| 项目简介： |
目前，基本上所有X光安检仪设置的场所，如地铁站、火车站、飞机场等地，X光安检仪所生成的伪彩图都是由安检员来查看，这样的安检流程明显存在很多弊端：1.??误判违禁品。安置X光安检仪的场所，一般都有人流量较大，开放时间较长的特征，安检员长时间查看X光安检仪产生的图像，必然会产生疲劳感，注意力与判断力会随之衰弱，造成其对违禁品的误判，给不法分子以可乘之机，产生社会安全隐患。2.??培训成本高。只有经过严格培训的安检员，才能快速准确地识别X光安检图片中的违禁品。对安检员的培训，就需要花费大量的时间与人力成本。未经过专业培训的安检员，可能会因为速度过慢导致人员短时间滞留，人流拥堵。但是，随着人工智能的出现及发展，举例说明，在2015年的ImageNetLargeScaleVisualRecognitionCompetition上，在其中图像分类项目中，KaimingHe的团队发明的ResNet，成功地在对分类类别数达到1000类的大量图片的分类中，将错误率降低到了3.57%。因此，我们考虑到可以将在图像分类任务中表现得更好的机器，应用于X光安检图片的分类识别中。事实上，国内外也确实出现了将计算机视觉领域的模型应用到X光行李图像的分类检测的领域的研究。在对X光下的物品的分类方面，之前的工作主要是基于视觉词袋模型（Bag-of-Visual-Words）的机器学习方法。其中，结合了特征描述符（featuredescriptor）和支持向量机（SupportVectorMachine，SVM）的BOVW模型在用于对X光图像的单视图和双视图的分类中，达到了对枪械与笔记本电脑的分类的最佳平均精度。而之后使用了迁移学习的卷积神经网络（CNN）方法被证明，在不考虑物品的探测（定位）问题时，在广义上要优于BOVW模型。然而，分类只能解决确认行李是否含有违禁品的问题。另一个需要解决的重要问题就是以边界框标注出违禁品在X光安检图片中的定位，即探测问题。使用了线性SVM分类器与定向梯度直方图（histogramoforientedgradients，HOG）的滑动窗口检测方法，结合对从现代X光扫描仪中多个视点拍摄的X光图像单视图探测的步骤，避免了错误检测并找到真实检测的交集。在之后的研究实验中，现代的目标检测模型R-CNN，R-FCN,YOLOv2的方法在目标探测领域的速度与准确率的表现，都要优于基于滑动窗口的CNN方法（SW-CNN）。其中,YOLOv2模型在六分类问题中达到了0.885的mAP值，在枪械二分类问题中达到了0.974的mAP值。（meanAveragePrecision，mAP值：用于衡量模型在所有类别上的探测效果的好坏）但是考虑到将其应用于安检领域，任何一种违禁物的误判都可能带来严重的社会安全隐患，现有的目标检测模型在多分类问题上的表现（mAP值）还不足以保证其被应用到实际的安检工作中。因此本课题立足安检领域，在当下目标检测深度学习模型基础上，融合双流卷积神经网络的思想优化目标检测模型，获得目标图像稳定鲁棒的高层语义描述，设计更加高效的X光图片识别系统。
|