论文部分内容阅读
安全检查是一项在全世界范围内广泛使用的保障公民人身安全的重要举措。通过安检机检测行包内是否携带危害人身健康安全的物品,可以保障公共场合内人民群众的切身利益。针对当前人工进行安检图像分析时效性较慢和准确率较低的问题,设计自动安检图像危险品检测算法,具有理论研究和实际应用价值。本文以基于深度学习的目标检测算法在安检图像危险品检测任务的应用为研究内容。以提升时效性和准确性为研究目的,修改了模型的输入分辨率,研究分析了多种特征提取网络对危险品检测算法的影响,并设计了一种等级修正模块提升模型的语义理解能力。在自建安检图像数据集上进行训练和测试验证了算法的有效性。本文的主要研究内容如下:1.研究并分析了安检图像的形态,对原始安检图像进行预处理并提取感兴趣区域,将处理后的数据裁剪为768×768的固定大小。然后,对安检数据进行类别标记,制作安检图像数据集,以便后续算法的训练和测试。2.以经典检测算法SSD为基线模型,分析SSD算法在安检图像数据集上的表现。实验表明SSD模型对小目标检测效果较差,本文将SSD算法的输入尺寸修改为安检图像大小,解决了基础模型难以提取小目标物体特征的问题,并取得了良好的效果。3.将多种特征提取网络模型嵌入到SSD检测模型中,以准确率和模型复杂度为综合度量指标,对比分析不同的基础骨干模型对安检图像危险品检测任务的影响。4.设计等级特征修正模块,利用多尺度的特征信息进一步加强模型的语义信息,使得网络具有更好的语义表征能力,提升安检图像危险品的检测准确率。5.分析算法泛化能力,使用公开数据集和交叉验证实验验证算法的泛化能力。本文建立了一个标准安检图像危险品数据集,提出了一种基于SSD检测算法的改进算法,结合了高分辨率输入模型,特征提取网络和等级修正模块,并通过实验验证了算法的有效性。最终,提出的基于深度学习的危险品检测算法在安检图像数据集上达到了 84.62%的平均精确率,89.31%的准确率,88.98%的召回率。