基于CNN的机场安检危险品自动识别研究

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.

关键词：危险品、CNN、自动识别、不均衡、GAN

所属期刊栏目：29

分类号：TP391.41(计算技术、计算机技术)

资助基金：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

在线出版日期：2019-10-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：95-99