文献类型：期刊文章

作　　者：郭守向[1] 张良[1]

Guo Shouxiang;Zhang Liang(Tianjin Key Laboratory of Advanced Signal&Image Processing,Civil Aviation University of China,Tianjin 300300,China)

机构地区：[1]中国民航大学天津市智能信号与图像处理重点实验室,天津300300

出　　处：《激光与光电子学进展》

基　　金：国家自然科学基金(61179045);民航安全能力建设项目(20600523)。

年　　份：2021

卷　　号：58

期　　号：8

起止页码：67-76

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：为了检测X光图像中的违禁物品,提出一种基于深度学习的单阶段双网络目标检测算法。在单阶段目标检测网络Yolov3的基础上,结合复合骨干网络的思想,构建了Yolo-C目标检测网络。Yolo-C的骨干网DarkNet-C由辅助骨干网络DarkNet-A和引导骨干网络DarkNet-L组成。DarkNet-A中的各个特征层与DarkNet-L中对应的上一层级进行特征级联,然后向下一层级传播,最终得到表征图像信息的特征图。为提升对小目标的检测性能,引入特征增强模块(FAB)。对级联后的特征图进行特征融合,以增强特征的非线性表达能力,达到特征平滑的目的。此外,采用迁移学习和数据增强的方法训练网络,提升了网络的鲁棒性。该算法在SIXray_OD数据集上平均精度均值(mAP)达到了73.68%,检测速度达40frame·s~(-1)。实验结果表明,Yolo-C在检测X光图像领域,有效提高了对多类违禁物品的检测精度,且满足检测的实时性要求。

关 键 词：图像处理 违禁品检测  单阶段双网络  Yolo-C  特征增强模块  迁移学习  

分 类 号：TP391]