穆思奇， 林進(jìn)健， 汪海泉， 魏雄志

(武警警官學(xué)院 訓(xùn)練基地， 廣東 廣州 510440)

收稿日期：2020-12-21

作者簡(jiǎn)介：穆思奇(1969—)，男，教授。

通信作者：林進(jìn)健(1993—)，男，講師，碩士。E-mail:dgszgdut@163.com

0 引言

X射線圖像檢測(cè)違禁品主要是對(duì)違禁品進(jìn)行定位與分類，即用目標(biāo)檢測(cè)算法自動(dòng)從待檢測(cè)的安檢圖像中判斷是否有違禁品，并判斷違禁品的類別、位置及置信度。X射線是一種波長(zhǎng)短、能量高的電磁波，能夠穿透一般物體。物體密度越低，X射線越易穿透。X射線源發(fā)出射線照射被檢測(cè)物品后，圖像采集器接收X射線，生成不同灰度大小的圖像，經(jīng)過(guò)偽彩色處理后由專業(yè)人員對(duì)偽彩色圖像進(jìn)行觀察、分析，在無(wú)需開(kāi)箱的情況下判斷有無(wú)攜帶違禁品。為了有效應(yīng)對(duì)日益增長(zhǎng)的旅客運(yùn)輸量，減少安檢人員工作量，加快安檢效率和降低漏檢風(fēng)險(xiǎn)，將人工智能方法應(yīng)用于違禁品位置和種類檢測(cè)的研究已成為熱點(diǎn)之一[1-3]。

X射線圖像的成像結(jié)果主要與物品自身的密度、成分以及成像時(shí)空間位置等有關(guān)，最重要的是安檢過(guò)程中待檢測(cè)物品隨機(jī)性和物品擺放隨意性，導(dǎo)致X射線圖像與自然圖像相差較大，不利于安檢人員進(jìn)行識(shí)別判讀。卷積神經(jīng)網(wǎng)絡(luò)(CNN)具有強(qiáng)大的特征提取能力和權(quán)值共享等特點(diǎn)，得到廣泛應(yīng)用研究，基于CNN的目標(biāo)檢測(cè)算法也取得了進(jìn)一步研究和應(yīng)用，形成很多經(jīng)典的目標(biāo)檢測(cè)算法，如空間金字塔池化網(wǎng)絡(luò)(SPPNet)、單次多盒檢測(cè)器(SSD)、YOLO系列。盡管目標(biāo)檢測(cè)技術(shù)取得了飛速發(fā)展，但由于X射線圖像違禁品檢測(cè)任務(wù)有別于其他目標(biāo)檢測(cè)任務(wù)，應(yīng)用上仍具有較大挑戰(zhàn)，存在很大的提升潛力和空間[4-7]，特別是X射線圖像成像背景復(fù)雜、物品間存在嚴(yán)重重疊、遮擋現(xiàn)象和違禁品多尺度等問(wèn)題受到越來(lái)越多學(xué)者的關(guān)注[8-9]。

本文主要針對(duì)X射線安檢圖像檢測(cè)難點(diǎn)，同時(shí)考慮到安檢對(duì)實(shí)時(shí)性要求較高，以YOLOv4[10]算法為基礎(chǔ)網(wǎng)絡(luò)，利用CNN具有平移不變性，可有效提取背景復(fù)雜的目標(biāo)特征，提出空洞密集卷積模塊和注意力多尺度特征圖兩個(gè)模塊：前者用于加強(qiáng)網(wǎng)絡(luò)對(duì)違禁品目標(biāo)細(xì)粒度特征學(xué)習(xí)能力，提升遮擋違禁品的檢測(cè)精度；后者通過(guò)對(duì)融合后特征信息引入注意力機(jī)制，增強(qiáng)有益特征通道，有利于降低多尺度目標(biāo)的漏檢率。實(shí)驗(yàn)結(jié)果表明，在X光安檢領(lǐng)域公開(kāi)的數(shù)據(jù)集，本文算法取得了令人滿意的效果，能有效提高X射線圖像檢測(cè)違禁品目標(biāo)的精度，滿足安檢速度要求。

1 違禁品目標(biāo)檢測(cè)研究工作

違禁品檢測(cè)具有十分重要的現(xiàn)實(shí)意義，運(yùn)用圖像處理技術(shù)自主對(duì)X射線圖像進(jìn)行違禁品分類和檢測(cè)研究工作發(fā)展迅速。在以傳統(tǒng)圖像處理算法的研究、探索與應(yīng)用方面，文獻(xiàn)[11]針對(duì)車輪胎子午線檢測(cè)圖像中的質(zhì)量問(wèn)題，通過(guò)高斯- 拉普拉斯算子檢測(cè)邊緣和改進(jìn)模板匹配算法，采用先全局掃描、后小范圍區(qū)域掃描來(lái)滿足實(shí)時(shí)性和精度，得到輪胎子午線圖像得到較理想的檢測(cè)效果。文獻(xiàn)[12]針對(duì)X射線安檢圖像的特點(diǎn)，使用小波分解重構(gòu)的方法進(jìn)行邊緣提取，進(jìn)而使用形態(tài)學(xué)處理得到刀具違禁品形態(tài)特征元素，最后采用決策樹(shù)與隨機(jī)森林相結(jié)合方法降低了刀具識(shí)別錯(cuò)誤率。文獻(xiàn)[13]實(shí)現(xiàn)了一種X射線行李掃描圖像中手槍目標(biāo)的自動(dòng)檢測(cè)系統(tǒng)，利用不同核大小的Sobel算子進(jìn)行邊緣檢測(cè)，為每個(gè)方向設(shè)置一個(gè)支持向量機(jī)分類器來(lái)實(shí)現(xiàn)旋轉(zhuǎn)不變性，取得了較高的準(zhǔn)確率，但對(duì)重疊目標(biāo)的檢測(cè)效果有待研究。安檢系統(tǒng)生成的偽彩色圖像中含有重疊的紋理信息，利用傳統(tǒng)圖像處理算法難以提取到違禁品目標(biāo)有效的紋理細(xì)節(jié)信息，特別是對(duì)重疊遮擋和方向變化的違禁品目標(biāo)分類與檢測(cè)效果不佳。

相比而言，基于CNN的目標(biāo)檢測(cè)算法則取得了更好的研究進(jìn)展和效果。文獻(xiàn)[14]設(shè)計(jì)了一種基于改進(jìn)SSD方法的檢測(cè)網(wǎng)絡(luò)，實(shí)現(xiàn)了基于X射線安檢圖像并且能夠滿足實(shí)時(shí)任務(wù)要求的限制品檢測(cè)模型，但對(duì)尺度變化和遮擋問(wèn)題未考慮，檢測(cè)器對(duì)小目標(biāo)檢測(cè)效果不理想；文獻(xiàn)[15]中通過(guò)基于顏色信息來(lái)提取前景特征，然后提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)的物體檢測(cè)框架Faster R-CNN檢測(cè)違禁品，但Faster R-CNN檢測(cè)速度較慢，難以達(dá)到實(shí)時(shí)檢測(cè)；文獻(xiàn)[16]通過(guò)使用YOLOv2算法對(duì)兩類槍支違禁品檢測(cè)問(wèn)題達(dá)到較高的檢測(cè)精度，但該數(shù)據(jù)集復(fù)雜度不大和檢測(cè)物品種類較少。

綜上所述，單一的目標(biāo)檢測(cè)算法不能完全滿足X射線安檢圖像違禁品檢測(cè)的需求，安檢任務(wù)對(duì)實(shí)時(shí)性要求較高，X射線安檢圖像特點(diǎn)導(dǎo)致檢測(cè)目標(biāo)相互重疊遮擋，多尺度違禁品加大檢測(cè)難度，背景與違禁品密度相近的X射線安檢圖像泛化性差。

2 X射線圖像違禁品檢測(cè)算法

為解決第1節(jié)中所述問(wèn)題，本文提出適用于X射線安檢圖像違禁品檢測(cè)的網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 本文網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Network structure diagram

本文以精度和速度都表現(xiàn)出色的YOLOv4算法為基礎(chǔ)，首先由主干特征提取網(wǎng)絡(luò)(記作CSPDarknet53)對(duì)輸入圖像進(jìn)行特征提取，CSPDarknet53的輸出進(jìn)行3次卷積后作為空間金字塔池化(SPP)模塊的輸入，SPP輸出經(jīng)過(guò)通道拼接和3次卷積得到的特征圖，與殘差模塊3和殘差模塊4輸出的特征圖輸入到路徑聚合網(wǎng)絡(luò)(PANet)中，利用上采樣鏈路中將高層特征的語(yǔ)義信息與低層特征的高分辨率信息相融合；然后將融合后特征信息輸入本文設(shè)計(jì)的空洞密集卷積模塊，進(jìn)一步精細(xì)地合并多尺度信息，再沿著從低層到高層的信息傳輸路徑，通過(guò)下采樣加強(qiáng)特征金字塔；最后將不同層的特征圖輸入到注意力輔助模塊進(jìn)行融合，聚合成針對(duì)任務(wù)的更高級(jí)語(yǔ)義特征來(lái)做預(yù)測(cè)，從而達(dá)到整體性能提升的效果。

2.1 空洞密集卷積模塊

X射線檢測(cè)系統(tǒng)生成的偽彩色圖像中物品紋理信息相互重疊遮擋，導(dǎo)致圖像中違禁品目標(biāo)信息不完整，特別是高密度違禁品成像信息會(huì)覆蓋低密度違禁品成像信息，質(zhì)地接近違禁品相互疊加遮擋，導(dǎo)致算法模型出現(xiàn)漏檢、誤檢現(xiàn)象，從而影響違禁品檢測(cè)的召回率和準(zhǔn)確性。本文設(shè)計(jì)的空洞密集卷積模塊如圖2所示。對(duì)輸入特征X，利用密集卷積加強(qiáng)對(duì)特征的學(xué)習(xí)能力，通過(guò)不同卷積膨脹率來(lái)擴(kuò)大網(wǎng)絡(luò)感受野，得到加強(qiáng)特征X′輸出，從而提高對(duì)遮擋違禁品的檢測(cè)精度。

圖2 空洞密集卷積模塊Fig.2 Dilated dense convolution module

為了減少引入過(guò)多額外參數(shù)，利用不同大小的卷積核對(duì)特征圖進(jìn)行卷積操作，提高捕獲不同尺度的違禁品目標(biāo)能力。為了精細(xì)地合并多尺度的信息，使用密集連接，使感受野每個(gè)層都接受其前面所有層作為其額外輸入，然后輸入到下一個(gè)感受野層，從而加強(qiáng)了特征傳播。

使用密集連接多個(gè)空洞卷積疊加時(shí)，減少損失信息的連續(xù)性與相關(guān)性，避免產(chǎn)生網(wǎng)格效應(yīng)，采用3×3卷積核和膨脹率為1、2、5循環(huán)結(jié)構(gòu)[17]。

為了保持初始輸入的粗粒度信息，對(duì)原始輸入特征進(jìn)行全局平均池化壓縮，見(jiàn)(1)式，再通過(guò)上采樣恢復(fù)特征尺寸與空洞密集連接層的輸出拼接起來(lái)，并將拼接結(jié)果輸入到1×1卷積層，以融合粗粒度和細(xì)粒度的特征。

(1)

式中：zc表示通道全局平均池化輸出結(jié)果；F(·)表示對(duì)通道全局平均池化映射函數(shù)；μc表示某一個(gè)通道特征；W表示寬度；H表示高度；i、j表示特征圖像素的索引。

2.2 注意力多尺度特征圖

融合不同尺度的特征對(duì)網(wǎng)絡(luò)性能有較大提升，主要表現(xiàn)在：低層特征分辨率高，細(xì)節(jié)信息豐富，對(duì)位置平移旋轉(zhuǎn)比較敏感，但其語(yǔ)義性更低，噪聲更多；高層特征分辨率低，對(duì)象語(yǔ)義信息豐富，但對(duì)細(xì)節(jié)的感知能力較差。為了充分利用不同特征層語(yǔ)義信息，通過(guò)融合高低層特征信息對(duì)不同尺度大小的違禁品進(jìn)行分類和定位目標(biāo)。但并不是所有的信息都會(huì)對(duì)目標(biāo)檢測(cè)精度有效果，過(guò)多冗余信息可能會(huì)減弱了語(yǔ)義信息和位置信息的依賴關(guān)系。借助DCNN的有效信道注意(ECANet)[18]、選擇核心網(wǎng)絡(luò)(SENet)[19]注意力機(jī)制思想，通過(guò)改善特征圖不同通道的權(quán)重系數(shù)，增強(qiáng)有益特征通道并抑制無(wú)用特征通道，可實(shí)現(xiàn)特征通道自適應(yīng)校準(zhǔn)。本文將CSPdarknet53骨干網(wǎng)絡(luò)輸出的3個(gè)有效特征圖經(jīng)由高低層特征信息融合后加入注意力機(jī)制，聚合成針對(duì)違禁品檢測(cè)任務(wù)的注意力多尺度特征圖，再輸出到檢測(cè)頭部中。多尺度特征圖加入注意力機(jī)制后形成的注意力多尺度特征圖如圖3所示，圖中C表示通道數(shù)。

圖3 注意力多尺度特征圖Fig.3 Attention multi-scale feature

由圖3可知：注意力模塊對(duì)輸入的融合特征信息的一個(gè)分支進(jìn)行擠壓操作，得到一個(gè)C×1×1的向量，然后特征激活過(guò)程，利用一維卷積計(jì)算得到每個(gè)通道的權(quán)值后進(jìn)行激活函數(shù)處理；接著恢復(fù)原來(lái)特征圖尺寸；最后通過(guò)乘法將其逐通道加權(quán)到初始的特征上，完成通道維度上對(duì)原始特征的重標(biāo)定，再輸入檢測(cè)頭部中。一維卷積的卷積核大小通過(guò)一個(gè)函數(shù)來(lái)自適應(yīng)，使通道數(shù)較大的層可以更多地進(jìn)行跨通道間的信息交互。

自適應(yīng)卷積核大小的計(jì)算公式為

(2)

式中：k為自適應(yīng)卷積核大小結(jié)果；ψ(C)表示對(duì)通道C進(jìn)行非線性映射；γ為縮放因子，在這里取2.

2.3 損失函數(shù)

在目標(biāo)檢測(cè)中，損失函數(shù)的優(yōu)劣對(duì)模型收斂的效果有很大影響。YOLOv4算法的損失函數(shù)由邊界框回歸損失、置信度損失和分類損失3部分組成，損失函數(shù)如下：

Loss=bbox_loss+conf_loss+prob_loss，

(3)

式中：Loss為損失函數(shù)；bbox_loss為邊界框回歸損失；conf_loss為置信度損失；prob_loss為分類損失。

在計(jì)算邊界框回歸損失中常使用均方誤差(MSE)，但MSE損失函數(shù)將檢測(cè)框中心點(diǎn)和寬、高等坐標(biāo)信息作為獨(dú)立變量，實(shí)際上框的中心點(diǎn)和寬、高存在一定關(guān)系。因此，引入交并比(IoU)損失代替MSE損失函數(shù)，預(yù)測(cè)框與真實(shí)框的重疊度越高，IoU值越大。IoU的計(jì)算公式如下：

(4)

式中：A表示預(yù)測(cè)框；B表示真實(shí)框。

基于此思想，文獻(xiàn)[20]對(duì)其進(jìn)行改進(jìn)，并提出一種新的損失函數(shù)(記作CIoU損失)，CIoU損失將目標(biāo)與Anchor之間的距離、重疊率、尺度以及懲罰項(xiàng)都考慮進(jìn)去，克服了預(yù)測(cè)框與真實(shí)框不重合、缺失兩邊界框中心點(diǎn)距離等信息的不足，使目標(biāo)框回歸變得更加穩(wěn)定，能夠更好地反映預(yù)測(cè)框與真實(shí)框的重合情況。CIoU損失的計(jì)算公式如下：

(5)

式中：p2(b,bgt)表示預(yù)測(cè)框和真實(shí)框中心點(diǎn)的歐式距離，b表示預(yù)測(cè)框的中心點(diǎn)坐標(biāo)，bgt表示真實(shí)框的中心點(diǎn)坐標(biāo)；c表示能夠同時(shí)包含預(yù)測(cè)框和真實(shí)框的最小閉包區(qū)域的對(duì)角線距離；α為一個(gè)正數(shù)，

(6)

v用來(lái)測(cè)量長(zhǎng)寬比的一致性，

(7)

wgt表示真實(shí)框的寬，hgt表示框的高，w表示預(yù)測(cè)框的寬，h表示預(yù)測(cè)框的高。

由此得到本文使用的CIoU損失函數(shù)為

(8)

3 實(shí)驗(yàn)結(jié)果與分析

本文算法的實(shí)驗(yàn)過(guò)程包括實(shí)驗(yàn)數(shù)據(jù)集與數(shù)據(jù)預(yù)處理、實(shí)驗(yàn)對(duì)比和消融實(shí)驗(yàn)三部分，由此可得出本文算法在X射線安檢圖像違禁品檢測(cè)上的有效性。

3.1 實(shí)驗(yàn)數(shù)據(jù)集與數(shù)據(jù)預(yù)處理

本文實(shí)驗(yàn)使用的數(shù)據(jù)集來(lái)源網(wǎng)絡(luò)公開(kāi)，且由實(shí)際安檢場(chǎng)所拍攝的SIXray數(shù)據(jù)集[21]。SIXray數(shù)據(jù)集包含槍、刀、鉗子、扳手和剪刀5類違禁物品共8 900張X射線圖像。該數(shù)據(jù)集中圖像背景較復(fù)雜，違禁品與違禁品、違禁品與非違禁品會(huì)以任意數(shù)量和類型相互混合、重疊存在，故SIXray數(shù)據(jù)集能較好地反映安檢實(shí)際情況，具有很大的研究?jī)r(jià)值，滿足研究要求。

為了提高模型的泛化能力并獲得更好的訓(xùn)練效果，在數(shù)據(jù)預(yù)處理階段，本文采用Mosaic數(shù)據(jù)增強(qiáng)的方法(見(jiàn)圖4)。首先從訓(xùn)練數(shù)據(jù)隨機(jī)選取4張圖片進(jìn)行翻轉(zhuǎn)、高斯模糊、色域變換等操作；然后對(duì)圖片隨機(jī)縮放尺寸；最后隨機(jī)拼接為一張新的圖片，同時(shí)獲得這張圖片對(duì)應(yīng)的框。

圖4 Mosaic數(shù)據(jù)增強(qiáng)Fig.4 Mosaic data angmentation

Mosaic數(shù)據(jù)增強(qiáng)方法有效擴(kuò)充了原始數(shù)據(jù)集數(shù)量，訓(xùn)練時(shí)相當(dāng)于一次性計(jì)算4張圖片的數(shù)據(jù)，不僅可以降低網(wǎng)絡(luò)模型訓(xùn)練難度，而且有利于模型更好地學(xué)習(xí)安檢X射線圖像數(shù)據(jù)集中的背景特征，豐富圖像的上下文信息。同時(shí)，該方法的隨機(jī)縮放處理增加了很多小目標(biāo)，平衡了原始數(shù)據(jù)集目標(biāo)尺度問(wèn)題，從而網(wǎng)絡(luò)具有更好的魯棒性。

3.2 實(shí)驗(yàn)環(huán)境與評(píng)價(jià)方法

本文實(shí)驗(yàn)使用的硬件環(huán)境為：Intel(R) Core(TM) i7-8750H CPU@2.20 GHz處理器，Nvidia GeForce GTX 1070 8GB顯卡，16GB內(nèi)存；實(shí)驗(yàn)使用的操作系統(tǒng)為Windows 10，采用Pytorch深度學(xué)習(xí)框架。

采用Pascal Voc 2012的評(píng)價(jià)標(biāo)準(zhǔn)均值平均精度(mAP)和每秒幀率(FPS)作為模型的評(píng)價(jià)指標(biāo)。精確率P、召回率R、平均精度AP和mAP的定義分別為

(9)

(10)

(11)

(12)

式中：TP表示被預(yù)測(cè)為正樣本、實(shí)際為正樣本的數(shù)量；FP表示被預(yù)測(cè)為負(fù)樣本、實(shí)際為負(fù)樣本的數(shù)量；FN表示被預(yù)測(cè)為正樣本、實(shí)際為負(fù)樣本的數(shù)量；N表示類別數(shù)。一般地，mAP指標(biāo)越高，模型的檢測(cè)效果越好。

FPS定義為模型1 s內(nèi)檢測(cè)的圖像數(shù)，模型的FPS越高，檢測(cè)速度越快，實(shí)時(shí)性越高。

3.3 目標(biāo)檢測(cè)算法實(shí)驗(yàn)對(duì)比

本文選取3種具有代表性的單階段目標(biāo)檢測(cè)算法(包括SSD[22]、YOLOv3[23]和YOLOv4算法)與本文改進(jìn)算法進(jìn)行對(duì)比實(shí)驗(yàn)。其中SSD算法使用VGG19作為骨干網(wǎng)絡(luò)，YOLOv3算法使用Darknet53作為骨干網(wǎng)絡(luò)，YOLOv4算法和本文算法使用CSPDarknet53作為骨干網(wǎng)絡(luò)。在IoU=0.5時(shí)，SSD、YOLOv3、YOLOv4、本文算法4種算法在X射線圖像測(cè)試集上的mAP檢索結(jié)果及各類別目標(biāo)預(yù)測(cè)結(jié)果如圖5所示。

圖5 4種算法測(cè)試集上的mAP結(jié)果及各類別目標(biāo)預(yù)測(cè)結(jié)果Fig.5 mAP results and target predicted results on test sets by 4 algorithms

由圖5可以看出，YOLOv3、YOLOv4算法和本文算法的mAP比SSD算法的mAP高，其中本文算法在檢測(cè)精度上獲得最好的檢測(cè)效果。同時(shí)，與其他3種算法相比，本文算法對(duì)鉗子、槍、扳手、刀和剪刀5類違禁物品進(jìn)行預(yù)測(cè)，均獲得最高的準(zhǔn)確率，分別為80.69%、95.25%、78.20%、84.94%、80.91%. 4種算法的檢測(cè)性能如表1所示。由表1可以看出，與其他3種算法相比，本文算法的mAP最高，達(dá)到80.16%，高于文獻(xiàn)[21]中獲得的最高mAP值79.56%，本文算法的檢測(cè)速度相比YOLOv4算法FPS略有下降，但比SSD算法和YOLOv3算法FPS有所提升。

表1 4種算法的檢測(cè)性能Tab.1 Detection performances of 4 algorithms

進(jìn)一步將本文算法與SSD、YOLOv3、YOLOv4 3種算法在X射線圖像測(cè)試數(shù)據(jù)集上進(jìn)行檢測(cè)驗(yàn)證，部分檢測(cè)結(jié)果可視化如表2所示。

由表2可見(jiàn)，SSD算法在該數(shù)據(jù)集上檢測(cè)違禁品的效果較差，有部分違禁品未能檢測(cè)出來(lái)，特別是重疊遮擋、小目標(biāo)違禁品漏檢，YOLOv3和YOLOv4算法雖然檢出率和檢出精度有一定提升，但在低密度物品被高密度物品遮擋和相近密度物品相互遮擋兩種情況下容易產(chǎn)生漏檢：第1張X射線圖像中有3把刀重疊在一起，表明SSD、YOLOv3和YOLOv4算法均存在漏檢問(wèn)題；第4張X射線圖像中有1把小剪刀小目標(biāo)，表明SSD和YOLOv3算法均存在漏檢問(wèn)題；本文算法在定位準(zhǔn)確情況下表現(xiàn)出較高檢出率，對(duì)小目標(biāo)有較好的檢測(cè)效果，在重疊遮擋情況下也表現(xiàn)出較低的漏檢率與誤檢率。

3.4 消融實(shí)驗(yàn)

通過(guò)消融實(shí)驗(yàn)驗(yàn)證本文改進(jìn)算法的有效性，得到實(shí)驗(yàn)結(jié)果如表3和表4所示。其中，表3是預(yù)置條件和設(shè)置不同Trick(圖像分辨率、數(shù)據(jù)增強(qiáng)、正則化、損失函數(shù))對(duì)X射線圖像違禁品檢測(cè)結(jié)果的影響進(jìn)行評(píng)估，以確定最優(yōu)的初始條件并論證模型的非結(jié)構(gòu)改進(jìn)作用。表4是在表3取得最優(yōu)檢測(cè)結(jié)果的模型基礎(chǔ)上，增加本文提出空洞密集卷積模塊、注意力多尺度特征圖模塊與YOLOv4算法檢測(cè)效果對(duì)比，得到的本文設(shè)計(jì)的模塊對(duì)檢測(cè)性能的影響。

表3 不同Trick對(duì)X射線違禁品圖像檢測(cè)結(jié)果的影響Tab.3 Influences of different Tricks on detected resultsof prohibited items in X-ray image

表4 不同模塊對(duì)檢測(cè)性能的影響Tab.4 Influences of different modules on detectionperformance

由表3第2行和第3行可知，使用高分辨率圖像輸入訓(xùn)練，比低分辨率圖像輸入訓(xùn)練獲得更高的mAP值；由第2行和第4行、第2行和第5行可知，使用Mosaic數(shù)據(jù)增強(qiáng)和DropBlock正則化，對(duì)mAP分別提升了1.91%和0.85%；由第6行、第7行、第8行和第9行可知，使用CIoU損失函數(shù)，相比MSE、GIoU、DIoU損失函數(shù)獲得更高的值。

由表4可知：在檢測(cè)精度方面，改進(jìn)后模型的mAP相比改進(jìn)前模型的mAP提升接近2.29%；在檢測(cè)速度方面，改進(jìn)后模型速度略有下降。對(duì)比改進(jìn)前后多尺度特征融合網(wǎng)絡(luò)的檢測(cè)結(jié)果可以看出：增加了空洞密集卷積模塊后，相對(duì)于原始多尺度特征融合網(wǎng)絡(luò)，多尺度特征融合網(wǎng)絡(luò)有著更好的特征表達(dá)能力，mAP提升接近1.18%，增加注意力模塊改進(jìn)后的網(wǎng)絡(luò)也有1.11%的提升。

4 結(jié)論

本文對(duì)X射線圖像中違禁品自動(dòng)檢測(cè)算法進(jìn)行了研究，針對(duì)X射線圖像中違禁品目標(biāo)的特點(diǎn)，對(duì)YOLOv4檢測(cè)算法進(jìn)行了改進(jìn)，在SIXray公共數(shù)據(jù)集上驗(yàn)證了改進(jìn)后YOLOv4算法對(duì)X射線圖像中違禁品檢測(cè)效果。得到以下主要結(jié)論：

1)本文改進(jìn)YOLOv4檢測(cè)算法X射線圖像違禁品檢測(cè)的mAP達(dá)到了80.16%，檢測(cè)速度為25幀/s.

2)提出空洞密集卷積模塊和注意力多尺度特征圖能夠在擴(kuò)展網(wǎng)絡(luò)寬度、提高信息利用率的同時(shí)，保持較快檢測(cè)速度，促進(jìn)檢測(cè)模型性能的提升。

3)本文改進(jìn)YOLOv4算法能夠更好地完成X射線圖像中違禁物品的檢測(cè)。