Оценка архитектур одностадийных детекторов на основе сверточных нейронных сетей для обнаружения опасных объектов на рентгеновских изображениях багажа

Нейронные сети способны отображать сложные функции, связывающие входные данные с целевыми значениями, и демонстрируют передовые результаты в области компьютерного зрения. Модели на основе нейронных сетей вытеснили традиционные алгоритмы компьютерного зрения при обработке рентгеновских изображений. В данной работе предлагается решение на основе глубокой нейронной сети для одной из задач анализа рентгеновских изображений — обнаружения острых предметов на рентгеновских изображениях багажа. В предыдущих исследованиях для обнаружения объектов в системах рентгеновской визуализации применялись архитектуры сверточных нейронных сетей (CNN), основанные на выделении областей. Мы предлагаем методы глубокого обучения на основе Single Shot Detector (SSD) и RetinaNet — однопроходных методов обнаружения объектов, способных выполнять вывод в реальном времени со скоростью 15–30 кадров в секунду (fps) в видеопотоке. Эти методы используют полностью сверточные сети (FCN), способные выполнять классификацию и регрессию с одними и теми же общими весами. Сети возвращают ограничивающую рамку вокруг интересующего объекта и его класс. Этот подход использовался для обучения одностадийных детекторов четырех представляющих интерес объектов: ножей, ножниц, гаечных ключей и плоскогубцев. При использовании базы данных SIX-ray10, содержащей опасные и неопасные предметы, средняя точность по всем классам составила 60,5% для SSD и 60,9% для RetinaNet. Доля опасных предметов по отношению к неопасным очень мала, что делает задачу сложной. В ходе различных экспериментов были получены наилучшие результаты при использовании различных предварительно обученных сетей в качестве экстракторов признаков совместно с данными алгоритмами обнаружения объектов. При дальнейшем улучшении полученных результатов этот метод можно будет внедрить в аэропортах для минимизации человеческого фактора и повышения безопасности в таких условиях.