違禁品X光圖像檢測技術(shù)應(yīng)用研究進展綜述

梁添汾，張南峰，2，張艷喜，袁金豪，高向東

1.廣東工業(yè)大學 機電工程學院，廣州510006

2.黃埔海關(guān)技術(shù)中心，廣東 東莞523076

X光安檢是一項成熟的安檢技術(shù)，廣泛應(yīng)用于各種公眾安檢領(lǐng)域。X光能夠穿透物體產(chǎn)生透視圖像，可清晰看到和檢查行李中的物品。目前X光圖像違禁品檢查還需安檢人員對X光圖像進行判別[1]，但其工作量和工作強度巨大，尤其是人員流動的高峰期，安檢人員難以進行快速判別。安檢人員安檢準確率為80%~90%[2]，物體在行李中堆放位置及其角度呈現(xiàn)出高度的不確定性，物體非標準平面圖像比標準平面圖像識別難度更大，因此自動安檢成為安檢領(lǐng)域的必然趨勢。

近年來深度學習在圖像處理方面取得大量成果[3]?；谏疃葘W習的X光圖像違禁品研究文獻逐漸增加，針對X光違禁品檢測應(yīng)用研究現(xiàn)狀，對違禁品檢測技術(shù)進行歸納與總結(jié)，分析該領(lǐng)域內(nèi)存在的不足與值得關(guān)注的方向。首先介紹X光成像相關(guān)技術(shù)及其特點，然后探討傳統(tǒng)機器學習的X光違禁品檢測方法，分析基于深度學習的X光圖像違禁品檢測算法研究，最后總結(jié)現(xiàn)有研究的不足并對未來發(fā)展方向進行展望。

1 X光成像技術(shù)

X射線由德國物理學家倫琴于1895年發(fā)現(xiàn)，其能量很強，波長很短，可穿透物質(zhì)。X射線在醫(yī)療、工業(yè)檢測、公共安全等領(lǐng)域發(fā)揮著極其重要的作用。X光成像技術(shù)主要有透視成像技術(shù)、背散射成像技術(shù)和計算機斷層掃描技術(shù)（CT）等。

背散射技術(shù)利用康普頓散射原理進行成像，X光遇到物體會產(chǎn)生大量散射光子，散射強度與物體原子序數(shù)有關(guān)，通過散射光子進行探測成像。背散射技術(shù)能有效檢測違禁物品，特別是液體違禁品、炸藥等[4]，但其缺點是穿透能力差，成像分辨率低。

CT技術(shù)從20世紀70年代問世以來，因其在物質(zhì)探測方面的優(yōu)秀性能，廣泛應(yīng)用于醫(yī)療診斷、工業(yè)檢測領(lǐng)域。X光掃描一定厚度的物體斷面，然后利用計算機進行三維重建獲得物體形狀、密度、有效原子序數(shù)和質(zhì)量等信息，但設(shè)備價格昂貴，在醫(yī)療上使用較多。

目前公共檢查領(lǐng)域大量使用X光透視技術(shù)進行安檢，透視成像分為單能X光透視成像和雙能X光透視成像，其中單能X光透視成像最基礎(chǔ)，使用時間也最早。單能X光透視成像為灰度圖，但單能透視成像無法區(qū)分物體的材質(zhì)，因此目前公共場合通常采用雙能X光。雙能X光使用高低能兩個射線管，根據(jù)物體對高低能射線吸收系數(shù)不同，將兩個不同物質(zhì)、不同厚度的物體區(qū)分出來更便于安檢人員對物體進行分辨[5]。

2 傳統(tǒng)機器學習違禁品X光圖像檢測應(yīng)用

傳統(tǒng)機器學習X光圖像檢測使用手工特征和分類器進行分類，定位信息則由滑窗方式進行獲取[6]。在傳統(tǒng)X光圖像檢測中視覺詞袋模型（Bag-of-Visual-Words，BOVW）被使用頻率最高。圖1是視覺詞袋模型分類流程。傳統(tǒng)機器學習檢測方法可分為X光單視圖檢測和X光多視圖檢測。

圖1 視覺詞袋模型分類流程Fig.1 Classification process of BOVW

2.1 X光單視圖檢測

早期機器學習違禁品檢測研究中使用單視圖進行檢測較多。視覺詞袋模型在X光圖像分類上有較好的適應(yīng)性，可用于減少安檢人員的工作量[7]。Turcsany等[8]使用支持向量機（Support Vector Machine，SVM）和SURF（Speeded-Up Robust Features）特征建立視覺詞袋模型，通過特征描述符類的聚類得到啟動視覺詞，并將其用于視覺詞袋模型中的圖像編碼，對雙能X光圖像中的違禁品進行識別，驗證了使用大型和具有代表性的數(shù)據(jù)集可提升分類任務(wù)的效果?；陔[式形狀模型（Implicit Shape Model，ISM）對單一視角圖像違禁品進行識別也有較好效果[9]。王宇等[10]提出一種基于Tamura紋理特征和隨機森林分類方法，對四類違禁品進行特征提取和分類，特征表示分別使用共生矩陣和Tamura特征，分類器使用隨機森林、AdaBoost、決策樹和貝葉斯網(wǎng)絡(luò)進行對比，結(jié)果顯示Tamura特征組合隨機森林分類器分類性能最好。Zhang等[11]使用X光圖像顏色、紋理、形狀和邊緣特征等底層特征挖掘圖像的高級特征來進行違禁品檢測。文獻[6]在基于傳統(tǒng)手工特征的X光圖像分類檢測任務(wù)上做了大量工作和實驗，將多種手工特征進行組合實驗，全面展示了傳統(tǒng)手工特征在X光圖像檢測任務(wù)上的性能。

2.2 X光多視圖檢測

由于單視圖檢測沒有考慮多視圖間關(guān)系對物體檢測帶來的性能提升，有學者采用多視圖對物體的多個角度成像然后進行檢測。Franzel等[12]使用SVM組合梯度直方圖進行滑窗檢測，引入多視角集成方法處理平面物體的旋轉(zhuǎn)，實驗證明使用多視圖可有效提高檢測性能。Bastan等[13]基于視覺詞袋模型提出一種綜合評價圖像分類和目標檢測的標準局部特征，然后擴展特征來獲取雙能X光中額外有用的信息，實驗表明使用多視圖可提高定位精度，從而提高檢測性能。Mery等[14]提出一種基于序列的多視圖識別X光圖像物體的自適應(yīng)檢測方法，從不同角度采集目標的各個部分，建立多視圖幾何模型，尋找不同視圖間對應(yīng)關(guān)系，同時結(jié)合單視圖檢測和多視圖檢測分析跟蹤物體。該方法可減少由于單視角檢測產(chǎn)生的誤檢，增加算法的魯棒性。Mery等[15]提出了一種識別方法，將檢測應(yīng)用于單視角圖像，尋找感興趣的目標，然后在多視角X光圖像上進行匹配，減少單視圖檢測時產(chǎn)生的誤報。

表1 對單視圖檢測與多視圖檢測進行了對比分析。

表1 單視圖檢測與多視圖檢測對比Table 1 Comparison of single view detection and multi-view detection

3 深度學習的違禁品X光圖像檢測應(yīng)用

3.1 深度學習技術(shù)

深度學習使多層非線性網(wǎng)絡(luò)具有強大的表達能力，在語音、圖像、文本等領(lǐng)域發(fā)揮重要作用[16]。目標檢測是圖像處理領(lǐng)域中重要的問題，基于深度學習的目標檢測算法可應(yīng)用于各種檢測領(lǐng)域，例如公共場所吸煙檢測[17]和病灶檢測[18]等。近年來深度學習得到突破性發(fā)展，將其應(yīng)用于目標檢測任務(wù)也使目標檢測領(lǐng)域獲得突飛猛進的發(fā)展[19]。

2012年Krizhevsky等[20]提出的AlexNet網(wǎng)絡(luò)在圖像分類上取得成功，表明深度學習在圖像處理中的優(yōu)秀性能。在AlexNet取得巨大成功后VGG[21]、GoogleNet[22]、ResNet[23]等各種分類網(wǎng)絡(luò)相繼推出，深度學習的分類性能不斷得到提高。目標檢測算法可分為單階段檢測算法和兩階段檢測算法，兩階段檢測算法最經(jīng)典的模型是R-CNN[24]。R-CNN由Girshick等于2013年提出，模型提取約2 000個候選區(qū)域作為輸入，經(jīng)過AlexNet提取特征，使用SVM和回歸器進行分類和定位。以R-CNN為基礎(chǔ)不斷進行改進，SPP-Net[25]、Fast R-CNN[26]和Faster R-CNN[27]等都是改進后的優(yōu)秀模型。單階段檢測算法與兩階段檢測算法不同，其實現(xiàn)端對端訓練和檢測，因此單階段檢測算法檢測速度快，滿足實時性要求。單階段檢測算法中有許多優(yōu)秀的模型，其中YOLOv3[28]、YOLOv4[29]、SSD[30]、FSSD[31]都是檢測速度與檢測精度平衡的檢測模型。

3.2 X光圖像數(shù)據(jù)集

深度學習目標檢測模型的提出及其解決的問題大多是基于光學圖像，公開的光學圖像數(shù)據(jù)集獲取容易，而且制作成本不高，但X光圖像的獲取較為困難，必須使用專業(yè)設(shè)備進行獲取。目前適用于違禁品檢測的X光數(shù)據(jù)集有GDXray[32]、SIXray[33]和天池津南數(shù)字制造算法比賽數(shù)據(jù)集[34]。

GDXray是首個公開的X光圖像大型數(shù)據(jù)集，包含8 150張X光行李圖像，數(shù)據(jù)集中有槍支、手里劍和刀片違禁品。GDXray數(shù)據(jù)集中的數(shù)據(jù)都是灰度圖，其中目標輪廓清晰容易區(qū)分，背景簡單，物體重疊和遮擋現(xiàn)象較少。

(3)裕固族傳統(tǒng)體育的發(fā)展與當?shù)氐慕?jīng)濟、文化教育事業(yè)發(fā)展步伐不一致，使裕固族傳統(tǒng)體育的自身功能衰退，阻礙了裕固族傳統(tǒng)體育的發(fā)展。

SIXray數(shù)據(jù)集提供超過100萬張X光圖像，其中有六類目標分別是槍、刀、扳手、鉗子、剪刀和錘子，包含目標的標記圖像有8 929張。SIXray數(shù)據(jù)集中目標物體堆放隨機性相當大，圖像中背景復(fù)雜且其中物體存在嚴重的重疊和遮擋。

天池津南數(shù)字制造算法比賽數(shù)據(jù)集針對危險品、限制品和特殊物品三大類物品細分出五類目標，分別是鐵殼打火機、黑釘打火機、刀具、電池電容和剪刀。該數(shù)據(jù)集中目標數(shù)量多，堆放角度和位置隨機性大，背景較雜亂。

3.3 深度學習方法與傳統(tǒng)方法對比

深度學習擁有多層神經(jīng)網(wǎng)絡(luò)，其分類性能優(yōu)于傳統(tǒng)機器學習算法。深度學習廣泛應(yīng)用于檢測領(lǐng)域，在X光圖像檢測領(lǐng)域也大量使用深度學習。Akcay等[35]首次將深度學習引入到X光圖像的行李分類檢測，使用遷移學習將AlexNet網(wǎng)絡(luò)應(yīng)用于X光圖像行李分類的研究；對比傳統(tǒng)機器學習，深度學習表現(xiàn)出優(yōu)秀的檢測性能和魯棒性。Mery等[1]在GDXray數(shù)據(jù)集上進行實驗，使用基于詞袋模型、稀疏表示、深度學習和經(jīng)典模式識別方案進行檢測實驗。AlexNet和GoogleNet都能達到相當高的識別率，說明使用深度學習方法設(shè)計自動的違禁品識別設(shè)備的可行性。Akcay等[36]將基于滑動窗口的CNN模型與基于候選區(qū)域的檢測模型的檢測性能進行了對比。Akcay等[37]將深度學習分類網(wǎng)絡(luò)與視覺詞袋模型進行對比，使用多種深度學習分類模型與手工特征處理二分類問題，實驗表明深度學習分類性能優(yōu)于視覺詞袋模型，更適合X光圖像分類任務(wù)。以上文獻的研究表明了深度學習在X光圖像檢測上的適應(yīng)性和魯棒性。表2對深度學習方法與傳統(tǒng)機器學習方法進行了對比。

表2 深度學習方法與傳統(tǒng)機器學習方法對比Table 2 Comparison of deep learning methods and traditional machine learning methods

3.4 小目標檢測

安檢中行李一般較大，但隱藏在行李中的違禁品很小，例如小刀、槍支部件等，此類小物件給檢測造成了一定的困難。提高小目標檢測性能方法有使用多尺度特征融合、多尺度錨框以及多卷積模塊等，如圖2所示。多尺度特征融合可擴大深度學習模型的感受野，同時增加特征復(fù)用，將不同深度特征進行融合以提高小目標檢測性能。為解決X光圖像中小目標漏檢誤檢問題，吉祥凌等[38]在SSD基礎(chǔ)上使用多尺度特征融合提高小目標檢測效果。在輸入模型訓練前將圖像壓縮到固定尺寸，但這會一定程度降低檢測精度，改進網(wǎng)絡(luò)將大圖像進行分區(qū)域檢測可改善上述問題。加入多尺度錨框可增加模型對于不同尺度目標的感應(yīng)能力。張友康等[39]基于SSD網(wǎng)絡(luò)進行改進，在該模型中加入小卷積非對稱模塊、多尺度特征圖融合模塊等以提升模型對小目標的檢測效果。郭守向等[40]在YOLOv3的基礎(chǔ)上將其主干網(wǎng)絡(luò)改為兩個DarkNet組合而成的新骨干網(wǎng)絡(luò)，引入6層卷積的特征增強模塊增強小目標的檢測效果。對于Faster R-CNN模型對小目標不敏感問題，康佳楠等[41]對Faster R-CNN進行改進，將原本單卷積層提取特征提升為三層，同時提出多通道區(qū)域建議網(wǎng)絡(luò)提高小目標檢測效果。在網(wǎng)絡(luò)中加入多種卷積模塊也可一定程度提高小目標檢測性能，Zhang等[42]在FSSD的基礎(chǔ)上添加空洞卷積和殘差模塊提高模型對小目標的檢測效果。

圖2 小目標檢測策略Fig.2 Small object detection strategy

3.5 特征提取策略

由于X光特殊的成像原理，其成像存在細節(jié)信息丟失和顏色信息丟失以及物體重疊等問題，針對這些特點優(yōu)化算法可提高模型的性能。Liu等[43]針對X光圖像前景和后景的亮暗差別明顯特點，基于X光特定的顏色信息提出一種前景-后景分割方法，分割后可將大部分無用的后景去掉以提高檢測性能，但其背景劃分方法簡單，泛化性能不足。X光圖像可獲取豐富的物體輪廓信息，Hassan等[44]利用X光圖像中物體的輪廓信息經(jīng)過級聯(lián)結(jié)構(gòu)張量技術(shù)生成一系列張量，然后導(dǎo)出目標建議，再經(jīng)過基于輪廓和建議提取目標的卷積神經(jīng)網(wǎng)絡(luò)進行目標檢測。該改進措施可提升深度學習模型的檢測精度，但舍棄了圖像的細節(jié)紋理信息。對于遮擋問題，張友康等[39]提出空洞多視野卷積模塊，使用不同尺度的卷積核、不同膨脹率的空洞卷積以及直聯(lián)卷積，增強模型在全局視野下對遮擋目標的學習。此外，加入注意力模塊也能有效解決遮擋問題，Li等[45]將語義分割網(wǎng)絡(luò)與Mask R-CNN組合成雙階段CNN模型，使用語義分割網(wǎng)絡(luò)的結(jié)果作為Mask R-CNN軟注意掩碼，以改善X光圖像中物體重疊導(dǎo)致的性能下降問題。利用雙能X光圖像的特性，將有機物和無機物進行分離更有利于違禁品檢測。Zhang等[46]提出XMC R-CNN模型，首先利用X射線材料分類器算法以及有機剝離和無機剝離算法解決重疊X光行李圖像中的違禁品檢測問題，然后進行目標檢測。

3.6 異常分類

違禁品在正常情況下出現(xiàn)的概率很小，因此可將違禁品出現(xiàn)作為異常?；趯Ω信d趣區(qū)域定位的思想，Gaus等[47]提出一種雙CNN結(jié)構(gòu)的兩階段檢測方法。第一階段在X光圖像上找出感興趣區(qū)域提供定位信息給第二階段，第二階段獲得定位信息后采用SqueezeNet、VGG16以及ResNet進行異常分類，但該方法總體結(jié)構(gòu)復(fù)雜，第二階段異常分類精度不夠理想。對于異常樣本遠遠少于正常樣本的問題，Akcay等[48]提出一種新的編碼器-解碼器-編碼器模型，用于條件生成對抗網(wǎng)絡(luò)，捕獲圖像和潛在向量空間中的訓練數(shù)據(jù)分布，檢測出X光圖像中的異常類，但該方法對一些相似形狀的目標難以區(qū)分。為解決X光違禁品分類效率低和準確度不足問題，吳海濱等[49]提出將X光圖像進行高低頻分解，使用八度卷積來替代傳統(tǒng)卷積，同時引入注意力機制雙向門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)，有效提高了模型分類速度和準確度。

3.7 模型可轉(zhuǎn)移性

文獻[35]將深度學習引入到X光檢測領(lǐng)域時就使用了遷移學習。遷移學習可加快模型收斂速度，但遷移學習是有限制的，要保證訓練域與目標域有相似性[50]，將光學圖像數(shù)據(jù)集訓練出來的權(quán)重直接應(yīng)用到X光檢測中會限制模型的性能[1]。Galvez等[51]基于YOLOv3使用遷移學習和從零開始學習進行對比實驗。從零開始訓練的損失比遷移學習的損失更小且平均精確度更高，從零開始訓練的性能明顯優(yōu)于遷移學習。在不同X光數(shù)據(jù)集中訓練的模型可轉(zhuǎn)移，但模仿違禁品的金屬物品容易被檢測為違禁品[52]。由于不同X光成像設(shè)備的成像方式、成像質(zhì)量以及穿透能力等方面具有差異性，這種差異性導(dǎo)致不同域數(shù)據(jù)集進行檢測時會出現(xiàn)檢測精度下降問題。為了解決這個問題，何彥輝等[53]提出一種基于上下文的透射率自適應(yīng)域?qū)R方法，使用注意力機制解決不同域數(shù)據(jù)的顏色差異問題，再將多分率特征對齊，最后使用上下文向量作為對抗訓練的正則化，利用鄰域信息提高檢測精度，但小目標、顏色相近物體重疊，容易出現(xiàn)誤檢。

3.8 語義分割

深度學習目標檢測算法能提供目標的位置和分類信息，但不能提供目標的形狀信息，若能將目標形狀劃分出來將更有利于違禁品的檢測工作。Xu等[54]提出將圖像分割和注意力機制結(jié)合來獲取違禁品位置、類別、形狀信息，但其定位精度不高，檢測速度也相對較慢。語義分割將圖像中的每一個像素都進行分類，因此不僅可提供目標的位置信息，還能提供目標的形狀信息。An等[55]將語義分割算法應(yīng)用在違禁品檢測任務(wù)中，提出一種通道注意和空間注意結(jié)合的雙重注意分割網(wǎng)絡(luò)。雙重注意的使用能有效提高平均交并比（mean Intersection over Union，mIoU）。該方法能獲得精確的分割結(jié)果，但其分割速度較慢，多目標檢測受限。蘇志剛等[56]使用語義分割算法進行違禁品檢測，使用空洞空間金字塔卷積模塊和注意力機制提升模型的特征提取能力，同時使用1×1卷積輕量化模型，提升模型的效率，分割網(wǎng)絡(luò)有效地將X光圖像中的多目標分割出來。Chouai等[57]提出CH-Net，將深度卷積網(wǎng)絡(luò)與對抗式自編碼器結(jié)合起來，其中編碼器通過壓縮圖像產(chǎn)生一個潛在空間，該潛在空間中的所有特征都不相關(guān)，使得每個特征都捕捉到輸入圖像的一個獨特的、特定的特征，有效提高語義分割的效果。對于顏色信息不豐富的X光圖像，加入灰度通道進行訓練也能提高訓練效果。Kim等[58]在U-Net的基礎(chǔ)上提出O-Net，加入灰度圖像，使用兩個編碼器和兩個解碼器分別處理彩色圖和灰度圖，使神經(jīng)網(wǎng)絡(luò)的輸出性能最大化，其分割得到的目標檢測精度優(yōu)于YOLOv3，但模型結(jié)構(gòu)更復(fù)雜，參數(shù)更多。

3.9 數(shù)據(jù)增廣

深度學習模型效果與數(shù)據(jù)的豐富度有極大的相關(guān)性，在一定程度上可認為數(shù)據(jù)決定模型可發(fā)揮的最優(yōu)性能。X光圖像的獲取十分困難，但是單單使用實驗收集到的數(shù)據(jù)不足以讓深度學習模型充分學習圖像特征，因此數(shù)據(jù)增廣也是極為重要的一環(huán)。X光圖像在進行數(shù)據(jù)增廣時需要考慮其特性、圖像數(shù)量以及多樣性才能獲得理想的效果[59]。Saavedra等[60]基于X射線的吸收定律疊加不同層的違禁品，使用孤立的違禁品和無違禁品圖像合成極為真實的違禁品X光圖像，同時使用GAN模型生成X光圖像，然后再進行圖像合成，但僅對單能X光圖像進行實驗。使用GAN模型生成的圖像來擴展數(shù)據(jù)有利于目標檢測模型發(fā)揮更好的檢測性能[61]。使用GAN進行圖像增廣時不僅需要考慮增廣的數(shù)量，還要考慮增廣的數(shù)據(jù)多樣性。Yang等[62]利用空間直角坐標系對獲得的項目圖像進行姿態(tài)分類，利用GAN生成具有新形狀、顏色或姿態(tài)的X光圖像，但生成的圖像存在扭曲、失真等情況。利用普通光學圖像與X光圖像的映射關(guān)系進行圖形增廣能更有效地豐富數(shù)據(jù)增廣后的多樣性。Zhu等[63]提出了一種基于Cycle GAN將物品自然圖像轉(zhuǎn)換為X光圖像的方法，豐富新圖像的多樣性，包括物品的形狀和姿態(tài)，然后生成的違禁品圖像與背景圖像結(jié)合，合成新的X光安檢圖像，但是生成的圖像會出現(xiàn)扭曲變形。

近年來基于深度學習的X光圖像檢測研究大幅度增加，深度學習在該領(lǐng)域表現(xiàn)出不錯的性能。研究者們在網(wǎng)絡(luò)改進、引入新的模型、提出針對X光圖像特點的方法等方面做出巨大貢獻。表3從異常分類、目標檢測、語義分割、數(shù)據(jù)增廣方面對已有關(guān)于深度學習的X光圖像違禁品研究工作做出總結(jié)。

表3 深度學習的違禁品X光圖像檢測應(yīng)用總結(jié)Table 3 Summary of applications of X-ray image detection of prohibited item based on deep learning

4 總結(jié)和展望

X光安檢技術(shù)為公共安全提供重要保障，但其巨大的工作量使自動安檢成為研究熱點。基于深度學習的檢測技術(shù)有效推動了X光圖像違禁品檢測的發(fā)展。目前X光圖像違禁品檢測領(lǐng)域正處于快速發(fā)展階段，越來越多的研究將深度學習算法應(yīng)用于X光圖像違禁品檢測并取得大量成果。本文首先介紹X光成像特點和傳統(tǒng)機器學習檢測方法，詳細介紹深度學習模型在X光圖像違禁品檢測中的應(yīng)用，接著對X光違禁品檢測技術(shù)進行分析總結(jié)。結(jié)合目前X光圖像目標檢測與深度學習的發(fā)展方向，總結(jié)出未來值得關(guān)注的研究點。

（1）模型部署

目前學術(shù)上的研究成果很多，從分類、目標檢測、語義分割、數(shù)據(jù)增廣等方面取得大量成果，但是在模型部署上的研究卻極少。主要原因在于目前的研究一般是在自制或公開的少量數(shù)據(jù)集中進行的，沒有應(yīng)用于真實的公共場所中，用于訓練的數(shù)據(jù)集中的違禁品種類和類型遠遠少于現(xiàn)實中可能出現(xiàn)的違禁品。深度學習模型對沒有訓練過的數(shù)據(jù)難以識別，同時X光圖像訓練數(shù)據(jù)少而目前的深度學習模型層數(shù)已相當深，導(dǎo)致訓練時容易出現(xiàn)過擬合現(xiàn)象?，F(xiàn)階段將深度學習模型部署到真實環(huán)境中進行違禁品檢測仍相當有難度，有大量難題需要在部署過程中克服，但模型部署是最后也是真正體現(xiàn)模型價值不可缺少的環(huán)節(jié)，因此在模型部署上需要進行大量的研究和實驗。

（2）針對X光圖像設(shè)計模型和訓練模式

大多數(shù)算法是在已有模型上進行改進，這些模型設(shè)計時針對的對象是光學圖像，但是X光圖像和光學圖像有較大差異，僅改進模型結(jié)構(gòu)難以獲得突破性的進展。如何針對X光圖像背景復(fù)雜、遮擋嚴重、顏色細節(jié)信息少、輪廓信息明顯等特點，設(shè)計有針對性的特征提取算法與深度學習檢測模型還需更進一步地研究。此外，目前的研究中大部分都使用了從光學圖像中預(yù)訓練好的權(quán)重進行遷移學習，但遷移學習會限制模型的檢測性能[1，51]。從零開始學習可更有效發(fā)揮模型性能，應(yīng)研究有效的從零開始學習模型或開發(fā)適用于X光圖像的預(yù)訓練權(quán)重提高目標檢測性能。

（3）結(jié)合大數(shù)據(jù)技術(shù)建立數(shù)據(jù)庫

X光圖像不像普通光學圖像那么容易收集，而且違禁品的類型和種類繁多，難以使用實驗的方法進行收集，雖然目前可用圖像變換和生成對抗網(wǎng)絡(luò)進行數(shù)據(jù)增廣，但其數(shù)據(jù)多樣性通常低于訓練數(shù)據(jù)集多樣性。目前大數(shù)據(jù)技術(shù)已得到廣泛的應(yīng)用，如何將大數(shù)據(jù)技術(shù)部署于公共場所建立龐大現(xiàn)實數(shù)據(jù)庫，并將其中每一種違禁品進行標記以推動X光圖像違禁品自動檢測領(lǐng)域的發(fā)展是值得研究的問題。（4）結(jié)合更先進的X光技術(shù)

X光透射技術(shù)可輕易獲取物體的形狀信息，但其特別的成像原理導(dǎo)致成像容易出現(xiàn)細節(jié)特征信息丟失、顏色信息丟失、重疊和遮擋等現(xiàn)象，給多目標檢測帶來阻礙。CT技術(shù)可獲取物體形狀、原子序數(shù)、密度等有用信息，使用先進的靜態(tài)CT技術(shù)可實現(xiàn)高速安檢[64]，多能、多角度X光設(shè)備可采集更多有用信息，這些信息有利于違禁品檢測，如何結(jié)合先進的X光技術(shù)準確快速檢測是值得關(guān)注的重點問題。