国家综合立体公共交通设施的普及和快递物流运输行业的繁荣给国民生活带来了极大的便利,也存在着巨大的安全隐患,非接触式的安全检测是保障社会公共安全的关键举措。传统的安检方式严重依赖于人工检测,人力成本高,且容易受到环境和主观精神因素的影响,导致漏检、误报的安全隐患。结合深度学习为代表的人工智能技术,研究和开发出能够快速自动检测X光安检图像中的危险品的算法和系统能有效提高安检的安全性和可靠性,为构建公共服务的安全体系提供坚实保障,助力智慧交通建设。本文致力于X光安检图像危险品检测的算法研究和系统实现,主要从提高精度和轻量化两个不同维度分别对X光安检图像危险品检测算法性能的提高进行了理论研究,并最终开发了相关的智慧安检系统将检测网络实际部署到安检设备中,实现了设备终端的实时检测和数据管理。本文的主要内容包括以下几点:1.提出了对称三角检测算法:针对X光安检图像特点,从理论分析和对比实验探讨了anchor-free机制在安检任务中的优势和适用性,并提出了基于anchorfree的对称三角检测网络。同时,提出了对称三角金字塔模块有效地整合了不同尺度特征图的语义和空间位置信息,并采用分层独立预测方式缓解了重叠问题,提高了网络多尺度检测的能力。通过本文收集构建的DE数据集和公开数据集的实验结果证明,本算法能有效提高检测精度。2.提出了轻量级目标检测算法light R-CNN:该算法在骨干网络引入残差分支特征提取模块扩大了感受野和保留更多浅层特征,增强了骨干网络的特征提取能力。同时,提出的多尺度特征融合模型结合深度可分离卷积在只需要很小的计算成本就充分整合了不同尺度的特征图信息。最后压缩和优化了检测头结构并提出了分离通道自注意力模块去优化了特征分布和提高网络对前景位置的敏感性。该算法实现了准确性和网络复杂性的平衡,适合在资源受限的安检设备中部署和应用。3.开发X光安检图像危险品智能检测系统:该系统基于轻量级目标检测网络light R-CNN实现,并通过开发采集终端程序、智能检测系统程序以及远程数据管理程序三大模块实现了图像采集、传输、预处理、危险品智能检测、云数据储存、图像标注以及统计分析查询等功能,能够在安检设备终端实时检测安检图像并进行数据管控。