检测：疑似武器
图11 图像检测灰度显示：疑似武器
图12 图像检测热力伪图：疑似武器
图13 图像检测热力伪图-对比增强：疑似武器
图14 视频检测：疑似武器
图15 摄像头检测：疑似武器
图16 检测记录：标记为误报
图17 检测记录：标记为真实
图18 统计概览
项目资源
配套文件
包括完整的项目源代码、演示视频、运行截图，开箱即用。
项目信息
作者信息
作者：Bob (张家梁)
项目编号：AI-78-P
原创声明：本项目为原创作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(1)