基于毫米波图像的危险物品识别算法设计与软件实现开题报告

1. 研究目的与意义

重要场所的安全检查目前已成必要措施，而其带来的安全问题与隐私问题一直存在。毫米波成像技术近年来一直有所发展，在该问题上有着自身的独特优势。相比起目前广泛使用的x射线，由于对人体有害的原因只能对随身行李等物品进行检查，有一定的局限性。而金属检测器的检测范围有限，往往还需要工作人员的接触式搜查，存在着效率低，可能遗漏与可能引起他人不适的问题。

近年来，随着毫米波成像技术的发展，该技术在安全检查的应用中展露出很高的潜力。毫米波成像技术相比于目前广泛运用的安检技术，有着无辐射危害，无人体接触，快速，精准定位，不限于金属物品等优势。在这种情况下，需要一种高效且快速的自动化检测方法。随着卷积神经网络在图像处理领域的迅猛发展，本文基于卷积神经网络对于毫米波图像中的危险物品识别分类进行了探索。

毫米波图像中危险物品的分类识别算法，对于将毫米波成像技术运用于实际安全检查领域有一定重要性。而将毫米波成像技术运用于安全检查领域，是该领域未来的一个发展方向。

2. 研究内容和预期目标

研究内容：

本系统设计要求：

1、借助pytorch或者tensorflow框架，搭建2-3种神经网络实现对毫米波图像中危险物品的分类识别。

3. 研究的方法与步骤

1.获取毫米波图像数据集，进行数据的分类。

2.掌握卷积神经网络的基本原理。

3.搭建分类神经网络，导入数据进行训练，掌握不同的分类神经网络。

4. 参考文献

[1]骆尚，吴晓峰，杨明辉，等. 基于卷积神经网络的毫米波图像人体隐匿物检测［j］. 复旦学报（自然科学版），2018，57（04）：442-452.

[2] 张健, 王卫民, 唐洋. 利用深度学习进行毫米波图像违禁物体识别[j]. 计算机与数字工程, 2020, 48(7): 1760-1765.

[3] 覃晓, 黄呈铖, 施宇, 等. 基于卷积神经网络的图像分类研究进展[j]. 广西科学, 2020, 27(6): 587-599.

5. 计划与进度安排

1. 2024.1.10—2024.2.28:完成调研、查阅相关文献资料。

2. 2024.3.1—2024.3.10:完成系统的概要设计、需求分析、撰写开题报告。

3. 2024.3.10—2024.3.31:基本完成系统详细设计及软件开发工作。