行李X光圖像中的違禁品識別與定位一直是智能安檢領域中亟待解決的問題。近年來,卷積神經網絡(Convolutional Neural Network,CNN)在圖像內容分析中展現(xiàn)出強大的性能,然而,目前適用于網絡訓練的安檢X光圖像數(shù)據集在樣本數(shù)量及樣本多樣性上存在較大的不足。為了建立一個大規(guī)模的安檢X光物品圖像數(shù)據集,本文提出一種基于生成對抗網絡(Generative Adversarial Network,GAN)的安檢X光物品圖像生成方法。主要研究內容如下:1)提出了安檢X光物品圖像預處理方法。首先,基于K近鄰摳圖算法和Cycle GAN模型,從采集到的安檢X光圖像中提取目標物品前景。然后,構建一個空間直角坐標系來表征X光圖像中物品的不同姿態(tài),并將這些姿態(tài)歸為4或8個類別。2)構建了適用于X光物品圖像的GAN模型。首先,在原始GAN模型的基礎上,從網絡結構、損失函數(shù)及參數(shù)設置三個方面進行改進。其次,采用Frechet距離(Frechet Inception Distance,FID)評價指標來衡量不同GAN模型的性能差異。然后,基于所構建的GAN模型生成了15類新的X光物品圖像,并且... 

【文章來源】：中國民航大學天津市

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【部分圖文】：

一些GDXray數(shù)據集中的圖像樣本SIXray，是由中國科學院大學團隊在2019年1月所公開的一個來源于真實

中國民航大學碩士學位論文組成，如圖 1-2 所示。相較于 GDXray 數(shù)據集，SIXray 數(shù)檢測算法的研究，很大程度上解決了數(shù)據缺乏的難題。S金屬類違禁品，然而，機場安檢中的違禁品定義更加嚴格禁品外還包含許多物品。例如液體物質、打火機等是不允傘、筆記本電腦等物品也需要進行進一步的人工檢查。此隨機擺放，由于遮擋等因素存在，X 光圖像中的違禁品可態(tài)。因此，有必要根據物品姿態(tài)差異系統(tǒng)地擴充數(shù)據集，足以完全滿足模型訓練的需求。

于 Cycle GAN 模型的前景提取法。高效地完成圖像前景提取任務。此像中物品的姿態(tài)多種多樣，使用 G些奇奇怪怪的形狀。為了解決這一將原始圖像數(shù)據集劃分為幾個小的像的視覺質量。圖像采集X 光圖像數(shù)據集并沒有系統(tǒng)地覆蓋礎生成新圖像并不能實現(xiàn)很好的數(shù)夠搜索獲取到的違禁品 X 光圖像數(shù)檢 X 光機拍攝了大量不同視角下的

【參考文獻】：
期刊論文
[1]基于圖像的幾何建模技術綜述[J]. 束搏,邱顯杰,王兆其.  計算機研究與發(fā)展. 2010(03)

碩士論文
[1]X射線安檢設備的行李圖像拼接[D]. 楊帆.東南大學 2016
[2]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：2939622