论文部分内容阅读
包裹行李的安全检查在维护社会稳定和保障人民生命财产安全方面发挥重要的作用。当前,对包裹行李的安全检查主要是由经过专业培训的安检人员肉眼查看包裹行李在X光扫描装置下的图像判定,容易受干扰而且效率不高。而当前社会中包裹数量急剧增加,给安检带来巨大的压力。包裹行李数据的特点是物品种类多、尺寸跨度大;而且因为包裹空间的限制,通常各种物品高度重叠且摆放角度不同,显示在图像上则产生严重的遮挡、形变等问题,检测难度较大。针对当前目标检测算法在检测X光图像时存在的不足,本文从强化特征提取、语义信息复用和优化损失函数等方面进行了研究。主要工作如下:(1)设计了一种更高效的轻量化卷积神经网络PSMnasNet。本文受密集金字塔结构的启发对MnasNet网络的卷积核进行了改进,构建具有多尺度特征提取能力的卷积模块PSBottleneck。在CINIC-10数据集中的实验表明,PSMnasNet网络对低分辨率图像的分类精度提升了13.34%,网络的参数量也仅有原来的1/3左右。(2)提出了一种用于密集目标检测的Crowd-YOLOv3算法。本文对Faster R-CNN和YOLOv3算法进行了研究和测试,验证将目标检测算法应用于包裹安全检查的可行性和可靠性,并比较两种方法在X光限制物品图像数据集中的性能和不足。然后结合数据集的特点,对其中性能更好的YOLOv3算法采用强化主干网络的特征提取能力、构建多尺度特征融合、优化损失函数等方法进行优化,提出了Crowd-YOLOv3算法。实验表明,改进的方法具有明显效果,Crowd-YOLOv3算法在X光限制品图像数据集中的平均检测精度为70.5%mAP,检测速度为21.1FPS,比YOLOv3算法相比,平均检测精度提升了6.3%,速度减少了1.6FPS。(3)构建了一种基于轻量化网络的目标检测算法。为了进一步提升限制物品的检测速度,扩展实际的应用场景,本文构建了基于轻量化网络的目标检测算法。算法采用PSMnasNet网络作为主干网络,然后在SSDLite模型中引入尺度变换方法构建STSSDLite模型,将深层特征图中的语义信息复用至浅层特征图中,最后将PSMnasNet网络和ST-SSDLite模型组合。实验结果表明,PSMnasNet-ST-SSDLite算法取得了38.8%mAP的平均检测精度,检测速度为30.6FPS。