基于增量学习的安检X光图像违禁品检测

针对开放域的安检X光图像违禁品检测难题,在YOLOv8系列模型基础上,从模型结构、训练策略和损失函数三个角度创新性地融入增量学习算法。通过设计一种新颖的蒸馏损失函数,促使新模型从旧模型中保留旧类别信息的同时,学习新类别知识,抵抗灾难性遗忘。通过在PIDray和CLCXray两个公开的安检X光图像数据集上进行实验,其结果表明:增量训练后的YOLOv8系列模型在新类别数据上的平均识别精度均超过了70%,而在旧类别数据上的平均识别精度仅降低约10%,并且具有更高的训练效率。

面向安检X光图像的违禁物品语义分割与识别研究

针对安检X光图像中违禁物品大小不一、物品摆放随意且存在重叠遮挡的技术难题,提出了一种改进的HRNet多尺度特征融合网络模型,实现图像中违禁物品的自动分割与识别。在编码阶段,利用HRNet网络中的多分辨率并行网络架构,提取多尺度特征,解决安检X光图像违禁物品尺度多样化的问题。在解码阶段,提出一种多层级特征聚合模块,采用数据相关上采样方法减少信息丢失,并聚合编码阶段提取的特征,以对物品进行更完整表征。在网络整体架构中,嵌入基于注意力机制的去遮挡模块加强模型的边缘感知能力,缓解安检X光图像中物品重叠遮挡严重的问题,提高模型的分割识别精度。通过在PIDray安检图像公开数据集进行实验,结果表明,在Easy、Hard、Hidden 3个验证子集上分别取得了73.15%、69.47%、58.33%的平均交并比,相比原始HRNet模型,分别提升了0.49%、1.17%、5.69%,总体平均交并比提升约2.45%。

基于稠密高分辨率并联网络的安检X光图像分割

针对安检X光图像检测中违禁物品尺度差异大、杂乱无章且存在重叠遮挡现象的技术难题,对高分辨率网络(high-resolution network, HRNet)模型进行改进,同时融合去遮挡单元,提出了一种新的多尺度特征融合网络结构,实现安检X光图像中的违禁物品语义分割。在编码阶段,基于HRNet的多分支并联网络结构,设计了一种单分支内稠密连接的方式,增强深、浅层的信息融合,提取多尺度特征,解决安检X光图像违禁物品尺度多样化的问题。在网络整体架构中,融入基于注意力机制的去遮挡单元,加强模型的边缘感知能力,有效抑制安检X光图像中物品重叠遮挡对分割精度的影响。在PIDray安检图像公开数据集的Easy、Hard、Hidden三个验证子集上验证了所提方法的有效性。结果表明:该模型分别取得了74.69%、69.92%、56.77%的平均交并比,相比原始HRNet模型,分别提升了2.03、1.62、4.13百分点,总体平均交并比提升约2.59百分点。

基于卷积神经网络的安检X光图像违禁品多标签识别

在安全检查工作中,违禁品的检测与识别仍然过度依赖于安检员的视觉经验。如何自动判别出X光图像中存在的常见违禁品,进而辅助安检员进行决策,成为安检领域的一个亟待解决的问题。基于深度学习技术研究安检X光图像中的违禁品多标签识别方法。通过引入multi-hot向量标注法对安检X光数据集进行标注,迁移训练Darknet-53卷积神经网络实现对X光图像中违禁品的类别判定。实验结果表明,安检X光图像违禁品多标签识别平均精度达到了98%以上,满足现实安检场景下的应用需求。

优化YOLOv4算法的安检X光图像检测网络

针对目前安检场景中违禁品种类复杂、人工检查效率低易出错等问题,文章提出一种名为Res152-YOLO的网络架构,该架构基于YOLOv4(You Only Look Once)优化目标检测网络.为提高对X光图像中危险品的检测精度,Res152-YOLO采用ResNet-152网络代替原YOLOv4中的CSPDarknet-53网络,将改进后的ResNet残差网络与YOLOv4网络连接.实验中利用YOLOv4、Res152-YOLO等一系列网络在同一数据集上进行对比实验,分别比较上述网络的损失曲线、对各类危险品的检测性能以及各网络的总体性能.结果表明,Res152-YOLO网络在以上实验中性能优于原YOLOv4网络,并且满足安检设备的帧率要求.改进后的网络有效提高了安检的准确率,能够消除一定的安全隐患.

X光安检图像目标识别特性分析

X光扫描是对安检过程中通过的包裹进行违禁品检查的重要成像手段,而传统的人工识图方式具有效率低、易受主观因素影响等缺陷.为推动违禁品自动识别技术的发展,从数据、任务和方法 3个层面对X光图像识别特性递进分析.在数据层面,通过对X光与可见光的数据和数据集分别进行对比,揭示了X光安检图像在数据上的独特性.在任务层面,从数据特性、行业监管和实际业务要求等多个维度深入分析X光安检图像目标识别任务的复杂性.在方法层面,基于数据与任务特性,对现有X光安检图像目标识别的特定方法策略进行归类和简述.研究结果表明:X光安检图像目标识别技术需要应对数据特性导致的困境,适应行业监管的变化,处理安检对象特点的差异,以及满足细粒度的监管要求;在应对部分特性带来的挑战时,数据预处理、数据扩充、重叠遮挡处理和多视角融合等有效策略被提出,并存在可能的提升空间和拓展方向.研究结果能够为本领域研究人员提供参考和启发,以更好地满足持续变化的安检任务要求.

结合空洞卷积和迁移学习改进YOLOv4的X光安检危险品检测

由于X光安检图像存在背景复杂,重叠遮挡现象严重,危险品摆放方式、形状差异较大等问题,导致检测难度较高。针对上述问题,本文在YOLOv4的基础上,结合空洞卷积对其网络结构进行改进,加入空洞空间金字塔池化(Atrous Space Pyramid Pooling,ASPP)模型,以此增大感受野,聚合多尺度上下文信息。然后,通过K-means聚类方法生成更适合X光安检危险品检测的初始候选框。其中,模型训练时采用余弦退火优化学习率,进一步加速模型收敛,提高模型检测精度。实验结果表明,本文提出的ASPP-YOLOv4检测算法在SIXRay数据集上的mAP达到85.23%。该方法能有效减少X光安检图像中危险品的误检率,提高小目标危险品的检测能力。

八度卷积和双向门控循环单元结合的X光安检图像分类

针对主动视觉安检方法准确率低、速度慢,不适用于实时交通安检的问题,提出了八度卷积(OctConv)和注意力机制双向门控循环单元(GRU)神经网络相结合的X光安检图像分类方法。首先,利用八度卷积代替传统卷积,对输入的特征向量进行高低分频,并降低低频特征的分辨率,在有效提取X光安检图像特征的同时,减少了空间冗余。其次,通过注意力机制双向GRU,动态学习调整特征权重,提高危险品分类准确率。最后,在通用SIXRay数据集上的实验表明,对8000幅测试样本的整体分类准确率(ACC)、特征曲线下方面积(AUC)、正类分类准确率(PRE)分别为98.73%、91.39%、85.44%,检测时间为36.80 s。相对于目前主流模型,本文方法有效提高了X光安检图像危险品分类的准确率和速度。

基于感性工学的X光安检机造型设计研究

随着安检设备的普及,现有X光安检机的外观造型设计已不能满足用户的情感需求。为减少用户对X光安检机的抵触心理,提升产品的情感价值,结合感性工学理论确定了X光安检机外观造型的设计流程与方法,建立了X光安检机的意象语义与形态元素之间的对应关系,并根据典型形态元素进行创新设计,给出了设计实例,并验证了该方法的可行性。

基于改进Cascade RCNN网络的X光安检违禁品检测

针对X光安检违禁品检出率低下的问题,提出了一种基于改进Cascade RCNN网络的X光安检违禁品检测算法.该算法在网络结构上引入批特征擦除(batch feature erasing,BFE)模块.BFE模块通过随机擦除相同区域来增强局部特征学习,进而强化网络对剩余特征的学习表达.此外,针对检出率低下问题,在该算法中提出加权SD loss损失函数,该损失函数使用权重融合的方式将Smooth L1 loss与DIoU loss进行加权融合,通过改变权重比例系数,能够使目标检测结果更加准确,一定程度上提高了检出率.实验结果表明:在公开的X光安检违禁品数据集上,测试性能与原算法相比,改进Cascade RCNN网络对X光安检违禁品检出率增长了3.11%,改进算法的识别精度有一定的提高.

安检中X光断层扫描加速迭代算法研究

随着安检要求的日益提高,计算机断层扫描的安检方式正成为X光安检中越来越重要的部分。为了保证行李扫描的检测效率,加快断层扫描图像的迭代计算速度,提出了一种采用小波变换域取代图像空间来测算图像小波系数的估值方法。该方法以交替最小化算法为框架,在逼近系数时,创建一个替代函数,随着迭代次数的增加,基于同一标准的小波树得以更新扩展,每层的细节系数均更新,小波树也依此扩展,以此达到加速迭代的效果。实验结果表明,该方法比原交替最小化算法最大能减少66.7%的迭代运算次数。

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。

X光安检静像显示控制器

X光安检静像显示控制器采用先进的FPGA器件实现高可靠性信号处理电路,用RAM作存储载体,在微处理器MPU控制下实现安检对象的静像显示,有效提高了安检可靠性。

机场行李分拣及X光安检联动控制研究

针对机场行李分拣系统在集成X光集中安检系统时存在行李处理效率低及系统可靠性不足等问题,提出了一种行李分拣及X光安检联动控制方案。组态化设计了可靠性高的行李分拣及X光安检联动控制系统的硬件结构。深入研究了行李到位检测、集中安检控制时序关键问题。详细设计了具有较高处理效率的X光安检联动控制程序的整体流程,并在西门子SIMATIC STEP7 V5.4平台下进行了软件实现。研究表明该行李分拣及X光安检联动控制方案可行高效。

X光安检图像多尺度违禁品检测

安检是保障人民生命财产安全的第一道防线,智能安检是安检行业未来发展的必然趋势。X光安检图像存在背景复杂、违禁品尺度多样以及相互遮挡现象,导致传统的目标检测算法无法获得满意的效果。本文在一阶段目标检测网络SSD框架的基础上,提出了适用于X光安检图像多尺度违禁品检测网络——非对称卷积多视野神经网络ACMNet(Asymmetrical Convolution Multi-View Neural Network)。检测网络增加了三个模块:小卷积非对称模块(Asymmetrical Tiny Convolution Module,ATM)、空洞多视野卷积模块(Dilated Convolution Multi-View Module,DCM)、多尺度特征图融合策略(Fusion strategy of multi-scale feature map,MF)。ATM学习到的细节特征有助于小尺度违禁品的识别;DCM通过提供局部与全局之间的上下文特征信息来解决遮挡问题;MF则是通过融合高、低层特征图以提高模型在背景干扰情况下违禁品的检测精度。在仿真实验中,采用X光安检领域公开的数据集与自建的数据集,ACMNet在精确度上取得了令人满意的效果。

基于注意力机制的X光安检图像危险物品检测

针对X光行李安检系统中危险物品检测上存在的误检、漏检等问题,提出了一种有效利用上下文信息和增强特征表征能力的注意力融合网络(attention fusion network,AFN)。在YOLOv3-SPP架构上融合多压缩激活(multi-squeeze excitation,MSE)模块和多融合全局注意力(multi-fusion global attention,MFGA)模块,将特征提取网络提取的特征与MSE提取的通道信息融合,得到具备通道全局性的语义特征;将MFGA模块设置在各个检测网络分支,有效地融合具有深层特征的通道及空间信息,使多尺度特征具备3维全局性。在公开的SIXray数据集上进行测试表明,提出的方法有效提高了中等目标和大目标的检测精度和召回率,模型的精度均值为51.1%,比经典的YOLOv3-SPP算法提高了1.4百分点,证明了通道注意力和空间注意力可有效增强输入特征图中用于检测危险物品的细节信息,提高模型对中等目标和大目标的检测性能。

基于ScoreCAM的X光安检违禁品检测

针对X光安检违禁品检测依赖数据标注,存在多姿态变化且小目标不易检出的问题,改进ResNet50网络,提出基于弱监督机制的X光安检违禁品检测模型。通过ScoreCAM算法,依靠图片类别标签实现可视化和违禁品定位,结合可变形卷积和空洞卷积,设计4种在主干网络不同位置添加可变形空洞卷积模块的网络结构,使卷积核的形态更贴近违禁品轮廓,提高违禁品特征的提取能力。仿真结果表明,该模型结果更加准确,能有效应对违禁品目标多姿态变化、遮挡、小目标漏检的技术难题。

基于深度学习的X光安检图像智能识别设备的设计与实现

X光安检机被广泛应用于轨道交通、物流、民航、海关、重大安保等场合,用于检查行李包裹中的违禁品和限带品。目前X光安检图像的判图工作仍然完全依赖人工,在地铁、快递等高流量场景下,由于安检员判图经验参差不齐、工作强度大、疲劳和注意力涣散等因素,往往会发生漏检现象。本设计使用带有GPU的专用计算机,通过深度学习技术对X光安检图像进行智能判图,具有准确高效、稳定可靠、可提供安检信息化、智能化和大数据分析等诸多优点。该技术和相关软硬件产品可应用在使用X光安检机的各种场合。

X光安检数据集类别相互影响可视化分析方法

本文从特征可视化角度对数据集分类对识别精度的影响进行了研究,探索一种可行的针对X光数据集分类问题的分析方法。由于X光成像的特殊性有些类别物品比在自然光下图片中更难以分辨,分类是否合理对模型的表现有较大的影响,因此,有必要研究数据集分类合理性的分析方法。

基于图像分割的X光安检违禁品检测方法研究

本文提出了一种基于图像分割的X光安检违禁品检测方法,以提升安检的效率与准确性。文章首先指出了传统人工检测的不足,并介绍了X光安检的物理原理及图像处理技术。通过图像预处理、分割、边缘检测与特征识别等步骤,该方法能够有效识别行李中的违禁品。实验结果显示,该方法准确率达到86.02%。未来的研究将致力于优化算法,增强其鲁棒性和识别效率。