基于迁移学习与残差网络的快递包裹X光图像识别.pdf

PRINTING AND DIGITAL MEDIA TECHNOLOGY STUDY Tol.229 No.2 2024.04印刷与数字媒体技术研究 2024年第2期（总第229期）RESEARCH PAPERS研究论文基于迁移学习与残差网络的快递包裹X光图像识别朱 磊，黄 磊，张 媛，程 诚（北京印刷学院 邮政技术研发中心，北京 102600）摘要 针对快递包裹违禁物品识别存在种类繁多、依赖人力和X光图像获取难度大等问题，为提高快递包裹违禁物品识别的效率和准确度，本研究提出一种迁移学习与残差网络相结合的快递包裹X光图像识别方法（TL-ResNet18）。首先构建了相似度高的源领域数据集和目标领域数据集；其次，选用ResNet18作为预训练模型，调整初始化参数结构，并将ResNet18学习到的内容作为初始化参数迁移到目标领域，实现快递包裹X光图像分类；最后，将相同数据集作为三种模型的输入并对结果进行对比。实验结果表明，TL-ResNet18模型的局部微调和全局微调的识别准确率分别为93.5%、95.0%，相比于ResNet18模型提高了7%、8.5%，且精确度、召回率和F1值都优于ResNet18模型，该方法性能更优，且不受小型数据集对深层网络训练的限制，有利于快递包裹X光图像识别的智能化发展。关键词 快递包裹；X光图像；残差网络；迁移学习中图分类号 TP391.41;TP183文献标识码 A文章编号 2097-2474(2024)02-37-09DOI 10.19370/10-1886/ts.2024.02.004X-Ray Image Recognition of Express Package Based on Transfer Learning and Residual NetworkZHU Lei,HUANG Lei,ZHANG Yuan,CHENG Cheng(Postal Industry Technology R&D Center,Beijing Institution of Graphic Communication,Beijing 102600,China)Abstract There are many problems in the recognition of contraband in express packages,such as a wide variety,the dependence on manpower,the difficulty of obtaining X-ray images and so on.In order to improve the efficiency and accuracy of the recognition of contraband in express packages,a transfer learning and residual network(TL-ResNet18)method based on transfer learning and residual network for express package X-ray image recognition was proposed in this study.Firstly,the source domain dataset and target domain dataset with high similarity were constructed.Secondly,ResNet18 was selected as the pre-training model,the initialization parameter structure was adjusted,and the content learned by ResNet18 was combined as the initialization parameters to transfer to the target domain,namely,X-ray image classification of express packages.Finally,the same dataset was used as the input of the three models and the results were compared.The recognition accuracies of local and global fine-tuning of TL-Resnet18 收稿日期：2023-02-21 修回日期：2023-04-26本文引用格式：朱磊，黄磊，张媛，等.基于迁移学习与残差网络的快递包裹X光图像识别J.印刷与数字媒体技术研究，2024，(2)：37-45，65.2024年2期印刷与数字媒体技术研究（拼版）.indd 372024年2期印刷与数字媒体技术研究（拼版）.indd 372024/4/26 17:07:392024/4/26 17:07:3938印刷与数字媒体技术研究2024年第2期（总第229期）0 引言近年来，随着数字经济的蓬勃发展，快递包裹的数量也越来越多，通过快递包裹从事枪支、弹药、爆炸物及其他违禁物品运输的违法犯罪活动层出不穷1-2。由于快递渠道具有点多线长面广、人货分离、隐蔽性强等特点，容易被不法分子利用。违法收寄违禁物品造成车辆自燃、人员伤亡和其他危害社会安全的现象也时有发生3。国家邮政局在2021年第四季度关于“快递”犯罪的新闻发布会提到的涉恐涉爆、涉枪涉毒、涉黄涉非、侵权假冒、跨境走私等犯罪方式，很多是和快递包裹直接相关。快递包裹的安检已经引起了政府监管部门、企业和诸多研究学者的高度重视4。快递包裹在寄递运输过程中先后历经收件验视和分拣验视两次安全检查。收件验视是指先验视后封箱，从收寄源头保证寄递物品安全；而分拣验视是指在分拣中心，包裹通过安检机做进一步安全隐患识别5，一般采用X光安检机。上述两次操作，目前均以人工检查为主，存在因工作量繁重而发生漏检、对危险品的判断往往依赖于主观感受等问题。最重要的是，目前人工检查的速度在分拣环节已经远远跟不上每小时2万件以上的分拣速度。为了解决上述问题，采用更加自动化和智能化的手段，提高分拣环节的安检速度和识别准确率，已经成为当前该领域的重要课题。目前国内外研究人员实现X光安检图像分类的方法分为基于可解释性方法和基于深度学习方法。在基于可解释性方法的X光安检图像分类方面，Mery等6使用自适应稀疏表示法来分隔目标图像，将目标图像与背景分开，提高分类准确度。邓文锋3使用小波模极大值边缘提取算法对刀具和枪支边缘进行多尺度提取，并选取其形状作为特征，利用BP神经网络和模糊聚类算法对其进行分类。Lyu等7提出了使用仿射矩不变量来提取视觉特征的X光图像分类方法用于高速分拣包裹检测，为快速安检提供了新思路。基于可解释性方法的X光图像分类一般是根据目标图像特点进行计算建模，但由于过分依赖人工提取特征且泛化能力弱，在快递高速分拣的场景下，显得效率不足。在基于深度学习方法的X光安检图像分类方面，Akcay8提出了一种基于深度学习的行李安检方法。先标记图像中的每个对象，然后将图像的位置和边界框指定给具有卷积神经网络的区域，最后检测并识别出危险品。Morris等9使用VGG19、Xception、InceptionV3模型测试Passenger Baggage Object Database数据集，得到最佳模型的ROC曲线的AUC值为0.95。Akcay等10采用迁移学习（Transfer Learning）的方法，使用深度卷积神经网络解决复杂背景下的X光图像分类问题。Reagan等11采用迁移学习的思想，使用ImageNet数据训练VGG-16网络模型，再将该模型学习到的内容作为初始化参数迁移到危险品的分类任务上。Zhu等12提出了一种用于X光安检图像的数据增强方法，使用改进的自我注意生成对抗网络（SAGAN）生成了新的危险品图像，再采用一种基于循环生成对抗网络（CycleGAN）的方法，将物品的自然图像转换为X光图像，提升了数据样本的丰富性。基于深度学习的X光安检图像分类方法仍然需要特定领域下X光安检图像数据训练深层卷积层权重。快递包裹安检图像种类繁多、视角多变、图像获取困难，训练样本严重不足，且要求识别精度高、识别速度快。目前已有的方法，都不能很好地model were 93.5%and 95.0%,respectively,which were improved by 7%and 8.5%compared with ResNet18 model.The precision,recall,and F1 score of TL-ResNet18 model were better than ResNet18 model.The TL-Resnet18 recognition method has better performance and is not limited by the deep network training caused by small datasets,which is conducive to the intelligent development of X-ray image recognition of express packages.Key words Express package;X-ray image;Residual network;Transfer learning2024年2期印刷与数字媒体技术研究（拼版）.indd 382024年2期印刷与数字媒体技术研究（拼版）.indd 382024/4/26 17:07:392024/4/26 17:07:3939研究论文朱 磊等：基于迁移学习与残差网络的快递包裹X光图像识别适应快递包裹安检的特点。如何在小样本条件下，建立更加快速、更加准确的识别方法，是快递包裹安检必须解决的问题。本研究提出迁移学习与残差网络（Residual Network,ResNet）相结合的快递包裹X光图像识别方法（Transfer Learning Residual Network,TL-ResNet18），针对管制刀具、警械和爆炸物品三种常见违禁物品的X光图像进行分类，构建快递包裹X光图像数据集，调整初始化参数结构，实现对违禁物品快速、准确的分类，可为快递包裹X光图像识别的智能化发展提供参考。1 理论基础1.1 残差网络虽然由多个非线性处理层堆叠而成的机器学习模型17在图像分类领域取得了一系列的突破，但是随着网络深度的增加，训练精度和测试精度达到饱和后不再提高反而迅速下降，并且发现这种退化并不是由过拟合引起的18。残差网络的出现解决了由于网络深度的增加导致的网络退化问题，其除了减少网络参数、深度神经网络的训练时间、大幅度提高模型准确率外，还避免了随着网络层数的增加而产生的梯度消失或梯度爆炸问题18-19。残差网络的基本结构是残差块，其由卷积层、批处理归一化层（Batch Normalization）和非线性激活函数（ReLU）构成15,21-22。卷积层是重要组成部分13-14，由许多卷积核组成，用来计算对应输入图像的特征图，第l个卷积层的第k张特征图在位置(i,j)处特征值,li j kz数学表达式如式(1)。T1,lllli j kki jkzw xb=+（1）式(1)中：lkw 和lkb 分别为第l个卷积层的第k个卷积核的权重向量和偏置，为对应权重向量的转置，1,li jx为第l个卷积层在位置(i,j)处的值。残差块的结构形式如图1所示。给定残差网络输入数据，依次经过卷积层、批处理归一化层和非线性激活函数，其输出作为下一个残差网络的输入，遍历所有残差网络后再被送入池化和多个连接层，最后得到输出结果。基于此，假设第l个残差单元的输入为xl-1，经过残差网络后得到输出xl的数学计算公式如式(2)。()()11,llllxfxF xW=+（2）式(2)中，f()是非线性激活函数（ReLU）；F(xl-1,Wl)是残差函数，Wl为该残差函数对应的权重向量，残差函数的形式可以根据需求，确定堆叠卷积层数目；值得注意的是xl-1和F(xl-1,Wl)的维度一致，否则选取带有下采样的残差块来保证输出通道数一致。1.2 迁移学习在机器学习、深度学习的大多数任务中，选用的数据服从相同的分布且来源于相同的特征空间，但在现实应用中很难满足这两个条件，然而迁移学习为一类源领域和目标域之间存在差异的问题提供了一种可行的解决方案。迁移学习又称归纳迁移，涉及领域（Domain）和任务（Task）两个重要概念。其中领域是进行学习的主题，任务是学习的目标。迁移学习的定义描述如下，给定源领域DS和源任务TS、目标领域Dt和目标任务Tt，在DSDt或者TSTt的情况下，用DS和TS的知识，来提升目标任务学习函数ft()的预测效果20。结合本研究的快递包裹X光图像，给出迁移学习的基本原理示意图如图2所示。其中场景A是地铁安检X光图像指代给定源领域DS，场景B是快递包裹X光图像指代目标领域Dt，共享知识结构指代给定源领域训练模型的参数。残差块1残差块N输入图像卷积层BN层激活层池化层ConvConvxxyReLUReLUConvConvxyReLUReLUConvBN图1 残差块结构图Fig.1 Structure diagram of residual block2024年2期印刷与数字媒体技术研究（拼版）.indd 392024年2期印刷与数字媒体技术研究（拼版）.indd 392024/4/26 17:07:402024/4/26 17:07:4040印刷与数字媒体技术研究2024年第2期（总第229期）2 实验方案本研究提出迁移学习与残差网络相结合的快递包裹X光图像算法（TL-ResNet18），残差网络选用ResNet18，其模型的详细信息见表1。使用地铁安检X光图像构建源领域数据集，源领域数据集用于训练ResNet18模型，调整初始化参数数目。该算法有快速提取快递包裹X图像特征、识别准确率高、模型训练时间短的优点。具体算法网络结构如图3所示。实验主要由构建数据集、模型预训练与迁移、模型验证3个步骤组成。表1 ResNet18模型详细内容Tab.1 Details of ResNet18网络结构类型卷积核大小卷积核数目输出尺寸大小InputRGB图像-2242243Conv1卷积层776411211264Maxpool最大池化层3364565664Residual block1卷积层1-43364565664Residual block2卷积层1-4331282828128Residual block3卷积层1-4332561414256Residual block4卷积层1-43351277512Avapool平均池化层-11512FC全连接层-n1）构建数据集：目标领域数据集是快递包裹X光图像，源领域数据集是选用与目标领域相似的目标领域(少量标注数据)学习模型(分类、回归、判别等)目标领域(大量无标注数据)时间B 场景B时间B 场景B共享知识结构相关领域(大量标注数据)时间A场景A场景A场景A 场景B地铁安检X光图像快递包裹X光图像图2 迁移学习基本原理示意图Fig.2 Principles diagram of transfer learning1256残差块1Softmax输入图像特征图特征图输出残差块2特征图残差块3特征图残差块4特征图池化层全连接1234残差块1Softmax输入图像特征图特征图输出提取特征识别分类残差块2特征图残差块3特征图残差块4特征图池化层全连接W1W2W3W4参数初始化图3 TL-ResNet18网络结构Fig.3 Network structure of TL-ResNet182024年2期印刷与数字媒体技术研究（拼版）.indd 402024年2期印刷与数字媒体技术研究（拼版）.indd 402024/4/26 17:07:412024/4/26 17:07:4141研究论文朱 磊等：基于迁移学习与残差网络的快递包裹X光图像识别SIXRay（Security Inspection X-ray Benchmark）数据集。2）模型预训练与迁移：用源领域数据集训练ResNet18模型，地铁安检X光图像作为ResNet18模型的输入，输入图像大小为2242243，经过第一个卷积层有64个卷积核，核大小为77，得到的特征图尺寸为（112，112，64），遍历4个残差块后最终得到图像特征图尺寸为（7，7，512）。随后连接平均池化、全连接层，全连接层使用Softmax16作为激活函数来执行分类任务，其数学计算公式如式(3)。（3）式(3)中，是预测为标签i归一化后概率的值，exp()为指数函数，J为所有分类的总个数，Wi为第i行的权重矩阵。调整初始化参数结构，保留了ResNet18模型所有的卷积层结构，只移除最后作为输出的全连接层，将Conv1和4个残差块学习到的内容作为初始化参数迁移到快递包裹X光图像分类任务中，作为图像特征提取器。最后添加一个具有4个输出节点的全连接层，采用Softmax作为激活函数，通过训练得到TL-ResNet18模型。3）模型验证：快递包裹X光图像数据集按照8 2的比例划分训练集和测试集，应用于以下三种模型，分别为直接应用于残差网络（即ResNet18）、冻结残差网络卷积参数（即TL-ResNet18_1）、初始化残差网络参数（即TL-ResNet18_2）。3 实验结果及分析为了验证本研究提出的TL-ResNet18有效性，使用相同的训练集和测试集，比较三种模型对快递包裹X光图像分类效果。计算软硬件环境为Intel i7-6600U处理器，16G内存，NVIDIA GeForce 930MX显卡，Python版本为3.8.0，Pytorch版本为1.6.0。在网络模型参数设置方面，选择随机梯度下降优化器，选择常用的多分类交叉熵损失函数，学习率设置为0.0001，Batch size设置为32。测试验证的评价指标为分类准确率（Accuracy）、精确度（Precision）、召回率（Recall）和F1分数。3.1 构建数据集源领域数据集选自2019年由中国科学院大学发布的目前公开最大的X光图像数据集SIXray23，总共包含1059231张X光安检图像，它是行李箱X光安检图像数量的100多倍24。其中正类样本（即危险品范畴）仅有8929张，不到1%，而负类样本（即非危险品范畴）1050302张，并且图像背景相互重叠复杂冗余，贴近社会现实情况。由于计算能力有限，选择构建的源领域数据集图像数量分布见表2。表2 源领域数据集图像数量分布Tab.2 Image quantity distribution of dataset of DS类别类型数量正类样本枪支（Gun）2131刀具（Knive）1943扳手（Wrench）2199钳子（Pliers）1961剪子（Scissor)983负类样本非违禁品（Non-contraband）1700快递包裹X光图像数据集作为目标领域来源于快递安检中心实际采集的X光安检图像，依据往年发生的违禁物品寄递事件，模拟了其中最为常见的三类违禁物X光安检图像（即正类样本）。三类违禁物分别为管制刀具（Controlled knives）、警械（Police apparatus）、爆炸物品（Explosives）。为了更加符合真实情况，在模拟寄递时考虑违禁物形状和大小多样、拍摄角度多样、存放样式多样，目标领域数据集如图4所示。除了三类违禁物以外，还包括非违禁物（即负类样本）包含有服饰类、办管制刀具警械爆炸物图4 目标领域数据集Fig.4 Dataset of Dt2024年2期印刷与数字媒体技术研究（拼版）.indd 412024年2期印刷与数字媒体技术研究（拼版）.indd 412024/4/26 17:07:412024/4/26 17:07:4142印刷与数字媒体技术研究2024年第2期（总第229期）公类等共计989张，具体的目标领域数据集图像数量分布见表3。表3 目标领域数据集图像数量分布Tab.3 Image quantity distribution of dataset of Dt类别类型种类数量正类样本管制刀具钢管、剪刀、利器等293警械手铐、电棍、仿真枪等204爆炸物品雷管、烟花爆竹等292负类样本非违禁品服饰类、办公类等2103.2 数据预处理图像预处理方式主要包括裁剪、格式转换、图像增强等，对于卷积神经网络要求输入图像尺寸需要统一。本研究中对X光图像预处理步骤依次为：将数据集的图像全部转换为3通道的RGB图像，为了避免模型过拟合的可能性，填充或裁剪将图像尺寸统一调整为224224，统一尺寸后的图像进行正则化。3.3 结果与分析实验过程记录了快递包裹X光图像数据集在ResNet18、TL-ResNet18_1、TL-ResNet18_2三种应用模型的预测结果，并且给出了4个模型评价指标，评价指标计算公式如式(4)式(7)。（4）（5）（6）（7）式(4)式(7)中，TP为真阳性、FP为假阳性、FN为假阴性、TN为真阴性。模型的评价指标都是基于预测类别和真实类别比较得到的，预测类别是预测向量中概率最高的对应分类器的结果。三种模型的评价指标见表4。在相同数据集中，随机选取200个测试样本（占总样本20%）在三种模型中得到的最高精确度为95.27%，最高召回率为94.75%，最高F1分数为0.95，其中测试的分类准确率最为重要，最高准确率为95.00%。4个评价指标最高值都来自TL-ResNet18_2全局微调模型，相反最低值都来自ResNet18模型。对比ResNet18模型和TL-ResNet18_2全局微调模型，发现使用文中目标领域数据集对预训练模型（ResNet18）进行全局微调，分类准确率提高了8.5%，TL-ResNet18_1部分微调模型和TL-ResNet18_2全局微调模型对比可以发现，尽管两个数据集相似度很高，但是提取特征时还是存在差别，模型全局微调比部分微调分类准确率高出1.5%，这表明在目标领域数据集上对预训练模型进行全局微调，可使其更好地适应目标任务，从而显著提高了分类准确率。为了更好地显示模型在每个类别分类错误的具体情况、每个类别的分类精确度和每个类别的召回率，图5给出了三种模型的混淆矩阵（Confusion Matrix）。混淆矩阵的横、纵坐标的0、1、2、3对应四个类别，分别指代非违禁品、管制刀具、警械、爆炸物品。从混淆矩阵中发现TL-ResNet18_2模型在每个类别的分类性能都优于其他两种，TL-ResNet18_1模型排第二。TL-ResNet18_2模型在4个类别的精确度分别为100%、94.4%、92.9%、93.8%，召回率分别为95.1%、100%、88.6%、95.3%。ResNet18模型在4个类别的精确度分别为100%、73.9%、84.2%、96.1%，召回率分别为78.0%、100%、72.7%、90.6%。受试者工作特征曲线（Receiver Operating Characteristic，ROC）是反映敏感性和特异性连续变量的综合指标，用构图法揭示敏感性和特异性的相互关系。ROC克服了其曲线下面积（AUC）对样本不平衡不敏感这一问题，ROC曲线下的面积越大，分类准确率越高。ROC和AUC通常用于评价分表4 三种模型的评价指标Tab.4 Evaluation indexes of three models模型精确度（%）召回率（%）F1准确率（%）ResNet1888.3085.330.8786.50TL-ResNet18_193.3593.480.9393.50TL-ResNet18_295.2794.750.9595.002024年2期印刷与数字媒体技术研究（拼版）.indd 422024年2期印刷与数字媒体技术研究（拼版）.indd 422024/4/26 17:07:412024/4/26 17:07:4143研究论文朱 磊等：基于迁移学习与残差网络的快递包裹X光图像识别好的分类性能。尽管在类别2和类别3上的AUC值稍微降低，但仍然保持在0.9以上，说明其在这两个类别上的分类能力仍然较好。TL-ResNet18_2模型在所有类别上的AUC值都接近或等于1，表明该模型在所有类别上都表现出了更好的分类性能。对比三种模型在各个类别上的AUC值发现，TL-ResNet18_2在类别2和类别3上相较于ResNet18和TL-ResNet18_1有所提升，而在其他类别上则保持了较高的分类水平。综上所述，TL-ResNet18_2模型在整个多分类任务上的性能最佳，其在各个类别上的AUC值接近或等于1，表明该模型具备出色的分类能力。a.ResNet183216.0%94.5%00.0%00.0%78.0%22.0%00.0%5125.5%00.0%00.0%100.0%0.0%00.0%94.5%3216.0%31.5%72.7%27.3%00.0%00.0%63.0%5829.0%90.6%9.4%100%0.0%73.9%26.1%84.2%15.8%96.1%4.9%86.5%13.5%01233919.5%10.5%00.0%10.5%95.1%4.9%31.5%4824.0%00.0%00.0%94.1%5.9%10.5%00.0%4020.0%31.5%90.9%9.1%00.0%00.0%42.0%6030.0%93.8%6.3%90.7%9.3%98.0%2.0%90.9%9.1%93.8%6.3%93.5%6.5%0123b.TL-ResNet18_1c.TL-ResNet18_23919.5%21.0%00.0%00.0%95.1%4.9%00.0%5125.5%00.0%00.0%100.0%0.0%00.0%10.5%3919.5%42.0%88.6%11.4%00.0%00.0%31.5%6130.5%95.3%4.7%100%0.0%94.4%5.6%92.9%7.1%93.8%6.2%95.0%5.0%0123模型输出标签模型输出标签模型输出标签012301230123目标标签目标标签目标标签图5 三种模型的混淆矩阵Fig.5 Confusion matrix of three models类模型的性能。测试样本在三种模型下的ROC曲线如图6所示，每个类别对应的AUC值统计见表5。观察表5可以发现，ResNet18和TL-ResNet18_1在类别0和类别1上的AUC值接近或等于1，显示出了良a.ResNet18ROC curve of class 0(area=1.00)ROC curve of class 1(area=0.98)ROC curve of class 2(area=0.92)ROC curve of class 3(area=0.99)0.00.00.20.40.60.81.00.20.40.60.81.0假阳性率真阳性率b.TL-ResNet18_1ROC curve of class 0(area=1.00)ROC curve of class 1(area=0.99)ROC curve of class 2(area=0.94)ROC curve of class 3(area=0.99)0.00.00.20.40.60.81.00.20.40.60.81.0假阳性率真阳性率c.TL-ResNet18_2ROC curve of class 0(area=1.00)ROC curve of class 1(area=1.00)ROC curve of class 2(area=0.97)ROC curve of class 3(area=0.99)0.00.00.20.40.60.81.00.20.40.60.81.0假阳性率真阳性率图6 三种模型的ROC曲线Fig.6 ROC curves of three models2024年2期印刷与数字媒体技术研究（拼版）.indd 432024年2期印刷与数字媒体技术研究（拼版）.indd 432024/4/26 17:07:422024/4/26 17:07:4244印刷与数字媒体技术研究2024年第2期（总第229期）迁移学习和残差网络相结合的方法对快递包裹X光图像识别具有较好的效果，可为后期小样本快递包裹X光图像识别在实际环境中的应用提供技术支撑和参考。表5 AUC值统计表Tab.5 AUC value statistics table模型类别0类别1类别2类别3ResNet181.00 0.98 0.92 0.99 TL-ResNet18_11.00 0.99 0.94 0.99 TL-ResNet18_21.00 1.00 0.97 0.99 4 结论本研究提出了迁移学习与残差网络相结合的快递包裹X光图像识别方法（TL-ResNet18），针对常见的管制刀具、警械、爆炸物三种违禁物品，区别于常用的ImageNet数据集，构建了与目标领域更为相似的地铁安检X光图像。调整参数初始化结构，将预训练ResNet18模型中所有卷积层学习到的知识迁移到快递包裹X光图像识别，即对所有卷积层进行参数初始化。残差网络充分发挥残差块的优势提取图像原始特征，迁移学习减少训练参数和训练时间，提高分类准确率和效率。实验中三种模型对比验证了该方法对快递安检X光图像小型数据集有着良好的分类精确度和分类效率，其中TL-ResNet18_2模型优于其他两种模型，识别准确率达到95.0%。需要说明的是，本研究实验中采集到的快递包裹X光图像背景简单、目标单一，而采集背景复杂和多目标的快递包裹X光图像才更加贴近现实场景，因此下一步将继续优化模型结构以实现更高效、更准确的违禁物品分类。这些研究将用于优化安检机功能、推动智能快递包裹安全检查发展。参考文献1 史兆琨.落实“七号检察建议”,强化寄递安全监管N.检察日报,2021-11-26(001).SHI Zhao-kun.Implement“No.7 Procuratorial Suggestion”and Strengthen Delivery Security Supervision N.The Procuratorial Daily,2021-11-26(001).2 郭小伟.我国利用快递运输违禁品犯罪研究D.北京:中国人民公安大学,2019.GUO Xiao-wei.Research on the Crime of Using Express to Transport Contraband in China D.Beijing:Peoples Public Security University of China,2019.3 邓文锋.基于X射线安检技术的典型违禁物品的识别研究D.沈阳:东北大学,2017.DENG Wen-feng.Research on the Identification of Typical Prohibited Items Based on X-Ray Security Technology D.Shenyang:Northeastern University,2017.4 吕方园,张童.一则“夺命快递”案引发的危险品物流安全风险问题及思考J.对外经贸实务,2015,(2):69-71.LV Fang-yuan,ZHANG Tong.Safety Risks of Dangerous Goods Logistics Caused by a Fatal Express Case and its Thinking J.Practice of Foreign Economic and Trade,2015,(2):69-71.5 侯家骏,张守龙,李慧,等.建设快件安检实训基地对快递专业的发展研究J.科技资讯,2020,18(14):242-244.HOU Jia-jun,ZHANG Shou-long,LI Hui,et al.Express Security Practice Base Construction of Express Delivery of Professional Development and Research J.Journal of Information Science and Technology,2020,18(14):242-244.6 MERY D,KATSAGGELOS A K.A Logarithmic X-Ray Imaging Model for Baggage Inspection:Simulation and Object Detection C/Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops(CVPRW).IEEE,2017.7 LYU S,XIAO T,YUE L.X-Ray Image Classification for Parcel Inspection in High-Speed Sorting Line C/Proceedings of 2018 11th International Congress on Image and Signal Processing,BioMedical Engineering 2024年2期印刷与数字媒体技术研究（拼版）.indd 442024年2期印刷与数字媒体技术研究（拼版）.indd 442024/4/26 17:07:422024/4/26 17:07:4245研究论文朱 磊等：基于迁移学习与残差网络的快递包裹X光图像识别and Informatics(CISP-BMEI).IEEE,2018.8 AYDIN I,KARAKOSE M,AKIN E.A New Approach for Baggage Inspection by Using Deep Convolutional Neural Networks C/Proceedings of 2018 International Conference on Artificial Intelligence and Data Processing(IDAP).IEEE,2018.9 MORRIS T,CHIEN T,GOODMAN E.Convolutional Neural Networks for Automatic Threat Detection in Security X-Ray Images C/Proceedings of 2018 17th IEEE International Conference on Machine Learning and Applications(ICMLA).IEEE,2018.10 AKCAY S,KUNDEGORSKI M E,DEVEREUX M,et al.Transfer Learning Using Convolutional Neural Networks for Object Classification within X-ray Baggage Security Imagery C/Proceedings of 2016 IEEE International Conference on Image Processing(ICIP).IEEE,2016.11 GALVEZ R L,DADIOS E P,BANDALA A A,et al.Threat Object Classification in X-ray Images Using Transfer Learning C/Proceedings of 2