结合高效骨干网络与跨尺度特征融合的X光图像违禁品检测方法

摘要

X光安检在现代安防中发挥着重要作用，其可以检测出隐藏的危险品、违禁品，以防止非法物品的扩散，确保公共场所的安全.针对公共场所X光图像违禁品检测中存在的图像对比度差、遮挡物体定位不准确、检测效率低下等问题，提出了一种结合高效骨干网络与跨尺度特征融合的X光图像违禁品检测方法.首先，采用FasterNet为骨干网络的RT-DETR模型，旨在优化特征图的冗余度，在保证性能的同时提高X射线违禁品检测效率.X射线图像通常存在的低对比度和噪声使得物品的边缘和细节不清晰，增加了检测难度.不同种类物品的材质、形状和大小都可能影响检测效果.针对该问题，提出一种反向残差聚合网络，并将其与轻量级上下文下采样模块相结合使用，旨在通过增强模型的特征融合能力，以提高模型对不同物品的检测能力，并实现更好的参数利用率.最后，针对实际场景中存在的遮挡物体的定位问题，采用EIoU损失函数替代原有的GIoU损失函数，用以提高复杂背景下的违禁品定位能力，同时加快模型的收敛速度.与目前目标检测算法中精度最高的RT-DETR-R50方法相比，本文所提方法在SIXray数据集和OPIXray数据集上的mAP50指标分别高出了1.4%和1.3%,达到了95.2%和92.3%;同时FPS达到了42.9帧/秒，满足了实际场景中X光图像违禁品实时检测要求.实验结果与Grad-CAM可视化特征热图表明，本文方法在公共X光图像数据集上取得了良好的检测效果.

关键词

X光图像违禁品检测 / 反向残差层聚合 / 轻量级上下文下采样 / EIoU