安检违禁品图像生成与评价网络模型研究

发布时间：2021-08-03 00:53

　　近年来,行李安检X光图像中违禁品自动检测任务受到了广泛的关注,这对维护公共交通安全,提升安检效率具有重要意义。随着深度学习的快速发展,基于卷积神经网络（Convolutional Neural Network,CNN）的安检X光违禁品自动检测的研究取得了不小的进展。然而带有违禁品的行李安检X光图像不易获得,这使得目前存在的安检X光图像数据集中的正样本很难训练出一个可靠的CNN模型。为解决安检X光图像数据集较小的问题,提出了一种基于生成式对抗网络（Generative Adversarial Network,GAN）模型的X光违禁品图像生成的方法。主要研究内容如下:1)构建了两个安检数据集:X光违禁品图像数据集和行李安检X光图像数据集,并对这两个安检数据集进行了预处理以及对其特点进行分析。2)构建了基于改进GAN模型的X光违禁品图像生成网络。通过改进GAN模型的网络结构以及损失函数,使得改进GAN模型能够适用于生成X光违禁品图像。结合真实安检数据集定性和定量分析,判断不同GAN模型的性能优劣。基于该模型生成了大量质量高多样性丰富的无背景X光违禁品图像,有背景X光违禁品图像和高分辨率行李安... 

【文章来源】：中国民航大学天津市

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

安检X光机实物图

中国民航大学硕士学位论文25的GAN模型进行定量的评估，FID分数越低，生成图像的质量和多样性越好，反之依然。3.3.2不同生成模型的实验结果如图3-5所示，对比了6个GAN模型生成的不同视觉质量的图像，其中以手枪和水果刀为例，并且为了方便视觉对比，都选择同一个方向的违禁品。图3-5不同GAN模型生成的图像第一个模型是深度卷积生成对抗网络(DCGAN)[33]。可以发现DCGAN生成的图像与真实图像相比，具有大量的噪声，没有纹理信息并且部分图像严重失真无法辨认。第二种模型是带有铰链损耗（Hinge）函数[66]的DCGAN。与DCGAN生成的图像相比，图像质量有较小的提高，但仍然存在噪声并且违禁品外形扭曲。第三种模型是SAGAN[35]，该模型生成的图像几乎没有噪声，但X光违禁物品图像的外形轮廓扭曲，并且生成的图像多样性较为单一。第四和第五种模型是WGAN-GP和WGAN-LP[34]，图像质量有所提高，纹理信息更加的丰富，外形轮廓更加合理，人们能够通过这些纹理信息和外形轮廓来判断违禁品的放置位置，但是部分违禁物品的图像边缘模糊。最后是改进GAN模型，与其他模型相比，改进的GAN模型生成图像的视觉质量有了明显提高。


本文编号：3318608