行李安检禁限带物品识别多标签图像分类算法

有效识别禁限带物品的智能识别算法有助于降低安检人员劳动强度，提升旅客行李安检作业效率。文章采用图像多标签分类的深度卷积神经网络，通过引入图像注意力机制与动态元融合，能够在卷积前向传递过程中补充低层图像视觉线索，有效应对行李X光图像中物品影像混叠干扰及低分辨率特征混淆的问题，增强对细粒度特征的识别能力；同时，引入外部神经知识的元选择网络，实现网络多阶段预测的自适应融合，以避免权重偏置现象。实验结果表明，文章算法能够克服行李X光图像中影像混叠和物品尺度变化带来的禁限带物品识别困难，有效提高识别准确率。     

行李安检智能检测最难分样本集选取方法研究

研究表明，使业务模型性能变差的难分样本对系统边界决策能力增长有决定性影响。由于行李携带危险品的多样性及实物形态的不确定性，以及现场行李安检系统生成的行李X光图像数据呈现“长尾分布”特征，由有限次样本采集的数据集训练得到的智能检测模型，在应用于现场行李安检系统后，存在检测准确率不高的问题。文章针对行李安检智能检测数据分析闭环流程，提出最难分样本集的离散强化选取方法，可从现场行李安检系统运行过程中产生的危险品实例图像中选取最难分样本集，作为新增样本数据，用于智能检测模型的学习更新，实现安检智能检测软件性能的持续增强。