检索结果-南通市图书馆

科学技术与工程 2021年第26期21卷 11240-11245页

作者：杨子固李海芳刘剑超王飞龙李钢太原理工大学信息与计算机学院晋中030600 太原理工大学大数据学院晋中030600 太原理工大学软件学院晋中030600

针对Faster R-CNN模型对x射线安检图像中危险品检测准确率低、误检率高的问题,提出了一种前置预分类头部的x射线安检图像检测网络(pre-classification Faster R-CNN,PC-Faster R-CNN)。该模型在骨干网络之后,区域建议网络(Region Propos... 详细信息

针对Faster R-CNN模型对x射线安检图像中危险品检测准确率低、误检率高的问题,提出了一种前置预分类头部的x射线安检图像检测网络(pre-classification Faster R-CNN,PC-Faster R-CNN)。该模型在骨干网络之后,区域建议网络(Region Proposal Networks,RPN)之前新增一个预分类模块先对x射线安检图像进行异常检测,提高模型对正常图像的识别能力;同时引入兴趣区域对齐(RoIAlign)模块,减小兴趣区域池化层(RoIPooling)引起的量化误差,进而提升Faster R-CNN的检测性能。新模型将浅层卷积层的低级边缘特征输入到预分类模块,使其学习正常图像的高级语义特征,从而改善整个模型的识别性能。实验结果表明,与原始的Faster R-CNN相比,本文模型对危险品的检测精度提升了9.03%,误检率降低了24.03%;同时预分类头部使得模型较大地提高了检测效率,比原始的Faster R-CNN提升了44.54%。

关键词： x射线安检图像异常检测目标检测 Faster R-CNN 误检

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于改进YOLOv5的x射线图像危险品检测

引用

科学技术与工程 2023年第4期23卷 1598-1606页

作者：李启明阙祖航上海海事大学信息工程学院上海201306

目前安检甄别工作主要依靠人工完成,但巨大的工作量使自动安检成为必然趋势。为了在保证精度的前提下轻量化模型,并进一步克服x射线安检图像存在物品重叠遮挡、背景干扰严重等问题,提出了一种基于YOLOv5的改进模型。该模型采用Ghost模... 详细信息

目前安检甄别工作主要依靠人工完成,但巨大的工作量使自动安检成为必然趋势。为了在保证精度的前提下轻量化模型,并进一步克服x射线安检图像存在物品重叠遮挡、背景干扰严重等问题,提出了一种基于YOLOv5的改进模型。该模型采用Ghost模块对原模型进行剪枝处理;引入坐标注意力机制,使网络在训练中更好地聚焦危险品,生成更具分辨性的特征;采用传统数据增强策略与Mixup数据增强策略相结合的方式来改善模型的泛化能力和鲁棒性。实验结果表明:改进模型的参数量和模型大小比原模型分别减少了17.3%、16.1%,改进模型在SIxray和OPIxray数据集上的平均精度均值(mAP)比原模型分别提高了2.3%、5.7%。所提出模型在轻量化的同时能够进一步提高检测能力,满足实时检测要求,具有较好的应用价值。

关键词： x射线安检图像 Ghost模块坐标注意力机制数据增强策略

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的x射线图像危险品检测与跟踪算法研究

基于深度学习的X射线图像危险品检测与跟踪算法研究

引用

作者：韩宁兰州大学

学位级别：硕士

x射线安检设备作为一种非接触式安检技术,已被广泛应用在各类人员密集的公共场所,用于对各类危险品进行检测。然而,现有x射线安检工作在很大程度上依赖于人工检测,因此检测效率较低、且人工成本高。面向x射线图像的危险品自动识别和跟... 详细信息

x射线安检设备作为一种非接触式安检技术,已被广泛应用在各类人员密集的公共场所,用于对各类危险品进行检测。然而,现有x射线安检工作在很大程度上依赖于人工检测,因此检测效率较低、且人工成本高。面向x射线图像的危险品自动识别和跟踪已成为本领域的研究热点问题之一。国内外相关领域的研究学者在x射线危险品识别领域已开展了广泛而深入的研究工作。其中,如何提高危险品检测的精确度和效率是当前的重要研究问题之一。现有工作往往通过提取特征来检测图像中是否存在危险品,而在x射线图像检测与实时跟踪之间的配合方面仍有待加强。针对上述问题和挑战,本文面向大规模x射线图像数据提出一种基于深度学习的危险品检测与跟踪方法,具体内容如下:第一,通过对x射线安检设备工作过程的分析,得到了安检设备在危险品检测时对定位精度、分类精度和实时性的要求参数。同时,基于真实场景中采集的x射线图像数据开展数据集制作和预处理工作。第二,面向x射线图像数据集,提出了一个基于深度学习的x射线图像危险品检测与跟踪算法。一方面,设计了一种基于改进单发多框检测(Signal Shot multi-box Detector,SSD)方法的深度学习检测网络,以提高检测精度;另一方面,实现了基于检测结果的跟踪器,并通过跟踪器与检测器之间的协同工作来实现实时检测跟踪。第三,将本文提出的检测跟踪方法与当下流行的检测方法(如Faster-RCNN、YOLO-v2、SSD300、SSD512等)在两个性能指标(平均正确率和速度)上进行了大量对比实验。实验结果表明,本文所提出检测跟踪算法能够在保证较高精度的基础上,初步达到实时检测跟踪。因此本文提出的方法在精度和实时性上优于现有算法。本文所提出的x射线危险品检测跟踪算法对于辅助安检具有理论和应用价值,能够辅助安检人员去检测一些较为常见危险品,进而提高安检效率。

关键词： x射线安检图像目标检测目标跟踪深度卷积神经网络 SSD

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于统计学习的机场安检刀具检测方法研究

基于统计学习的机场安检刀具检测方法研究

引用

作者：张继超哈尔滨工程大学

学位级别：硕士

虽然以深度学习为主要方向的人工智能技术最近几年得到飞速发展,各种应用层出不穷,但是目前的违禁品检测还很大程度上依赖于人工检测。原因在于公共场所违禁物品检测事关人民群众生命财产安全,责任重大,不能有半点闪失。再加上旅客包裹... 详细信息

虽然以深度学习为主要方向的人工智能技术最近几年得到飞速发展,各种应用层出不穷,但是目前的违禁品检测还很大程度上依赖于人工检测。原因在于公共场所违禁物品检测事关人民群众生命财产安全,责任重大,不能有半点闪失。再加上旅客包裹内的物品放置角度和物品之间相互叠加、遮挡等原因,现有的基于计算机视觉的检测方法很难达到人工方法检查的水平,还需要进一步改进自动化检测方法。针对以上问题,本文针对机场安检刀具检测,提出基于卷积网络特征提取和统计学习的机场安检刀具检测方法,包括以下几个方面内容:(1)针对安检x光图像分类正确与否在很大程度依赖于特征对于局部区域的描述能力,提出基于物体部件的统计特征的精细化分类方法。首先使用预训练的目标检测网络得到物体组成部件所在区域,并将这些区域位置映射到卷积特征图位置,进而将区域内累加值大于一定阈值的卷积描述子选取出来,然后将这些卷积描述子汇集在一起并提取统计特征。通过实验证明该方法在细粒度安检图像分类上的有效性。(2)提出一个基于半监督物体部件检测的精细化分类方法。方法是使用卷积特征显著性计算方法来发现和划分物体部件,首先将卷积特征图进行累加以得到累加图,然后使用累加图中元素的值进行聚类,将累加图划分为不同区域。对于每个区域的卷积描述子,使用均值向量作为此区域的特征,然后计算区域特征和每一个类别图像特征的相关性,最大的相关性值就是这一区域的权重。使用权重值对累加图上这一区域上的元素进行加权,最后根据加权后的累加图选取卷积描述子用于生成图像特征。本文方法的优点是可以得到物体的组成部件信息而不需要进行人工标注,不但可以提高分类准确性,而且具有较快速度。(3)提出基于卷积描述子主成分投影的物体定位方法与局部卷积描述子的特征特征提取方法。首先分析描述子的相关性,然后设置一组阈值,得到一些同类物品候选区域,然后从这些区域提取特征用于目标检测。该方法用于解决在安检工作中弱监督图像目标检测问题。

关键词：图像分类 x射线安检图像卷积网络统计学习角点检测

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：