浙江啄云智能科技有限公司

本数据集包含种类丰富、复杂多样场景下的14类违禁品的X光安检图像，通过对图像的标注、抠图、增强、融合等处理，可作为优质样本训练生成智能检测X射线安检违禁品的算法模型，实现对藏匿在其他物品中或伪装成其他物品等复杂环境下的14类X射线安检违禁品的精准识别。1）数据来源：原始数据使用自研X光安检设备自行采集得到； 2）数据清洗和标注：对收集到的数据使用传统 图像处理 方法，包括灰度化、二值化、腐蚀膨胀等操作去除包含噪声的图片数据；利用半自动标注工具得到伪标签，然后使用人工修正标注，并设置审核机制，保证标注的准确性和一致性。 3）违禁品数据集构建：构建一个包含烟花爆竹的违禁品数据集，用于在训练和推理过程中学习罐装易燃气体，气雾剂，压缩装气体，瓶装液体、打火机、电击器、管制刀具、锂电池、枪支及仿制品、日常刀具、手铐、蓄电池、烟花爆竹、子弹及仿制品等14类品项的特征，包括边缘、形状、颜色等。 4） 深度学习 架构选择：选择适合的视觉检测模型，本算法基于FasterRCNN模型构建。 5）模型训练：在标注好的数据集上训练模型，通过监督学习的方式让模型学习识别罐装易燃气体，气雾剂，压缩装气体，瓶装液体、打火机、电击器、管制刀具、锂电池、枪支及仿制品、日常刀具、手铐、蓄电池、烟花爆竹、子弹及仿制品等14类品项的特征。使用交叉验证和不同性能指标（如准确率、召回率）评估模型的识别能力。 6）超参数调优：进行超参数调优，包括学习率、模型结构和尺寸、目标损失函数等，以优化模型性能。 7）模型验证：在独立的测试集上验证模型的性能，确保模型在未见数据上也能表现良好。 8） 智能检测结果生成：通过训练好的模型和违禁品数据集，通过循证规则来完成上述14类违禁品的智能识别，最终基于算法模型输出相关属性，具体包括品项类别、品项位置和置信度；输出的置信度与阈值进行比较，如果置信度大于阈值，且品项类别为上述违禁品的具体类别，则表示检测出违禁物。示例性地，样例数据的X光安检图像中，检测出3种类别的违禁品，目标物数量记为3，品项类别分别为压缩装气体、瓶装液体和锂电池，品项位置分别为[661, 210, 750, 335]、[373, 323, 432, 422]、 [383, 162, 494, 292]和[744, 539, 769, 551]。