基于尺度自适应和自监督学习的X光图像违禁品检测算法研究

作     者：吴极 

作者单位：西安交通大学 

学位级别：硕士

导师姓名：宋永红

授予年度：2022年

学科分类：070207[理学-光学] 07[理学] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0702[理学-物理学] 

主      题：X光图像检测 目标检测 小样本学习 自监督学习 特征解耦 

摘      要：随着经济社会的飞速发展,安检已经成为确保航空运输、铁路客运、快递行业运输安全的重要手段之一。当前我国大部分地方仍然使用人工进行X光图像违禁品检测,人工安检存在着速度慢、成本高、漏检率高的问题。本文研究X光图像违禁品检测方法,通过调研文献,对现有的目标检测方法,小样本目标检测方法和自监督学习方法进行了深入分析,结合X光图像特点,提出了基于尺度自适应和自监督学习的X光图像违禁品检测算法。针对X光图像中物体堆聚遮挡现象严重、物体成像角度各异、小尺寸违禁品数量多、对检测速度要求高等问题,本文提出了基于尺度自适应中心点检测的X光图像违禁品检测算法。首先,提出基于混合的数据增强方法来确保训练数据的多样性;其次,提出特征解耦模块,独立平行地分别提取大小尺寸违禁品的特征,增强大尺寸违禁品和小尺寸违禁品特征解耦能力,增大特征的区分度,加强对小尺寸违禁品特征提取的效果;最后,设计基于分组卷积的尺度自适应预测模块,在上采样过程中用不同步长的特征图分别检测不同尺寸的违禁品,增强对遮挡违禁品的检测效果,并使用分组卷积和轻量特征提取网络来降低计算量,减小模型参数量,提高推理速度。该算法能够准确检测遮挡违禁品和小尺寸违禁品,能够运行在CPU设备上,实现快速检测。针对实际安检场景中部分违禁品数据量不足而导致深度学习模型过拟合和不同厂家安检机着色算法不同而导致模型泛化能力差等问题,本文提出了结合自监督学习和小样本学习的X光图像违禁品检测算法。首先,利用基于颜色不敏感的自监督信息训练模型来确定网络的初始权重;其次,针对图像背景信息复杂的问题,提出了背景抑制模块来对前景信息进行增强;最后,提出面向小样本学习的在线困难样本挖掘,同时将困难样本和简单样本进行反向传播,来平衡训练过程中的难易样本。该算法一定程度上提高了小样本目标检测的效果,同时提高了模型的泛化能力。在UNICOMP数据集上的实验结果表明,本文提出的算法取得了较好的违禁品检测效果,相比于主流检测算法性能有较大提升。