X光安檢圖像中違禁品的自動檢測有利于提高安檢效率。隨著卷積神經(jīng)網(wǎng)絡技術的快速發(fā)展,基于卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network,CNN）的目標檢測技術在自然場景圖像中表現(xiàn)出強大的功能。與自然場景圖像不同,X光安檢圖像具有雜亂性和目標尺寸多樣等特點,這為X光安檢圖像中違禁品的自動檢測增加了困難。為了能夠有效的檢測安檢違禁品,本文提出了一種基于CNN的多尺度安檢違禁品檢測方法,具體研究內(nèi)容如下:（1）搭建了多尺度安檢違禁品目標檢測網(wǎng)絡。檢測模型以Feature Fusion Single Multibox Detector（FSSD）作為基礎網(wǎng)絡框架。構建了低層特征圖語義信息豐富模塊,以應對小尺寸違禁品漏檢問題。該模塊由空洞卷積構成,用于增強低層特征圖的語義信息。（2）解決了安檢圖像雜亂性帶來的目標遮擋與網(wǎng)絡收斂困難的問題。針對安檢圖像目標遮擋問題,提出了兩種解決辦法:加深特征提取網(wǎng)絡深度并引入殘差結構,提取更豐富的目標特征;基于層級精細化策略,濾除掉特征圖中的無關信息。針對檢測網(wǎng)絡收斂困難問題,提出了優(yōu)化訓練策略:利用違禁品目標前景圖像進行網(wǎng)絡微調(diào)（fine... 

【文章來源】：中國民航大學天津市

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

R-CNN工作流程示意圖

中國民航大學碩士學位論文6標檢測效果不好等問題。2017年，He等人在FasterR-CNN的基礎上提出了MaskR-CNN[41]。MaskR-CNN的改進主要體現(xiàn)在檢測精度方面。為了提高定位準確性，MaskR-CNN添加了對實例分割的關注，實例分割的添加解決了FasterR-CNN由于感興趣區(qū)域池化層等比縮放過程中導致的空間量化較為粗糙而無法準確定位的問題。此外，MaskR-CNN提出的雙線性插值[42-43]RoIAlign能夠獲得更準確的像素信息，提高了掩碼的準確率。圖1-1R-CNN工作流程示意圖盡管two-stage型的檢測網(wǎng)絡在檢測精度上不斷提升并取得了可觀的結果，但該類型的目標檢測網(wǎng)絡始終遵循“生成候選區(qū)域+特征提缺的思路實現(xiàn)目標的分類與定位。這種“分兩步走”的算法必然會增加參數(shù)量和訓練復雜度，為了解決“分兩步走”檢測算法帶來的弊端，人們又提出了one-stage型目標檢測網(wǎng)絡。YOLO是于2015年由Redom[11]等人最早提出的one-stage型目標檢測網(wǎng)絡。YOLO算法的大致流程如圖1-2所示：首先將整幅圖像作為網(wǎng)絡的輸入，其次把整幅圖像劃分成S×S個網(wǎng)格，最后對每個物體中心落在這個網(wǎng)格上的物體進行位置回歸和類別判定。YOLO用網(wǎng)格劃分的方式代替了two-stage型網(wǎng)絡中regionproposal的過程，雖精度有所下降但速度得到了提升。圖1-2YOLO工作流程示意圖為了能同時兼顧檢測速度和檢測精度，2016年Liu等人提出了SSD[13]算法。

，并在分類回歸之前引入了殘差模塊，在SSD添加的輔助卷積層后又添加了反卷積層形成“寬-窄-寬”的“沙漏”結構。同樣為了改進SSD的不足，Li等人于2017年提出FSSD[45]算法。FSSD算法在兼顧網(wǎng)絡結構輕量化的同時提出了一種有效的特征融合方法來融合高層特征圖和低層特征圖從而提高對于小目標的檢測。此外，基于SSD算法進行改進的還有DSOD[46]、R-SSD[47]等目標檢測算法，它們分別在檢測速度或檢測精度上得到了提升。深度學習在目標檢測中的應用，相較于傳統(tǒng)目標檢測方法而言，在檢測精度和檢測速度上都得到了顯著的改善。圖1-3defaultbox示意圖1.2.3基于深度學習的X光安檢違禁品識別現(xiàn)狀鑒于深度學習技術特征提取能力的強大以及在各領域的快速發(fā)展，深度學習技術在X光安檢違禁品識別領域也有了相應的嘗試和發(fā)展。通過對前人工作的整理可以發(fā)現(xiàn)基于深度學習的安檢違禁品自動識別可以分為違禁物品的自動分類、違禁物品的自動檢測以及違禁物品的自動分割三個方面。2016年，Akay[48]等人最早將卷積神經(jīng)網(wǎng)絡技術應用于X光安檢違禁品的自動分類中。該方法利用遷移學習[49]，通過將全連接層和卷積層等進行改進從而進行特征提娶特征表示并進行最后的分類。由于目前X光安檢違禁品數(shù)據(jù)集有限，受此啟發(fā)，2018年，Zhao[50]等人利用生成對抗網(wǎng)絡技術通過生成X光安

【參考文獻】：
期刊論文
[1]基于模糊-ANP的民航安檢人員作業(yè)可靠性風險評估[J]. 王燕青,馬越,李振.  安全與環(huán)境學報. 2014(05)
[2]X射線安檢圖像增強方法研究[J]. 楊曉剛,楊立瑞.  CT理論與應用研究. 2012(04)

碩士論文
[1]X光安檢圖像處理方法研究[D]. 宋修竹.沈陽理工大學 2014



本文編號：3040523