改进YOLOv7的X光图像危险品检测算法

针对X光安检图像在危险品检测时背景复杂、遮挡严重、尺度多变等问题,对YOLOv7算法进行了改进,在提高检测精度的同时使网络更加轻量化。首先构建PS-ELAN模块替换原主干网络中的ELAN模块,减少网络计算量和内存占用,同时提升网络的特征提取能力。其次将无参注意力机制SimAM与可变形卷积DCNv2融合至颈部网络的下采样阶段,提高网络对X光图像危险品关键特征的捕捉能力。最后引入Dynamic Head模块,增强检测头的尺度感知、空间感知和任务感知,提高网络的检测性能。实验结果表明,改进后的算法在自制数据集和CLCXray数据集上的平均精度均值(mean average precision,mAP)比原YOLOv7模型分别提高了4.7个百分点和1.2个百分点,参数量和计算量分别下降了16.2%和23.1%。改进后的算法提高了检测能力,同时更为轻量化,可在实际安检中起到很好的辅助作用。

电梯场景下危险品检测方法研究

随着电梯附近危险品数量的增多,无形中增加火灾隐患,要在电梯场景下全面规划危险品检测内容指标,确保危险品的应用安全。本文详细介绍了电梯场景下危险品检测试验,设计流程包含搭建试验操作平台、明确评价指标、规范危险品数据特征等,并在全面了解危险品检测状态以后,提出多种危险品检测的有效方法,确保电梯运行安全。

基于目标极化特性的人体隐藏危险品检测方法

为解决在站开式距离的人体隐藏危险品检测问题,利用目标对雷达回波的退极化现象实现对枪支等金属物的远距离检测。通过测量待测对象的雷达的不同极化方向的回波并计算出检测参量,就可以据此判断待测对象是否携带有隐藏危险品。为验证该方法有效性,设计并研制了一套140 GHz宽带极化雷达,并进行了实验测量。实验结果表明:一方面,对于枪支,或者简易爆炸物等退极化效应显著的目标,系统具有较好的检测效果;另一方面,对于退极化效应不明显的目标的检测以及检测距离的增加会导致系统的虚警和漏警概率增大,从而降低检测性能。通过增大发射天线尺寸可以改善检测效果,并且通过检测参量的优化可以提高同等距离下检测性能。

基于SIFT特征和ISM的X射线图像危险品检测方法

针对行李安检时X射线图像中的危险品检测问题,提出一种基于尺度不变特征变换(SIFT)和隐式形状模型(ISM)的检测方法;首先,采集不同姿态的危险品X射线图像,并标注目标位置,构建训练数据集;然后,通过SIFT算法提取目标关键点,并以此构建目标的ISM模型;在检测过程中,将提取的目标SIFT描述符与ISM模型中的视觉描述符进行匹配,通过投票机制来判断目标是否为危险品;通过手枪和酒瓶的检测实验表明,该方法能够从X射线图像中准确检测出危险品,且对目标姿态变化具有鲁棒性。

一种基于X射线图像和特征曲线的危险品检测方法

目前,车站行李安检系统检测危险品主要依靠人眼观察安检仪监视器识别危险品,容易出现漏检、错检以及视觉疲劳等问题。为此,提出一种基于X射线图像和特征曲线的危险品检测方法,该方法依据X射线安检仪获得的平均有效原子序数将物体分为两大类:当物体的平均有效原子序数大于等于10时,对X射线图像采用小波将其分解为近似、水平、垂直和对角线方向的4个子图像,并分别采用不同的边缘检测算子进行边缘提取,然后进行小波重构和形态学后处理以提取完整目标轮廓,通过目标与标准危险品图像进行轮廓曲率角点匹配,实现危险品的形状检测;当平均有效原子序数小于10时,获取被检物体的高低能灰度值进行曲线拟合,并与标准危险品的特征曲线进行比较以判别是否存在危险品。实验结果表明,利用图像形状和高低能灰度特征曲线相结合的方式对旅客携带物品进行检测,可以较全面地检测出危险品。

太赫兹时域光谱在邮件隐匿危险品检测中的应用

随着电子商务的快速发展,邮件数量剧增,在邮件中隐匿危险品已经成为犯罪分子重要的犯罪手段,威胁公共安全和社会稳定。邮件的安全检查变得尤为重要,而常规的检测技术不能准确识别危险品。太赫兹波是介于红外和微波之间的电磁波,邮件中隐匿的爆炸物、毒品和有害生物因子等在太赫兹波段存在特征吸收光谱,而邮件常用的非极性包装材料可以被太赫兹波穿透。太赫兹波还具有低能性、相干性等特性,这些特性使得太赫兹技术可以实现邮件隐匿危险品高灵敏度的无损检测。文章介绍了太赫兹技术的特性,太赫兹时域光谱系统的组成和获取光学常数的菲涅尔公式解析法。该方法通过样品透射或反射信号和参考信号来获取包括吸收光谱在内的材料参数。将样品的太赫兹特征吸收光谱和已建立的各种危险品的光谱特征数据库进行比对,可以判断是否为危险品以及危险品种类。对爆炸物、毒品在太赫兹波段的特征吸收光谱的研究成果,及在各种非极性材料遮挡下吸收光谱的特异性的研究进展进行了总结。获取吸收光谱的解析法适用于较厚样品,针对薄样品,还介绍了一种P-谱法。该方法不需要参考信号就能准确获取覆盖物下样品的吸收光谱。除直接利用吸收光谱做检测外,近些年还提出了很多其他识别危险品的方法,如光谱动力学分析法,化学计量学方法和基于太赫兹时域光谱的成像分析法等。其中,光谱动力学分析法可以很好的区分吸收频率有重叠的物质;化学计量学方法可以对混合物进行成分的定性和定量分析;光谱成像法可以完成较大面积的隐匿危险品识别。分析了太赫兹时域光谱技术识别有害生物因子的可行性,以及针对有害生物因子携带量小的特点,总结了太赫兹时域光谱技术在提高生物因子检测灵敏度方面的研究进展。探讨了太赫兹技术在邮件安检应用中一些有待解决的问题,如太赫兹功率有限、受环境因素影响较大、缺乏统一的标准等,展望了未来的发展趋势。

改进注意力机制的电梯场景下危险品检测方法

针对电动自行车和煤气罐搭乘电梯引起的火灾隐患,提出一种改进注意力机制的电梯场景下危险品检测方法。以YOLOX-s为基线模型,首先在加强特征提取网络中引入深度可分离卷积替换标准卷积,提升模型的推理速度。然后提出一种基于混合域的高效卷积块注意力模块(ECBAM)并嵌入主干特征提取网络中。在ECBAM模块的通道注意力部分,使用一维卷积替换两个全连接层,既降低了卷积块注意力模块(CBAM)的复杂度又提高了检测精度。最后提出一种多帧协同算法,通过结合多张图片的危险品检测结果以减少危险品入侵电梯的误报警。实验结果表明:改进后模型比YOLOX-s的平均精度均值(mAP)提升了1.05个百分点,浮点计算量降低了34.1%,模型体积减小了42.8%。可见改进后模型降低了实际应用中的误报警,且满足电梯场景下危险品检测的精度和速度要求。

改进的YOLOv3安检包裹中危险品检测算法

针对目前的安检工作中检测效率较低的问题,提出一种改进的YOLOv3安检包裹中危险品检测算法,用于辅助安检人员完成安检工作,提升安检机的自动化和智能化。将YOLOv3中原来每个网格预测3个边界框减少到预测2个边界框,检测速度提升了约6%。利用K-means聚类根据数据集计算出先验框,平均精度均值提高了约1.13个百分点。为了解决样本量少的问题,采用数据增强方法,平均精度均值提升了约7.8个百分点。采用多尺度输入训练策略,不仅增强了模型检测不同尺度图像时的鲁棒性,而且平均精度均值提升了约1.22个百分点。

基于特征金字塔的X光机危险品检测算法

针对安检图像中小尺寸危险品检测效果差的问题,提出一种基于特征金字塔的X光机危险品检测算法。在单发多框检测器(single shot multibox detector,SSD)的基础上,通过构建特征金字塔,建立危险品的深层语义信息和浅层位置信息特征图,并引入可变形卷积以自适应地获取危险品的形状和尺度信息,提高网络对危险品特征的提取能力,实现对小尺寸危险品的有效检测。对比实验结果表明,该算法对手枪、飞镖和刀片等3种危险品的平均检测精度为94.2%,相比SSD算法提高了3.9%,对小尺寸危险品检测精度均有较大提升。

基于改进YOLOv5s的X光图像危险品检测

随着近年来交通系统越来越发达,人们出行越来越频繁,通过X光安检机对人们的包裹进行检查,已经成为预防危及公共安全事件的重要手段.目前,很多地方X光图像的危险品检测工作仍然由安检员人工进行,存在工作负荷大、效率低等问题.因此,利用现有的目标检测技术自动进行危险品检测非常必要.但X光图像危险品背景往往比较复杂,导致危险品自动检测精度不高.因此,本文提出一种改进的att_decouple_YOLOv5s模型,通过在YOLOv5s模型的特征融合部分引入卷积注意力机制(Convolutional Block Attention Module,CBAM),以加强相关特征信息、抑制背景信息;对模型的检测头部通过并行分支的方法进行解耦,解决分类和定位任务因为耦合在一起所产生的冲突问题.最后,在公共数据集pidray进行X光图像12类危险品检测实验,实验结果表明,所提模型的检测性能指标均值平均精度在IoU(Intersection over Union)阈值为0.5的情况下达到了88.1%,相比于YOLOv5s模型提升了2.8%;在IoU阈值为0.5到0.95的情况下,均值平均精度达到了76.6%,相比于YOLOv5s提升了4.3%;验证了本文改进算法的有效性.

一种车站危险品检测中的三维图像重建方法

图像重建是车站危险品检测过程中的重要环节,其结果直接关系到后续危险品的识别。为此提出了一种基于FDK算法的三维图像重建方法。该方法首先将X射线探测器得到的物体投影值,利用正弦函数对投影数据进行加权;然后对不同投影角度的投影数据进行水平方向的一维滤波,去除噪声和伪迹;最后沿X射线方向进行三维反投影。实验结果表明,该方法能更清晰地重建出物体。

基于深度学习的客滚船危险品检测技术

随着客滚船大型化发展,危险品查堵工作有了更大的挑战。应用深度学习的方法自建滚装车辆车厢扫描图像数据集并设计了图像分类模型代替人工检测滚装车辆车厢扫描图像中的潜在危险品,经过多轮次的训练迭代模型在检测任务上取得了非常高的准确率,论证了在实际应用场景中使用深度学习方法检测客滚船车载危险品的可行性。

危险品实时检测定位的Faster RCNN算法研究

为了提升安检过程的检测效率以及检测精度,基于Faster-RCNN检测算法,结合VGG-16理论,构建了一种能够实时检测危险品的检测器,结合实际安检采集的影像数据样本,通过深度学习网络对图像数据进行训练,进行数据验证分析,结果表明该检测器具有较高的验证精度,检测算法的精度以及检测效率均高于传统的检测算法,能够较为精准的定位危险品,本文给出的方法为实际安检过程提供了理论支撑及借鉴。

多尺度特征融合的安检图像危险品检测

现有的目标检测算法检测X光安检图像中较小尺寸的危险品精度较低,为此提出一种多尺度特征融合检测网络,即MFFNet(Multi-scale Feature Fusion Network),其以SSD检测模型为基础并采用更深的特征提取网络,即ResNet-101。通过跳跃连接的方式将网络的高层语义丰富特征与低层边缘细节特征进行融合,为小尺度危险品的检测添加上下文信息,可以有效提升对小尺度目标的识别与定位精度。将融合得到的新特征层与SSD扩展卷积层一起送入检测。实验结果表明,MFFNet能够使X光安检图像中的危险品特别是较小尺寸的危险品,检测精度得到较大的提升,同时能够保持相对较快的检测速度,满足现代化安检的要求。

一种基于YOLOv3的汽车底部危险目标检测算法

在公共安防领域,汽车底部潜藏的危险品危害性强,检测难度大.当前车底危险品检测主要通过模板匹配等传统目标检测技术进行检测,但存在检测速度慢、检测精度低的问题,为了能够更好地检测出藏匿于车底部位的危险品目标,提出一种改进的YOLOv3目标检测算法.该方法分别从多尺度图像训练、增加Inception-res模块和省去大尺度特征输出分支3个方面对YOLOv3网络进行改进.实验证明:在自制危险品数据集下,采用双数据集多尺度图像训练,网络的m AP值大约提高了0.9%,单张图像检测耗时大致不变;在3个支路分别增加相应Inception-res结构,网络的m AP值大约提高了1.5%,但是单张图像检测耗时却增加了原来的2.6倍;省去大尺度特征输出分支,网络的m AP值降低了0.3%,但是单张图像检测耗时也相应降低25.4%.通过结合上述方法对YOLOv3算法模型进行综合改进,选取双数据集多尺度图像训练的方式,同时省去大尺度特征输出分支,并在其他两支路增加相应Inception-res结构.这样在充分结合Inception-res结构优势的情况下,省去对检测耗时影响较大且对检测结果 m AP值影响较小的大尺度特征输出分支.实验测得改进网络m AP值大约提高2.2%左右,而单张图像检测耗时增加了0.014 s,在可接受范围内.且网络对于小尺寸目标识别效果明显增强,很好地满足了车底复杂背景危险品检测要求.

危险品包装检测实验室的规划布置设计

本文主要论述了建设高水平的危险品包装检测实验室,首先要重视从实验室整体规划布置设计入手;叙述了危险品包装检测实验室的仪器仪表布置形式和原则;叙述了危险品包装检测实验室按检测项目划分检测功能区的办法,有利于实验室布置的美观、实用和提高检测效率;还介绍说明了如何进行危险品检测实验室地面、包装试件运输搬运系统、水、电、气及控制线路布线等方案的设计。

我国危险品出口存在的风险及应对策略

近几年来,危险品国际贸易发生的危险事故频发,造成的损失巨大。我国是危险品出口大国,虽然针对危险品出口采取了一些风险防范措施,但并不能完全消除其出口风险的。本文通过对危险品出口中存在的不同国家关于危险品认定的风险、危险品瞒报及错误包装风险、危险品运输和仓储风险、危险品检测风险和危险品配套普通货物出口的风险进行分析,并在此基础上提出应对策略。

基于改进Faster R-CNN的X光安检图像检测识别研究

针对X光图像危险品检测精度低的问题,提出一种基于改进Faster R-CNN的图像检测识别方法。通过在Faster R-CNN中增加一个预分类头部,并采用RoIAlign替代RoIPooling,避免RoIPooling阶段二次量化误差。结果表明,所提的改进Faster R-CNN检测方法,可有效实现对X光图像中的危险品检测。相较于标准Faster R-CNN与常用目标检测模型SSD、YOLOv3、RetinaNet,所提方法的检测准确率和F 1分数值均得到不同程度的提升,分别达到92.65%和96.14,且具有更高的运行效率,识别正常图像的平均时长为0.01 s,识别异常图像的平均时长为0.18 s。

基于双向特征金字塔和残差网络的危化品运输车辆检测

危化品运输车辆的主要特征是车顶的危险标志和车牌下的危险品标志,这对于大多数目标检测算法来说检测起来比较困难.为了在提高检测精度的同时加快检测速度,本文提出了一种融合残差网络和双向特征金字塔网络的危化品车辆检测算法.首先通过对高速公路监控视频进行截取,制作危化品车辆数据集,然后通过残差网络进行特征提取,在本文中,使用循环残差模块替换残差块的中间卷积层.接下来通过双向特征金字塔网络进行特征融合,最后通过预测网络得到预测结果.在测试集上进行性能验证,结果显示本文模型的各项指标整体上均要优于其他网络,其中检测精度达到0.961,每秒可以检测43.5张图片,整体性能表现优异,达到了检测精度和速度的均衡.