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.