YOLOv5（You only look once，v5）具有检测速度快、精度高的优点，被广泛应用于实时目标检测中。针对X光安检图像背景复杂、物体多尺度、相互重叠导致的错检、漏检问题，在YOLOv5s网络结构的基础上，通过改进注意力机制开发了新的特征融合策略，并提出了一种具有自适应特征融合策略与注意力机制的目标检测YOLOv5s-AFA网络。该网络在浅层引入扩大感受野模块与改进的空间注意力机制，在深层引入改进的通道注意力机制。新的特征融合策略可每次输出三个不同深度的特征图，通过自适应学习权重融合浅层空间信息与深层语义信息，使网络的学习更具针对性。在X光安检图像数据集上的目标检测结果表明，相比其他对比网络，YOLOv5s-AFA网络的错检率和漏检率有明显降低。
图像处理 深度学习 目标检测 X光安检图像 注意力模块 特征融合 激光与光电子学进展
2022, 59(16): 1610013
中国民航大学天津市智能信号与图像处理重点实验室, 天津 300300
现有的目标检测算法检测X光安检图像中较小尺寸的危险品精度较低,为此提出一种多尺度特征融合检测网络,即MFFNet(Multi-scale Feature Fusion Network),其以SSD检测模型为基础并采用更深的特征提取网络,即ResNet-101。通过跳跃连接的方式将网络的高层语义丰富特征与低层边缘细节特征进行融合,为小尺度危险品的检测添加上下文信息,可以有效提升对小尺度目标的识别与定位精度。将融合得到的新特征层与SSD扩展卷积层一起送入检测。实验结果表明,MFFNet能够使X光安检图像中的危险品特别是较小尺寸的危险品,检测精度得到较大的提升,同时能够保持相对较快的检测速度,满足现代化安检的要求。
图像处理 特征融合 X光安检图像 危险品检测 激光与光电子学进展
2021, 58(8): 0810012
1 哈尔滨理工大学 测控技术与通信工程学院，黑龙江 哈尔滨 150080
2 中部大学 计算机科学学院，日本 爱知 487-8501
针对主动视觉安检方法准确率低、速度慢，不适用于实时交通安检的问题，提出了八度卷积（OctConv）和注意力机制双向门控循环单元（GRU）神经网络相结合的X光安检图像分类方法。首先，利用八度卷积代替传统卷积，对输入的特征向量进行高低分频，并降低低频特征的分辨率，在有效提取X光安检图像特征的同时，减少了空间冗余。其次，通过注意力机制双向GRU，动态学习调整特征权重，提高危险品分类准确率。最后，在通用SIXRay数据集上的实验表明，对8000幅测试样本的整体分类准确率（ACC）、特征曲线下方面积（AUC）、正类分类准确率（PRE）分别为98.73%、91.39%、85.44%，检测时间为36.80 s。相对于目前主流模型，本文方法有效提高了X光安检图像危险品分类的准确率和速度。
X光安检图像 八度卷积 双向门控循环单元 注意力机制 X-ray inspection images octave convolution bidirectional GRU attention mechanism 
