發(fā)布時(shí)間：2021-02-19 03:17

　　X光安檢圖像中違禁品的自動(dòng)檢測有利于提高安檢效率。隨著卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的快速發(fā)展,基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）的目標(biāo)檢測技術(shù)在自然場景圖像中表現(xiàn)出強(qiáng)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(biāo)尺寸多樣等特點(diǎn),這為X光安檢圖像中違禁品的自動(dòng)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(biāo)檢測網(wǎng)絡(luò)。檢測模型以Feature Fusion Single Multibox Detector（FSSD）作為基礎(chǔ)網(wǎng)絡(luò)框架。構(gòu)建了低層特征圖語義信息豐富模塊,以應(yīng)對小尺寸違禁品漏檢問題。該模塊由空洞卷積構(gòu)成,用于增強(qiáng)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(biāo)遮擋與網(wǎng)絡(luò)收斂困難的問題。針對安檢圖像目標(biāo)遮擋問題,提出了兩種解決辦法:加深特征提取網(wǎng)絡(luò)深度并引入殘差結(jié)構(gòu),提取更豐富的目標(biāo)特征;基于層級精細(xì)化策略,濾除掉特征圖中的無關(guān)信息。針對檢測網(wǎng)絡(luò)收斂困難問題,提出了優(yōu)化訓(xùn)練策略:利用違禁品目標(biāo)前景圖像進(jìn)行網(wǎng)絡(luò)微調(diào)（fine... 

【文章來源】：中國民航大學(xué)天津市

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

R-CNN工作流程示意圖

中國民航大學(xué)碩士學(xué)位論文6標(biāo)檢測效果不好等問題。2017年，He等人在FasterR-CNN的基礎(chǔ)上提出了MaskR-CNN[41]。MaskR-CNN的改進(jìn)主要體現(xiàn)在檢測精度方面。為了提高定位準(zhǔn)確性，MaskR-CNN添加了對實(shí)例分割的關(guān)注，實(shí)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(dǎo)致的空間量化較為粗糙而無法準(zhǔn)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(zhǔn)確的像素信息，提高了掩碼的準(zhǔn)確率。圖1-1R-CNN工作流程示意圖盡管two-stage型的檢測網(wǎng)絡(luò)在檢測精度上不斷提升并取得了可觀的結(jié)果，但該類型的目標(biāo)檢測網(wǎng)絡(luò)始終遵循“生成候選區(qū)域+特征提缺的思路實(shí)現(xiàn)目標(biāo)的分類與定位。這種“分兩步走”的算法必然會(huì)增加參數(shù)量和訓(xùn)練復(fù)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(biāo)檢測網(wǎng)絡(luò)。YOLO是于2015年由Redom[11]等人最早提出的one-stage型目標(biāo)檢測網(wǎng)絡(luò)。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(luò)的輸入，其次把整幅圖像劃分成S×S個(gè)網(wǎng)格，最后對每個(gè)物體中心落在這個(gè)網(wǎng)格上的物體進(jìn)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(luò)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(shí)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(jié)構(gòu)。同樣為了改進(jìn)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(luò)結(jié)構(gòu)輕量化的同時(shí)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(biāo)的檢測。此外，基于SSD算法進(jìn)行改進(jìn)的還有DSOD[46]、R-SSD[47]等目標(biāo)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(xué)習(xí)在目標(biāo)檢測中的應(yīng)用，相較于傳統(tǒng)目標(biāo)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(xué)習(xí)的X光安檢違禁品識(shí)別現(xiàn)狀鑒于深度學(xué)習(xí)技術(shù)特征提取能力的強(qiáng)大以及在各領(lǐng)域的快速發(fā)展，深度學(xué)習(xí)技術(shù)在X光安檢違禁品識(shí)別領(lǐng)域也有了相應(yīng)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(xué)習(xí)的安檢違禁品自動(dòng)識(shí)別可以分為違禁物品的自動(dòng)分類、違禁物品的自動(dòng)檢測以及違禁物品的自動(dòng)分割三個(gè)方面。2016年，Akay[48]等人最早將卷積神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于X光安檢違禁品的自動(dòng)分類中。該方法利用遷移學(xué)習(xí)[49]，通過將全連接層和卷積層等進(jìn)行改進(jìn)從而進(jìn)行特征提娶特征表示并進(jìn)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(luò)技術(shù)通過生成X光安

【參考文獻(xiàn)】：
期刊論文
[1]基于模糊-ANP的民航安檢人員作業(yè)可靠性風(fēng)險(xiǎn)評估[J]. 王燕青,馬越,李振.  安全與環(huán)境學(xué)報(bào). 2014(05)
[2]X射線安檢圖像增強(qiáng)方法研究[J]. 楊曉剛,楊立瑞.  CT理論與應(yīng)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(xué) 2014



本文編號(hào)：3040523