目前,国内的安检工作主要依靠人工来识别X光图像中的危险品,但这样的方法存在人力成本高、检测效率不高和过度依赖于安检人员易导致误检等问题。为了解决以上问题,本文提出了基于YOLOv3进行改进的YOLOv3-HZ危险品检测算法,并设计和实现了一个系统用于危险品检测。在人工智能快速发展的今天,利用深度学习算法来辅助安检人员判断X光图像中是否有危险品,帮助实现节省人力成本和提升检测效率,这一研究具有重要的理论意义及应用价值。本文的主要研究工作及取得的研究成果有:1、为了进一步提升YOLOv3算法的检测精度,针对该算法进行如下改进工作:(1)优化YOLOv3网络结构,在darknet53特征提取网络增加残差模块,提升模型的表达能力;为了更好地提取不同感受野的空间特征,在YOLOv3网络中引入SPP网络结构,从而获得更加丰富的局部特征信息;在yolo检测层前增加若干个1×1的卷积层,以缓解特征图数量减少过快而导致的信息的丢失。(2)考虑到数据集中目标物体存在大量相互重叠,改进边框选择算法,以减少对目标物体的误删。(3)为了使模型训练过程中网络更好地优化,通过K-means算法基于样本标注框的长和宽进行聚类,得到适用于本文样本的先验框,从而提升模型训练时的收敛速度和提升检测精度。(4)为了增强模型的鲁棒性,通过对原始图像进行旋转、平移等数据增强的方法来增加数据集的多样性,从而提升检测精度。(5)通过采用多尺度训练方法来训练数据集,让网络充分地学习不同尺度下图像的特征,从而可以更好地完成不同分辨率下的检测任务。2.为了满足模型的实时性检测和部署到移动端或嵌入式设备的需求,采用以下方法对YOLOv3模型进行改进:(1)借鉴了 Mobilenetv2中的倒残差结构(Linear bottlenecks),设计了适用于危险品检测的轻量化网络结构,其大幅降低网络参数与运算量,加快模型的检测速度;(2)为了更好地实现对模型的压缩,YOLOv3-HZ模型将引进深度可分离卷积网络,用于替换部分标准卷积。深度可分离卷积的网络参数量与运算量远低于标准卷积,这一改进大大降低了 YOLOv3-HZ模型的复杂度。3.基于改进的YOLOv3-HZ危险品检测算法,设计并实现了基于YOLOv3-HZ算法模型的X光图像中危险品检测系统。该系统主要功能模块可分为前端展示和服务器端,前端展示主要功能包括上传图片、显示检测结果显示等;服务器端的主要功能模块包括模型管理、普通用户的管理、图像检测模块。