Yolo-C：基于单阶段网络的X光图像违禁品检测

作者：郭守向; 张良^*

来源：激光与光电子学进展, 2021, 58(08): 75-84.

• 图像处理
• 违禁品检测
• 单阶段双网络
• Yolo-C
• 特征增强模块
• 迁移学习

为了检测X光图像中的违禁物品,提出一种基于深度学习的单阶段双网络目标检测算法。在单阶段目标检测网络Yolov3的基础上,结合复合骨干网络的思想,构建了Yolo-C目标检测网络。Yolo-C的骨干网DarkNet-C由辅助骨干网络DarkNet-A和引导骨干网络DarkNet-L组成。DarkNet-A中的各个特征层与DarkNet-L中对应的上一层级进行特征级联,然后向下一层级传播,最终得到表征图像信息的特征图。为提升对小目标的检测性能,引入特征增强模块(FAB)。对级联后的特征图进行特征融合,以增强特征的非线性表达能力,达到特征平滑的目的。此外,采用迁移学习和数据增强的方法训练网络,提升了网络的鲁棒性。该算法在SIXrayOD数据集上平均精度均值(mAP)达到了73.68%,检测速度达40frame·s-1。实验结果表明,Yolo-C在检测X光图像领域,有效提高了对多类违禁物品的检测精度,且满足检测的实时性要求。

• 单位
  中国民航大学