發(fā)布時(shí)間：2024-04-12 18:49

　　包裹行李的安全檢查在維護(hù)社會(huì)穩(wěn)定和保障人民生命財(cái)產(chǎn)安全方面發(fā)揮重要的作用。當(dāng)前,對(duì)包裹行李的安全檢查主要是由經(jīng)過專業(yè)培訓(xùn)的安檢人員肉眼查看包裹行李在X光掃描裝置下的圖像判定,容易受干擾而且效率不高。而當(dāng)前社會(huì)中包裹數(shù)量急劇增加,給安檢帶來(lái)巨大的壓力。包裹行李數(shù)據(jù)的特點(diǎn)是物品種類多、尺寸跨度大;而且因?yàn)榘�裹空間的限制,通常各種物品高度重疊且擺放角度不同,顯示在圖像上則產(chǎn)生嚴(yán)重的遮擋、形變等問題,檢測(cè)難度較大。針對(duì)當(dāng)前目標(biāo)檢測(cè)算法在檢測(cè)X光圖像時(shí)存在的不足,本文從強(qiáng)化特征提取、語(yǔ)義信息復(fù)用和優(yōu)化損失函數(shù)等方面進(jìn)行了研究。主要工作如下:(1)設(shè)計(jì)了一種更高效的輕量化卷積神經(jīng)網(wǎng)絡(luò)PSMnasNet。本文受密集金字塔結(jié)構(gòu)的啟發(fā)對(duì)MnasNet網(wǎng)絡(luò)的卷積核進(jìn)行了改進(jìn),構(gòu)建具有多尺度特征提取能力的卷積模塊PSBottleneck。在CINIC-10數(shù)據(jù)集中的實(shí)驗(yàn)表明,PSMnasNet網(wǎng)絡(luò)對(duì)低分辨率圖像的分類精度提升了13.34%,網(wǎng)絡(luò)的參數(shù)量也僅有原來(lái)的1/3左右。(2)提出了一種用于密集目標(biāo)檢測(cè)的Crowd-YOLOv3算法。本文對(duì)Faster R-CNN和YOLOv3算法進(jìn)行了研究和測(cè)試,驗(yàn)證...

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.7超參數(shù)β的網(wǎng)絡(luò)分類精度圖

第二章PSMnasNet網(wǎng)絡(luò)構(gòu)建19為0.1，150次迭代后學(xué)習(xí)率下調(diào)10倍，225次迭代后再次下調(diào)10倍；設(shè)定動(dòng)量為0.9；權(quán)重衰減為1e-04；batchsize設(shè)定為128；共計(jì)迭代320個(gè)周期。實(shí)驗(yàn)首先對(duì)MnasNet網(wǎng)絡(luò)進(jìn)行測(cè)試并將其實(shí)驗(yàn)結(jié)果作為基線：MnasNet網(wǎng)絡(luò)....

圖2.8金字塔型瓶頸塊的濾波器尺寸k的網(wǎng)絡(luò)分類精度圖

第二章PSMnasNet網(wǎng)絡(luò)構(gòu)建通常而言，PSBottleneck的濾波器尺寸k越大，網(wǎng)絡(luò)的參數(shù)量越大，分類精度也越高；但是需要注意的是，特征圖尺寸經(jīng)過下采樣減小后，濾波器尺寸應(yīng)隨著下降，否則為了保持卷積操作前后特征圖尺寸的不變，需對(duì)特征圖進(jìn)行過多的填充，影響提取特....

圖3.1R-CNN目標(biāo)檢測(cè)算法流程

圖像在二階檢測(cè)算法和一階檢測(cè)方法中檢測(cè)限制物品的能力。3.1FasterR-CNN目標(biāo)檢測(cè)算法（1）R-CNN目標(biāo)檢測(cè)算法傳統(tǒng)目標(biāo)檢測(cè)方法的流程首先是采用不同尺度和不同長(zhǎng)寬比的滑動(dòng)窗口遍歷輸入圖像，進(jìn)行區(qū)域選擇；然后對(duì)選取的區(qū)域使用SIFT、HOG等算法提取特征；最后使用SVM、....

圖5.1SSD算法網(wǎng)絡(luò)結(jié)構(gòu)圖

第五章基于ST-SSDLite算法的限制物品檢測(cè)42第五章基于ST-SSDLite算法的限制物品檢測(cè)為了進(jìn)一步提高限制物品圖像的檢測(cè)速度，擴(kuò)展限制物品檢測(cè)的應(yīng)用范圍，本文繼續(xù)探索了X光圖像在輕量化目標(biāo)檢測(cè)算法中的檢測(cè)效果。實(shí)驗(yàn)基于SSDLite算法的模型結(jié)構(gòu)進(jìn)行，使用PSMnas....

本文編號(hào)：3951816