香港研发成功快速检测物品是否含毒的新方法

香港城市大学生物及化学系近日利用化学传感技术，研发出可快速检测物品是否含有有毒物质的新方法。这种方法使用一种特制的分子聚合材料，

引入CoordConv卷积的管制物品检测网络设计

检测小目标的管制物品的检测算法存在效果不佳的问题。为解决这个问题,本文提出了一种改进的YOLOv5管制物品检测算法。首先在网络中引入CoordConv模块,使得网络可以表征特征图像素点的坐标,然后在网络中引入C2f模块,使得网络在不同尺度上同时利用细节信息和语义信息,提高网络的特征提取能力和感受野。算法的性能验证结果表明,本文算法相比于YOLOv5算法,在Easy、Hard和Hidden测试集上的mAP@.5:.95分别提高了2.5%、1.8%和4.4%,说明本文算法的检测精度较高。

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。

一种基于神经网络对物品检测系统的设计

提出一种基于神经网络对物品检测系统设计的方案,分析了神经网络模型的特征以及物品检测系统的要求,从而设计出了由图像特征分析和神经网络分类组合构成的智能检测系统结构模型,并通过训练和测试证明了该设计方案的合理性.

基于深度卷积神经网络的物品检测研究

设计了一种物品检测深度卷积神经网络,应用于物流分拣传输过程中物品检测。分析了深度卷积神经网络的结构及其在图像特征提取和信息降维方面的作用;设计了由卷积层、池化层、激活函数层和全连接网络层组成的物品检测深度卷积神经网络;构建了由300幅图像和标注结果组成的样本库,抽取60%的样本作为网络训练样本集,其余40%样本平均分成两组,其中一组作为网络训练过程中验证样本,另一组作为对训练好网络进行性能验证的测试样本;在设定网络参数的基础上进行网络的训练和测试;通过分析网络训练过程中各层的输出,发现所设计的网络可以很好地实现图像中所含物品特征的检测;网络训练过程验证精度可达100%,测试正确率可达98.33%。由此可知深度卷积神经网络性能良好,可用于物流分拣生产中的物品检测。

香港研发成功快速检测物品是否含毒的新方法

香港城市大学生物及化学系近日利用化学传感技术，研发出可快速检测物品是否含有有毒物质的新方法。这种方法使用一种特制的分子聚合材料，最快一分钟内就可检出包括食品在内的样本是否含农药、污染物质或其他毒素。

基于被动太赫兹成像技术的隐匿物品检测分析

结合被动太赫兹成像对人体隐匿物品检测的模型,推导出几种常见违禁物品在隐匿条件下与人体的辐射对比度和衣物透射率之间的关系,并结合相关数据从理论上论证被动太赫兹波成像技术对隐匿物品探测的可行性。

基于RFB网络的特征融合管制物品检测算法研究

为了提高对管制物品的检测精度,本文提出一种结合RFB(receptive field block)网络结构和特征融合的目标检测算法。首先对采集的安检数据进行无效内容剔除、滤波;接着对安检数据进行人工标注和数据增强;然后在MobileNetV3-SSD算法的基础上,通过引入RFB网络改进其网络结构,以加强网络的特征提取能力,并利用特征融合的方法提高模型的小目标检测能力;最后,构建了一个安检数据集SCCI2020来验证算法的性能,该数据集包含91767张图片。实验结果表明,本算法在安检数据集SCCI2020上的检测精度为87.0%,比MobileNetV3-SSD算法的检测精度高2.7个百分点;在COCO2014和COCO2017通用数据集上的检测精度分别为21.9%和23%,相对于VGG16-SSD、MobileNetV3-SSD算法均有一定提升。

一种用于主动式毫米波图像的低复杂度隐匿物品检测方法（英文）

主动式毫米波成像(AMWI)技术是检测隐藏在衣服下的危险物体的有效方法.但AMWI获取的图像通常很模糊,而且一些隐匿物体的尺寸较小,因此隐匿物品的自动检测和定位仍然是一个具有挑战性的问题.姚家雄等[1]首先使用卷积神经网络(CNNs)结合穷举滑动窗口方法来检测隐藏物体.做了两点改进:(1)使用上下文(背景)信息抑制干扰,(2)使用两步搜索方法代替穷举搜索来降低计算复杂度.首先在垂直方向上使用一个CNN来过滤干扰,得到隐藏物体的垂直位置,然后用另一个CNN来确定水平位置.为了充分利用上下文信息,使用IoG(交集和真值的比)代替IoU(交并比)来定义训练和测试过程中的正负样本.实验结果表明,该方法将计算时间减小到约30%,同时实现更好的检测性能.

旋转框定位的多尺度再生物品目标检测算法

针对传统目标检测算法未考虑实际分拣场景目标物形态尺度的多样性,无法获取旋转角度信息的问题,提出基于YOLOv5的改进算法MR;-YOLOv5.通过添加角度预测分支,引入环形平滑标签(CSL)角度分类方法,完成旋转角度精准检测.增加目标检测层用于提升模型不同尺度检测能力,在主干网络末端利用Transformer注意力机制对各通道赋予不同的权重,强化特征提取.利用主干网络提取到的不同层次特征图输入BiFPN网络结构中,开展多尺度特征融合.实验结果表明,MR;-YOLOv5在自制数据集上的均值平均精度(mAP)为90.56%,较仅添加角度预测分支的YOLOv5s基础网络提升5.36%;对于遮挡、透明、变形等目标物,均可以识别类别和旋转角度,图像单帧检测时间为0.02~0.03 s,满足分拣场景对目标检测算法的性能需求.

融合空间注意力的自适应安检违禁品检测方法

针对X光安检场景违禁品检测精度低,存在误检和漏检的问题,在Cascade R-CNN基础上,提出一种融合空间注意力的自适应安检违禁品检测方法 XPIC R-CNN。在ResNet50中引入可形变卷积作为主干网络,自适应地学习不同尺寸的违禁品特征;结合可形变卷积的空间稀疏采样优势和自注意力机制强大的元素间关系建模能力,提出一种空间自适应注意力模块,有效地抑制复杂背景的噪音干扰;提出一种多尺度自适应候选区生成网络,使用语义特征去指导锚框的生成,提高候选框的质量以提升网络的召回率;在级联检测器中引入在线难例挖掘训练策略,解决正负样本不均衡和小样本训练困难的问题。实验结果表明,XPIC R-CNN在数据集SIXray_PI上的平均检测精度为94.5%,召回率为77.4%,比原始算法分别提升了3.2和8.2个百分点,最高漏检率仅有10%。

一种被动毫米波图像中人体隐匿物品的检测方法

根据被动毫米波图像的特点,需要设计一种适应并且有效的被动毫米波图像中人体隐匿危险物品的检测方法。该文提出了一种被动毫米波图像中人体隐匿物品的检测方法,首先,对原始被动毫米波图像进行预处理,通过插值重建后,采用三次迭代增强方法进行图像增强,获取处理后的被动毫米波图像,以使被动毫米波图像目标与背景进行明显区分;然后,通过对人体是否存在进行预判断,若存在则进行人体目标检测,获取人体区域;最后,采用两次迭代分割的方法对人体区域内的隐匿物品进行检测,并对检测到的隐匿物品区域进行标记。实验结果表明,该方法能有效地检测出被动毫米波图像中的人体隐匿物品,具有较高的准确性。

一种遗留物品检测算法在分布式模型中的应用

遗留物品的视频检测是人工智能和模式识别领域的一个重要的研究课题,本文提出了一种基于区域信息的算法来检测视频中的遗留物品。该算法由三个步骤所组成:通过构建并更新一个双重方向的背景模型来获取和维持视频中的静止物体;使用mean-shift算法跟踪视频中每一个移动的行人;使用基于像素级别的区域信息对遗留物品进行检测。同时将该算法在一个分布式的实时视频检测模型中得以实现。实验结果表明,该算法在多种不同的实验视频场景中可以快速且精确地检测出视频中出现的遗留物品。并且本文提出的分布式模型与集中式模型相比,更适用于大规模的实时视频自动化监控和检测。

基于全卷积网络的X光图像违禁物品检测方法

针对安检通道中人工检测违禁物品导致效率低的问题,提出一种基于全卷积网络改进的X光图像违禁物品检测方法。采用单阶段检测算法提高计算速度和简化模型,实现无锚框情况下的逐像素检测;构建双向特征金字塔进行多尺度融合,一定程度上解决物品重叠的问题并降低漏检率;改进损失函数实现高效的模型训练,减少内存占用和低质量的计算。实验结果表明,所提算法能够在民航安检应用中实现准确、高效的智能X光图像中违禁物品的检测。

基于改进的Adaboost和LBP危险物品检测算法研究

针对目前由于环境亮度、光照等多种干扰因素影响,导致对危险物品检测正确率下降的问题,提出一种利用Adaboost和LBP的危险物品检测改进算法,实现了提高正确率和快速识别的目的。该改进算法在训练阶段加入对正样本的HSV颜色空间分类,从而提高了级联分类器的检测效率,同时结合改进的LBP算法进行特征值的提取。相比于传统的物体检测方法,将检测正确率提高了2个百分点,达到93.29%。最后将该算法移植到救援机械臂工作平台,实验结果表明,该改进检测算法在实际环境检测中能够准确、快速地识别危险物品,训练效率明显,同时在不同光照亮度条件下具有良好的鲁棒性,满足实用性要求。