卢官有 顾正弘

(扬州大学信息工程学院 江苏 扬州 225127)

0 引 言

近年来，随着经济和电商行业的迅速崛起，物流货物流通量急剧增长，同时也加大了物流货物安检工作量。现有的X射线安检机只能检测出物质的类别，包裹中是否携带危险品还需安检工作人员进行肉眼观察识别，这种安检方式检测效率低，而且人工成本高，适应不了当前的安检需求。因此，利用计算机视觉及图像识别技术来辅助安检人员完成安检工作是未来的发展趋势[1]。

随着深度学习和计算机视觉技术的不断发展，越来越多的目标检测算法被提出。目前基于深度神经网络且应用比较广泛的目标检测算法可以分为两类：第一类是基于区域建议框的深度学习目标检测算法，如R-CNN[2]算法、Faster R-CNN[3]算法、Mask R-CNN[4]算法等。这些算法将目标检测任务分为两阶段：第一阶段是用区域候选网络来提取候选目标信息，第二阶段是利用检测网络完成对候选目标的位置和类别的预测和识别。第二类是基于回归的深度学习目标检测算法，如SSD[5]算法、YOLO[6]算法、YOLOv2[7]算法、YOLOv3[8]算法等。这些算法不需要使用区域候选网络来提取候选目标，即给定一幅输入图像，直接在图像中的多个位置进行回归运算，预测出这些位置附近可能存在的目标位置和类别，是一种端到端的目标检测算法，具有更快的检测速度。其中YOLOv3兼顾了速度和平均精度均值(mAP)，是目前比较优秀的目标检测算法。

为了实现物流货物中危险品的实时检测，本文以YOLOv3网络模型为基础进行研究和改进，利用阿里天池数据竞赛平台的“津南数字制造算法挑战赛——赛场二：物流货物限制品监测”的数据集进行训练模型。……