徐铭源 杨艳红

（苏州大学应用技术学院，江苏 苏州 215325）

1 引言

传统的安检措施，主要是通过安检员肉眼的观察来判断物品的种类，这样的方式往往效率较低，且人员调动复杂，并且由于汽车站、火车站以及飞机场等交通枢纽具有客流量大、人员复杂、流动性高等因素，传统的安检方式已经不能满足当前的需求。为了缓解安检的压力，采用深度学习算法，实现实时的智能化检测。目前，基于深度学习的目标检测方法主要有两类：一类是以Faster(F-CNN)、R-CCN[7]、SPP-Net[9]为代表的基于候选框的双阶段目标检测算法，这类算法检测精度高，但速率较低；另一类是以SSD[2]、YOLO[1]为代表的单阶段目标检测算法，此类算法检测速度较高[5]。与YOLO 算法相比，SSD算法能够兼顾大小目标的检测且效率高，因此基于深度学习的行李检测系统选择使用SSD算法。

2 系统设计

系统由检测模块、Java 后台模块和Web 前台模块组成。系统结构如图1所示。

图1 系统结构

检测模块分为两部分，一部分是先期的学习，另一部分是后期的识别与预测。学习阶段，将制作和处理好的数据集放入SSD 模型中，通过框体间的对比，将学习好的参数存入模型，以便后期使用。后期，根据实际生产环境，调用模型，实时对新的行李进行追踪与识别。Java 后台模块采用Tomcat 服务器和SpringBoot 框架，负责报警机制的设定，连接Web前台、检测模块和数据库，进行数据的传递，实现前后台的交互。Web 前台模块采用Vue 框架，使用TCP/IP 协议，响应客户端的请求，将处理好的数据传送给客户端；使用Web-Socket协议，实现Web服务器对客户端的请求。……