关键词:
违禁品检测
X射线
注意力机制
边缘检测
特征融合
摘要:
为保障公共安全,避免违禁品造成的安全隐患,公共交通站点如机场、火车站、地铁站等均已安装安检设备。目前,安检流程主要依赖人工判断,同时以机器辅助,效率不高,难以满足乘客对快速通关的需求,且易出现错检或漏检,增加安全风险。因此,提升安检效率和增强自动化检测行李内违禁品的能力显得尤为重要。随着计算机硬件技术的快速发展,深度学习技术已在众多领域显示出其强大潜力。本研究针对X光安检图像的特性,采用深度学习技术,旨在开发出一种准确、快速、安全可靠的违禁品检测算法,以满足X光安检自动化的需求。
本文的主要工作如下:
(1)建立了一个X光安检图像数据集。为应对X射线违禁品检测中样本数据不足的挑战,本研究整合了PIDray数据集的部分图像,并新增了在河南省郑州市地铁站采集的10,380张原始图像,构建了一个新的X光安检图像数据集。数据集总规模达到45,648张图像,涵盖11类违禁品,共计51,199个样本框。数据集按照5:1:3的比例划分为训练集、验证集和测试集,且测试集进一步按照检测难度划分为简单、困难和遮挡三个子集。
(2)改进了一种基于边缘检测与特征融合的X光违禁品检测算法。该算法以YOLOv7-tiny算法为基础进行改进。针对X光安检数据标注质量不一的问题,算法采用了Wise-Io U(WIo U)损失函数,以降低对标注质量的依赖。同时,利用X光图像中物体的边缘信息,基于边缘检测原理,设计了边缘引导注意力机制,从而提高了检测的准确性。此外,针对X光图像可利用特征较为有限的问题,本研究还设计了多尺度特征融合模块,有效融合边缘特征与原始特征,增强了模型的检测性能。实验结果显示,该算法显著提高了违禁品检测的平均精度。
(3)改进了一种基于骨干网络重构与通道剪枝的轻量化X光违禁品检测算法。该算法以基于边缘检测与特征融合的X光违禁品算法为基础进行改进。首先采用部分通道卷积对骨干网络进行重构,通过构建基于部分通道卷积的类沙漏结构,并将之集成至ELAN特征提取模块中,在初步降低模型参数量与计算量的同时,保持高效的特征提取能力。然后利用模型剪枝技术,在进行稀疏化训练后依据通道重要程度修剪部分通道,降低通道的冗余度,进一步缩减模型体积。相比其他主流的轻量化目标检测算法,实验结果证明,该算法拥有较高的检测速度、较小的模型体积和较高的检测精度。