《基于神经卷积网络的智能图像识别框架开题报告文献综述》

开题报告文献综述学习中心名称姓名学号

指导教师论文题目基于神经卷积网络的智能图像识别框架一、选题的依据和意义，研究的主要问题，拟达到的目的、国内外研究现状（一）选题依据近年来，随着我国经济和技术的不断发展，飞机、高铁、地铁等交通工具成为人们现在出行的必要选择，因此交通安全成为人们关心的主要问题。随着人口大量的流动，人们携带的行李物品的种类也越来越丰富，同时危险品的种类越来越繁多，为保证大型公共场所安全，危险品的检测工作越来越重要，依托X射线的安防装备的使用频率也越来越高。目前，针对危险物品的识别任务主要依赖于安检工作员人眼人工识别安检图像，存在易疲劳、易漏判、效率低等问题。随着当前安防场所的大量增多，利用计算机图像识别技术对安检图像进行识别己成为该领域未来的发展方向。通过计算机图像识别技术对安检图像内容进行自动识别是一种安全可靠的识图方式，该技术可大大提高安防装备工作效率，提升安检工作准确性，减少漏判，利用该技术智能化识别危险品己成为该领域技术的制高点和将来的发展趋势。（二）选题意义本文将人工智能技术应用于目前的安防装备当中，通过搭载安防装备，智能的识别安检图像中危险品种类和位置，并能够对安检图像中存在的危险品进行自动报警，应用人工智能技术实现安检图像的半自动化识别任务，从而达到保证公共安全的目的。本次课题从安防领域着手，促进科技技术向先进产品转化，将人工智能技术与实际生产需求相结合，在传统安防装备的硬件基础上进行产业升级，提升智能化服务水平，努力建设安全高效的智能化安检体系结构，完善智能化安检装备智能安检功能。（三）研究的主要问题现有的X射线安检设备只能对检测物体进行物质分类，如有机物、无机物、混合物、金属、液体等，而对于检查物体的具体功能分类仍然需要安检人员进行肉眼观察识别，由于人会出现视觉疲劳或者受到一些其他因素的干扰，时常会出现错检和漏检现象。因此本文将把X射线安检图像作为研究对象，完成自动识别定位安检图像当中的危险品的功能，以减少漏检现象同时以减轻安检人员的压力为目标，来进行本文的研究。（四）拟达到的目的智能化危险物品识别以深度学习人工智能技术为基础，结合X光安防装备扫描图像作为数据库支撑，实现安检机智能识别危险品并进行报警的功能。此课题的研究和实施不仅可以实时的在安检屏幕上显示安检图像供安检人员查看，而且能够把危险品位置和种类标记出来使危险品的识别准确率大幅提升，显著提升安检效率，减少了安检人员的压力。目前，尚未有基于人工智能技术的成型安检产品广泛使用，此项目在人力成本节约、安检人员工作考量等方面具有积极作用，未来可能给整个安检行业带来全新工作模式，从目前的手动人工识别转向半自动甚至全自动识别，发展前景广阔。（五）国内研究现状1.X射线图像检测研究现状在国内的安检设备当中，己经研究出针对爆炸物和毒品的检测系统，但是由于技术不完善且价格昂贵，并不适合大面积普及应用。中国人口众多，尤其逢年过节客流量就更多，同时安检的压力也就更加巨大。市场上现有的产品不仅存在漏检和误检现象而且越是检测准确的价格也越昂贵，现在市面上尚未呈现能自动辨认针对各种危险品的设备，并且大都需要进行半人工辨认，目前国内的安检技术还有很大的发展空间，安检设备的改进也非常需要。2.深度学习的研究现状2012年，华为在中国香港建立了一个专注于人工智能领域数据挖掘的诺亚级实验室。2014腾讯建立深入学习平台ICML，快速人工智能“互联网+”的发展，这是在2016年启动。该方案明确表明需要推广使用人工智能技术的视觉处理，语音处理，生物处理和自然语言处理领域，促进人类的食物，衣着，住房，交通，以及加快自主创新和创业能力建设的人工智能运用人工智能。这表明人工智能的重要性已超越自身，并已成为中国战略成功的一部分。（六）国外研究现状1.X射线图像检测研究现状国外在安检领域的研究己经有许多年了，其中计算机cT断层技术由于快速、准确等特征很符合安检的要求。美国在90年代初，通过对医学cT技术的研究开始把CT技术应用到爆炸物品检测上，但是由于目前的cT技术安检系统的扫描孔径比较小，限制了大包裹检测，虽然国外己经出现了80cm扫描孔径，但是这类设备价格也很昂贵，不适合普及使用。英国的交通部和美国的交通局，都己经把x射线多视角安检设备作为新一代的主流安检设备。x射线多视角安检设备，可以向安检人员报告行李物品里是否存在可疑的危险物品，并显示他们的形状、背景和颜色等，安检人员通过这些显示的特征再根据自身经验凭借肉眼观察图像，从而判断出可疑危险品是否真正可疑，对不确定的物品要进行开包检查。2.深度学习的研究现状2010年，国防部办公室的首次美国能源部资助了深入的学习研究，包括纽约大学，斯坦福大学和美国学院，所有这些都积极参与了研究。2011年，斯坦福大学人工智能实验室吴恩达谷歌为首的科学家受益16000个计算机模拟人脑的神经网络，并获得来自YouTube的教练神经网络的视频，当图像被搜索的视频，只需输入名称和神经元的形象网络可以自动识别视频中的图像。就在同一年，微软的语音识别软件达在语音识别领域十余年来最大的突破，并减少了约25％的软件语音识别错误率，假设一个深度学习技术。二、研究方法、研究步骤和所需条件（一）研究方法：1.文献研究法，大量阅读有关智能图像识别相关的文献，为论文写作打好基础。2.实验研究法，通过实验论证基于卷积神经网络智能图像识别框架模型，以及检验基于卷积神经网络智能图像识别框架的性能。（二）研究步骤：首先对卷积神经网络和目标检测技术进行介绍，总结卷积神经网络的特点和训练方法。根据课题实际需求，提出一种基于卷积神经网络射线图像识别系统模型。其次，重点研究FasterR-CNN模型，并对FasterR-CNN模型里面的RPN网络进行改进。最后，利用设计好的安检图像识别模型，设计并实现一套能应用在物品安检机上的软件识别系统。当X射线安检设备扫描物体的时候，实时监测被检测物品里是否含有危险物品，并对危险品进行实时定位识别。（三）所需条件1、在学校图书馆中有良好的资料库，并通过网络能够根据研究需要便捷地搜索和下载与本课题相关的资料，为课题研究提供了充分详尽的理论资源。2、在学校学习了与课题相关的各项专业课程，已经具备了完成课题研究所需要的相关专业知识。3、在指导老师的悉心指导下，运用专业知识及相关的科学研究方法，通过自身努力，严格按照论文写作阶段计划执行，不断修改和完善文章的内容，确保文章的写作顺利地开展和完成。三、工作进展、研究工作进展计划：2021年12月与指导教师见面商讨论文选题，撰写选题审批表、开题报告；2022年1月市场调研并进行数据分析2022年2月收集、整理、分析研究资料、论文初稿；2022年3月初论文二稿2022年3月中下旬论文定稿并查重、整理、打印、装订、交稿；2022年3月底完成毕业论文答辩稿和PPT，准备答辩2022年4月初完成答辩四、参考文献[1]余永维,殷国富,殷鹰,etal.基于深度学习网络的射线图像缺陷识别方法[J].仪器仪表学报,2014,35(9):2012-2019.[2]高常鑫,桑农.基于深度学习的高分辨率遥感影像目标检测[C]//第二届高分辨率对地观测学术年会.0.[3]段金菊,余胜泉.学习科学视域下的e-Learning深度学习研究*[J].远程教育杂志,2013(4).[4]高常鑫,桑农.基于深度学习的高分辨率遥感影像目标检测[J].测绘通报,2014(S1):108-111.[5]孙志军,薛磊,许阳明.基于深度学习的边际Fisher分析特征提取算法[J].电子与信息学报,2013(4).[6]段金菊.e-Learning环境下促进深度学习的策略研究[J].中国电化教育,2012(5):38-43.[7]袁冰清,陆悦斌,张杰.神经网络与深度学习基础[J].数字通信世界,2018,No.161(05):40-41+70.[8]焦李成.神经网络系统理论[M].西安电子科技大学出版社,1990.[9]阎平凡,张长水.人工神经网络与模拟进化计算[M].清华大学出版社,1900.[10]张乃尧,阎平凡.神经网络与模糊控制[M].清华大学出版社,1998.[11]冯夏庭,张治强,杨成祥,etal.位移反分析的进化神经网络方法研究[J].岩石力学与工程学报,1998,18(05):529-529.[12]HongtaoZ,HanpingM,DaoyinQ.Featureextractionforthestored-graininsectdetectionsystembasedonimagerecognitiontechnology[J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2009,25(2):126-130.[13]KuriharaN,NishikawaM,WatanabeA,etal.Acombustiondiagnosismethodforpulverizedcoalboilersusingflame-imagerecognitiontechnology[J].IEEEPowerEngineeringReview,2010,PER-6(6):45-46.[14]RosenfeldA,MilgramD.Algorithmsandhardwaretechnologyforimagerecognition[J].Algorithms&HardwareTechnologyforImageRecognition,1978.[15]ChengF,ZhangH,FanW,etal.ImageRecognitionTechnologyBasedonDeepLearning[J].WirelessPersonalCommunications,2018(C):1-17.[16]杨海涛.图像识别技术:机械工业出版社.[17]王波涛,蔡安妮,孙景鳌.生物图像识别技术及其应用[J].计算机工程与设计,2001,22(4):78-82.[18]陈强.基于组合矩和神经网络的图像识别技术研究[D].南京理工大学,2007.[19]彭淑敏.神经网络图像识别技术研究与实现[D].西安电子科技大学,2005.[2