张 莹，朱 晨，杨国亮

（江西理工大学 电气工程与自动化学院，江西 赣州 341000）

0 引 言

包裹X光限制品检测作为物流业及重点场所的重要安防措施，承担着防止易燃、易爆等危险品，刀具、毒品等国家重点违禁品进入货运渠道等工作。目前，安检场所的包裹安检工作是由经过专业培训的安检员来完成，但由于包裹内的物体摆放密集且存在重叠，致使X光安检设备生成的图像辨识困难，使得安检员在判定包裹内的限制品时速度较慢，且辨别精度较低。

目前，计算机辅助识别X光中限制品的技术已被广泛运用，但大多是基于传统方式，如小波去噪[1]、图像增强[2]等，提升效果有限。文献[3]使用图像建模的方法分离X光图像的前景和背景，提升了图像对比度；文献[4-5]对目标建模形成立体化图像，提高了安检人员对部分重叠区域物体的识别能力。目前，关于限制品检测在图像处理、机器视觉等方面的深度学习日益得到普及[6-7]。基于此，本文提出一种用于包裹内密集重叠限制品检测的Crowd-YOLOv3算法。

1 Crowd-YOLOv3算法

Crowd-YOLOv3算法基于YOLOv3算法[8]改进而成，主要对YOLOv3算法的FPN结构损失函数进行了优化。

1.1 改进FPN结构

YOLOv3算法在将主干网络提取的特征信息进行检测前，使用标准的FPN结构将深层特征图中的语义信息复用至浅层特征图中，用于提升算法对小目标的检测效果。文献[9]表明在FPN模型内部进行多样的连接，有助于特征信息的复用，由此提出了NAS-FPN模型。本文针对YOLOv3算法的结构特点对NAS-FPN模型进行优化，将其嵌入到算法的主干网络和检测器之间，替换标准的FPN结构。……