基于改进Faster RCNN算法的X光违禁物品检测

摘要

X光违禁物品检测在保护公共社会安全中起着重要的作用,随着深度学习的发展,智能安检也发展迅速。针对违禁物品大小不一、物品之间相互遮挡等特点,本文提出一种改进Faster RCNN算法。该算法用具有更优图像特征提取特性的ResNeXt网络替换原来的VGG16网络,引入FPN网络以适应各种尺度的违禁物品,使用CIoU损失函数代替原来的SmoothL1损失函数。将改进后的Faster RCNN算法在OPIXray数据集上进行测试,实验结果表明,mAP值较原算法提升了12.4%,且对比当前主流目标检测框架YOLOv5、YOLOX的mAP值分别高出2%和2.2%。