结合异常检测的X射线安检图像识别方法

摘要：

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

所属期刊栏目：21

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金;山西省自然科学基金

在线出版日期：2021-12-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：11240-11245