基于卷积神经网络的多尺度安检违禁品检测
发布时间：2021-02-19 03:17
X光安检图像中违禁品的自动检测有利于提高安检效率。随着卷积神经网络技术的快速发展,基于卷积神经网络（Convolutional Neural Network,CNN）的目标检测技术在自然场景图像中表现出强大的功能。与自然场景图像不同,X光安检图像具有杂乱性和目标尺寸多样等特点,这为X光安检图像中违禁品的自动检测增加了困难。为了能够有效的检测安检违禁品,本文提出了一种基于CNN的多尺度安检违禁品检测方法,具体研究内容如下:（1）搭建了多尺度安检违禁品目标检测网络。检测模型以Feature Fusion Single Multibox Detector（FSSD）作为基础网络框架。构建了低层特征图语义信息丰富模块,以应对小尺寸违禁品漏检问题。该模块由空洞卷积构成,用于增强低层特征图的语义信息。（2）解决了安检图像杂乱性带来的目标遮挡与网络收敛困难的问题。针对安检图像目标遮挡问题,提出了两种解决办法:加深特征提取网络深度并引入残差结构,提取更丰富的目标特征;基于层级精细化策略,滤除掉特征图中的无关信息。针对检测网络收敛困难问题,提出了优化训练策略:利用违禁品目标前景图像进行网络微调（fine...
【文章来源】：中国民航大学天津市
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
R-CNN工作流程示意图
中国民航大学硕士学位论文6标检测效果不好等问题。2017年，He等人在FasterR-CNN的基础上提出了MaskR-CNN[41]。MaskR-CNN的改进主要体现在检测精度方面。为了提高定位准确性，MaskR-CNN添加了对实例分割的关注，实例分割的添加解决了FasterR-CNN由于感兴趣区域池化层等比缩放过程中导致的空间量化较为粗糙而无法准确定位的问题。此外，MaskR-CNN提出的双线性插值[42-43]RoIAlign能够获得更准确的像素信息，提高了掩码的准确率。图1-1R-CNN工作流程示意图尽管two-stage型的检测网络在检测精度上不断提升并取得了可观的结果，但该类型的目标检测网络始终遵循“生成候选区域+特征提缺的思路实现目标的分类与定位。这种“分两步走”的算法必然会增加参数量和训练复杂度，为了解决“分两步走”检测算法带来的弊端，人们又提出了one-stage型目标检测网络。YOLO是于2015年由Redom[11]等人最早提出的one-stage型目标检测网络。YOLO算法的大致流程如图1-2所示：首先将整幅图像作为网络的输入，其次把整幅图像划分成S×S个网格，最后对每个物体中心落在这个网格上的物体进行位置回归和类别判定。YOLO用网格划分的方式代替了two-stage型网络中regionproposal的过程，虽精度有所下降但速度得到了提升。图1-2YOLO工作流程示意图为了能同时兼顾检测速度和检测精度，2016年Liu等人提出了SSD[13]算法。
，并在分类回归之前引入了残差模块，在SSD添加的辅助卷积层后又添加了反卷积层形成“宽-窄-宽”的“沙漏”结构。同样为了改进SSD的不足，Li等人于2017年提出FSSD[45]算法。FSSD算法在兼顾网络结构轻量化的同时提出了一种有效的特征融合方法来融合高层特征图和低层特征图从而提高对于小目标的检测。此外，基于SSD算法进行改进的还有DSOD[46]、R-SSD[47]等目标检测算法，它们分别在检测速度或检测精度上得到了提升。深度学习在目标检测中的应用，相较于传统目标检测方法而言，在检测精度和检测速度上都得到了显著的改善。图1-3defaultbox示意图1.2.3基于深度学习的X光安检违禁品识别现状鉴于深度学习技术特征提取能力的强大以及在各领域的快速发展，深度学习技术在X光安检违禁品识别领域也有了相应的尝试和发展。通过对前人工作的整理可以发现基于深度学习的安检违禁品自动识别可以分为违禁物品的自动分类、违禁物品的自动检测以及违禁物品的自动分割三个方面。2016年，Akay[48]等人最早将卷积神经网络技术应用于X光安检违禁品的自动分类中。该方法利用迁移学习[49]，通过将全连接层和卷积层等进行改进从而进行特征提娶特征表示并进行最后的分类。由于目前X光安检违禁品数据集有限，受此启发，2018年，Zhao[50]等人利用生成对抗网络技术通过生成X光安
【参考文献】：
期刊论文
[1]基于模糊-ANP的民航安检人员作业可靠性风险评估[J]. 王燕青,马越,李振. 安全与环境学报. 2014(05)
[2]X射线安检图像增强方法研究[J]. 杨晓刚,杨立瑞. CT理论与应用研究. 2012(04)
硕士论文
[1]X光安检图像处理方法研究[D]. 宋修竹.沈阳理工大学 2014
本文编号：3040523
【文章来源】：中国民航大学天津市
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
R-CNN工作流程示意图
中国民航大学硕士学位论文6标检测效果不好等问题。2017年，He等人在FasterR-CNN的基础上提出了MaskR-CNN[41]。MaskR-CNN的改进主要体现在检测精度方面。为了提高定位准确性，MaskR-CNN添加了对实例分割的关注，实例分割的添加解决了FasterR-CNN由于感兴趣区域池化层等比缩放过程中导致的空间量化较为粗糙而无法准确定位的问题。此外，MaskR-CNN提出的双线性插值[42-43]RoIAlign能够获得更准确的像素信息，提高了掩码的准确率。图1-1R-CNN工作流程示意图尽管two-stage型的检测网络在检测精度上不断提升并取得了可观的结果，但该类型的目标检测网络始终遵循“生成候选区域+特征提缺的思路实现目标的分类与定位。这种“分两步走”的算法必然会增加参数量和训练复杂度，为了解决“分两步走”检测算法带来的弊端，人们又提出了one-stage型目标检测网络。YOLO是于2015年由Redom[11]等人最早提出的one-stage型目标检测网络。YOLO算法的大致流程如图1-2所示：首先将整幅图像作为网络的输入，其次把整幅图像划分成S×S个网格，最后对每个物体中心落在这个网格上的物体进行位置回归和类别判定。YOLO用网格划分的方式代替了two-stage型网络中regionproposal的过程，虽精度有所下降但速度得到了提升。图1-2YOLO工作流程示意图为了能同时兼顾检测速度和检测精度，2016年Liu等人提出了SSD[13]算法。
，并在分类回归之前引入了残差模块，在SSD添加的辅助卷积层后又添加了反卷积层形成“宽-窄-宽”的“沙漏”结构。同样为了改进SSD的不足，Li等人于2017年提出FSSD[45]算法。FSSD算法在兼顾网络结构轻量化的同时提出了一种有效的特征融合方法来融合高层特征图和低层特征图从而提高对于小目标的检测。此外，基于SSD算法进行改进的还有DSOD[46]、R-SSD[47]等目标检测算法，它们分别在检测速度或检测精度上得到了提升。深度学习在目标检测中的应用，相较于传统目标检测方法而言，在检测精度和检测速度上都得到了显著的改善。图1-3defaultbox示意图1.2.3基于深度学习的X光安检违禁品识别现状鉴于深度学习技术特征提取能力的强大以及在各领域的快速发展，深度学习技术在X光安检违禁品识别领域也有了相应的尝试和发展。通过对前人工作的整理可以发现基于深度学习的安检违禁品自动识别可以分为违禁物品的自动分类、违禁物品的自动检测以及违禁物品的自动分割三个方面。2016年，Akay[48]等人最早将卷积神经网络技术应用于X光安检违禁品的自动分类中。该方法利用迁移学习[49]，通过将全连接层和卷积层等进行改进从而进行特征提娶特征表示并进行最后的分类。由于目前X光安检违禁品数据集有限，受此启发，2018年，Zhao[50]等人利用生成对抗网络技术通过生成X光安
【参考文献】：
期刊论文
[1]基于模糊-ANP的民航安检人员作业可靠性风险评估[J]. 王燕青,马越,李振. 安全与环境学报. 2014(05)
[2]X射线安检图像增强方法研究[J]. 杨晓刚,杨立瑞. CT理论与应用研究. 2012(04)
硕士论文
[1]X光安检图像处理方法研究[D]. 宋修竹.沈阳理工大学 2014
本文编号：3040523
本文链接：https://www.wllwen.com/guanlilunwen/xiangmuguanli/3040523.html
