發(fā)布時(shí)間：2024-05-18 19:07

　　近年來(lái),違禁品自動(dòng)檢測(cè)技術(shù)一直是計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)。不同于常見(jiàn)的目標(biāo)檢測(cè)任務(wù),X光安檢圖像違禁品檢測(cè)需要對(duì)違禁品圖像區(qū)域進(jìn)行分割定位,進(jìn)而協(xié)助安檢人員制定決策�；�于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割模型過(guò)分依賴于有監(jiān)督訓(xùn)練,從而增加了其在安檢圖像違禁物品分割中的應(yīng)用局限性。鑒于注意力模型的弱監(jiān)督學(xué)習(xí)特性,本文提出了一種注意力機(jī)制下的X光安檢違禁品圖像區(qū)域分割方法。具體研究?jī)?nèi)容如下:1)建立了基于安檢違禁品圖像的注意力模型。通過(guò)卷積神經(jīng)網(wǎng)絡(luò)獲取圖像的語(yǔ)義信息,并引入了one-hot數(shù)據(jù)標(biāo)注和新的損失函數(shù),以減少多目標(biāo)情況下的漏檢率。然后,利用注意力回傳鏈路將語(yǔ)義信息映射到圖像空間,得到可對(duì)違禁品目標(biāo)進(jìn)行標(biāo)注的注意力圖。2)提出了結(jié)合對(duì)比注意力和側(cè)抑制的神經(jīng)元抑制方法。利用對(duì)比注意力消除注意圖中的非目標(biāo)干擾,利用相鄰神經(jīng)元互相抑制的機(jī)制去除注意力圖中的噪聲,并增強(qiáng)注意力圖中顯著性區(qū)域。3)引入并結(jié)合注意力圖改進(jìn)了兩種圖像分割算法:簡(jiǎn)單線性迭代聚類(lèi)(Simple Linear Iterative Cluster,SLIC)和Grab Cut算法。通過(guò)實(shí)驗(yàn)評(píng)估了兩種算法對(duì)不同類(lèi)別違禁品圖像的處理速度...

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1-1X光安檢機(jī)和X光安檢圖像

中國(guó)民航大學(xué)碩士學(xué)位論文測(cè)[30-32]，如圖1-1中（a）為X光安檢機(jī)，（b）為安檢違禁品圖像。隨著的到來(lái)，計(jì)算機(jī)的處理能力顯著提高，計(jì)算機(jī)視覺(jué)技術(shù)也隨著深度學(xué)習(xí)算而被人們廣泛應(yīng)用于日常生活中。同時(shí)，國(guó)內(nèi)外的相關(guān)學(xué)者也在探索利用來(lái)實(shí)現(xiàn)X光安檢圖像的智能化處理。諸多深....

圖1-2基于X光的安檢違禁品圖像區(qū)域分割提取總流程圖

消除注意力回傳過(guò)程中的非目標(biāo)干擾和噪聲。經(jīng)過(guò)優(yōu)目標(biāo)高度相關(guān)的目標(biāo)注意力圖。注意力圖可顯示違禁為圖像分割提供指導(dǎo)信息。最后，基于目標(biāo)注意力機(jī)制，本文引入了SLIC[52]和GrubCut[53-54]的兩種圖的違禁品圖像區(qū)域。的安檢違禁品圖像區(qū)域分割提取總流程如圖1.2所....

圖2-1三種圖像特征的違禁品圖像

檢測(cè)物成像顏色HSV有機(jī)物橙色19-5156-10030-100無(wú)機(jī)物藍(lán)色170-23150-9370-100混合物質(zhì)綠色90-15756-10050-100無(wú)法穿透黑色000為了更有針對(duì)性地研究注意力模型在處理安檢圖像中存在的問(wèn)題，我們將....

圖2-2違禁品圖像采集效果圖

圖2-2違禁品圖像采集效果圖表2.2各類(lèi)違禁品圖像采集情況充電寶打火機(jī)叉子水果刀仿真手槍鉗子量236230230316335301量357270147335216399圖像數(shù)據(jù)增強(qiáng)的訓(xùn)練需要大量的數(shù)據(jù)。為了保證數(shù)據(jù)集的體量和多樣性....

本文編號(hào)：3977229