基于CNN的机场安检危险品自动识别研究

论文摘要

机场安检是民航安全飞行的重要保障。针对机场安检危险品人工识别工作量大、效率低、易疲劳误判及危险品图像数据集不均衡导致识别准确率低的问题,提出一种基于GAN数据增强的卷积神经网络危险品自动识别模型。首先利用GAN使危险品图像数据集均衡化,然后将图像输入由4个卷积层、1个全连接层构成的卷积神经网络模型进行训练,训练时引入随机失活优化技术,使模型得到更好的识别效果。在2017公安一所危险品图像数据集上的实验结果表明,经过均衡化处理后,模型的识别准确率达到90.7%,较均衡化之前提高了33.4%。另外,经过对比实验,模型的识别准确率分别比GoogLeNet、AlexNet、ResNet高出5.8%、7.2%和5.4%。该模型具有较高的识别准确率及较好的实时性,对提升机场安检智能化水平具有积极意义。

论文目录

• 0 引 言
• 1 基于GAN数据增强的卷积神经网络模型
•   1.1 数据集均衡化
•   1.2 卷积神经网络模型
•   1.3 模型优化技术
•     1.3.1 损失函数
•     1.3.2 优化函数
•     1.3.3 随机失活
• 2 实验验证
•   2.1 实验平台及数据集
•   2.2 有效性验证
•   2.3 方法效果对比
• 3 结束语

文章来源

类型: 期刊论文

作者: 高强,潘俊,洪锐锋

关键词: 危险品,自动识别,不均衡

来源: 计算机技术与发展 2019年10期

年度: 2019

分类: 信息科技,工程科技Ⅰ辑,工程科技Ⅱ辑

专业: 安全科学与灾害防治,航空航天科学与工程,计算机软件及计算机应用,自动化技术

单位: 广州民航职业技术学院计算机系

基金: 广东省高等教育教学改革项目(201401017),广州民航职业技术学院科学技术项目(2017X0205,2018X0202)

分类号: TP391.41;V354;V328.3;TP183

页码: 95-99

总页数: 5

文件大小: 2115K

下载量: 217