钟 键

智能安检识别是公共安全与物流管控的核心技术，深度学习违禁品识别算法广泛应用于X光安检场景。然而，现有模型高度依赖大量标注样本，而实际中新型或小众违禁品样本稀缺、采集难、标注成本高，导致模型泛化能力弱，易出现漏检与误检，制约系统落地。针对小样本下识别精度低与未知违禁品泛化性差的问题，本文以生成对抗网络（GAN）为核心，开展安检图像小样本数据增强与泛化识别方法研究。结合X光图像特性，改进GAN结构与损失函数，实现高质量违禁品图像生成与样本扩充；基于增强数据构建泛化识别框架，挖掘跨品类通用特征，提升对未知违禁品的自适应识别能力。通过理论分析与量化实验验证，所提方法有效缓解样本稀缺问题，显著提升图像生成质量与跨类别识别准确率，降低漏检率，为小样本智能安检提供理论支撑与技术路径。

智能安检；X光图像；生成对抗网络；小样本增强；数据扩充；未知违禁品；泛化识别

[1] 杨墨轩,赵源萌,朱凤霞,等.基于对抗生成网络的太赫兹安检图像分割算法[J].太赫兹科学与电子信息学报,2023,21(2):143-149. [2] 杨清宇,贾惠珍,王同罕,等.基于 WSA-DETR 的 X 光图像违禁品检测算法[J/OL].激光与光电子学进展,1-24[2026-06-05]. [3] 傅罡,刘学孔,廖育华.X 光安检图像违禁品智能识别标准建设探讨[J].信息技术与标准化,2025,(11):68-72. [4] 王晶,莫绪军,朱常玉.基于识别模型泛化能力的目标识别算法简析[J].科学技术创新,2023,(21):35-38.

点击下载PDF