一、X光安检机行业现状与违禁品检测核心挑战
1.1X光安检机行业需求背景
《2025-2030年中国PET塑料行业市场供需及重点企业投资评估研究分析报告》当前我国交通基础设施持续升级，多元化出行网络日趋完善，即便经历疫情影响后，社会出行活力也已稳步恢复。作为客流密集区域安全保障的核心设备，X光安检机广泛应用于机场、地铁站、火车站等场所，承担着行李内违禁品筛查的关键职责。随着客流规模扩大，传统X光安检机的人工判读模式已难以满足“高效精准”的安检需求，如何通过技术创新提升X光安检机的智能化水平，成为行业发展的核心诉求。
1.2传统X光安检机系统的局限性
X光安检机行业现状分析提到传统X光安检机依赖工作人员对设备生成的图像进行人工判读，存在双重核心缺陷：一是X光安检机生成的图像因物品无序摆放与透视特性，常出现多重叠加现象，大幅增加人工识别难度与时间成本;二是在持续高强度作业场景下，即便专业安检人员，也会因生理疲劳与心理压力导致判读准确性下降，进而引发漏检、误检等安全隐患，难以满足大规模、长时间的安检作业需求。
1.3X光安检机违禁品检测的核心技术难点
X光安检机生成的图像与传统可见光图像存在本质差异，其特殊性为违禁品检测带来多重挑战：一是伪彩色性，不同X光安检机因厂商成像算法差异，采用不同色彩编码表征物质属性(如有机物呈橙色、金属呈蓝色、无机物呈绿色)，导致跨设备图像颜色分布不一致;二是透视性，X光的穿透特性虽能呈现物品内部结构，但也会导致物品层叠嵌套，形成目标交叠干扰;三是杂乱性，旅客行李物品的随机性与透视成像的空间压缩效应，使包裹内物品在X光安检机图像中呈现无序交叠的复杂特征，进一步增加违禁品识别难度。
二、X光安检机成像原理与深度学习目标检测理论基础
2.1X光安检机成像原理与图像特点
2.1.1X光安检机成像原理
X光安检机基于X射线的穿透与衰减特性工作：X射线发生器产生的射线束经准直器形成扇形束，对传送带上的行李进行扫描;不同物质(按原子序数区分)对X射线的吸收与散射程度不同，穿透后的射线强度经光电转换与数字化处理，结合双能谱分析技术，生成表征物品密度与材质的图像。其中，原子序数1-10的有机物呈橙色、11-18的混合物呈绿色、19-40的金属无机物呈蓝色、大于40的高密度物质呈黑色，这种伪彩色编码帮助安检人员初步判断物品属性。
2.1.2X光安检机图像核心特点
除前文提及的伪彩色性、透视性、杂乱性外，X光安检机图像还存在“设备依赖性”——不同品牌、不同代际的X光安检机，因成像算法差异，对同一物品的颜色表征可能不同，这对检测算法的跨设备适应能力(泛化性)提出更高要求;同时，低密度违禁品(如部分液体、小型刀具)在X光安检机图像中易呈现低对比度特征，进一步增加识别难度。
2.2深度学习与X光安检机目标检测技术基础
2.2.1卷积神经网络(CNN)核心组件
卷积神经网络是X光安检机违禁品检测的核心技术支撑，其通过层级化特征提取实现图像解析，核心组件包括：输入层(对X光安检机图像进行归一化、张量重塑)、卷积层(通过滑窗卷积提取图像局部特征，如边缘、纹理)、激活层(如ReLU、Swish函数，引入非线性变换增强特征表达)、池化层(最大池化或平均池化，降低维度并提升平移不变性)、全连接层(整合全局特征，映射至检测任务目标)。
2.2.2目标检测算法演进与应用
X光安检机违禁品检测常用的目标检测算法分为三类：一是Two-Stage算法(如FasterR-CNN)，通过“候选区域生成-分类回归”分阶段优化，精度较高但实时性不足;二是One-Stage算法(如YOLOv8、SSD)，单次前向传播输出类别与位置，其中YOLOv8采用Anchor-Free设计，支持检测、分割多任务，COCO数据集mAP达55.9%，是本次研究的基准模型;三是Transformer类算法(如ViT)，通过自注意力机制建模全局上下文，在复杂背景下表现优异。
三、X光安检机违禁品检测的小波变换多特征融合模块(WaveFM)设计
为解决X光安检机图像的遮挡、颜色差异等问题，提升违禁品检测精度，研究提出小波变换引导的多特征融合模块(WaveFM)，首次将小波变换引入X光安检机违禁品检测，通过多维度特征提取与融合优化检测性能。
3.1WaveFM模块整体架构
WaveFM采用三并行分支+多特征融合的架构：输入X光安检机图像后，分别通过边缘特征提取模块(EG)、区域深度特征提取模块(RE)、多特征密集融合模块(MDFM)提取不同维度特征，最终生成注意力分布图，强化违禁品区域特征表征。整体流程为：X光安检机图像→EG提取边缘特征→RE提取区域深度特征→MDFM融合多特征→生成注意力图→输出增强特征供检测器使用。
3.2去遮挡小波卷积(DOWT)设计(X光安检机图像去遮挡核心组件)
DOWT是WaveFM的核心创新点，专为解决X光安检机图像的遮挡问题设计：采用Haar小波变换原理，通过4个滤波器(低通滤波器LL、高通滤波器LH/HL/HH)对X光安检机图像进行步长为2的深度卷积，分离低频全局轮廓信息与高频细节纹理特征;与传统小波处理不同，DOWT将每级小波卷积产生的低频与高频分量沿通道维度连接，经1×1卷积压缩维度后上采样，与原始特征融合，有效保留细节信息的同时缓解遮挡干扰。
3.3边缘特征提取模块(EG)与区域深度特征提取模块(RE)
3.3.1边缘特征提取模块(EG)
EG针对X光安检机图像中违禁品轮廓模糊问题，通过Sobel算子生成边缘图像，再经DOWT处理得到中间边缘特征;随后通过N1个CBR网络块(3×3卷积+批归一化+ReLU，含残差连接)强化边缘信息，最终输出突出违禁品轮廓的边缘特征图(FE)，公式表述为：E=sobel(X)(X为X光安检机图像)、fe=DOWT(E)、FE=relu(We・fe+be)(重复N1次)。
3.3.2区域深度特征提取模块(RE)
RE旨在弱化X光安检机图像的颜色差异干扰，通过区域深度注意力(RSA)模块聚焦违禁品区域：参考CBAM注意力机制，先经通道注意力筛选关键特征通道，再通过空间注意力定位违禁品空间位置;输出结果经DOWT处理与N2个CBR块强化，生成区域深度特征图(FR)，实现目标与背景的高效解耦，提升模型对不同颜色分布X光安检机图像的适应能力。
3.4多特征密集融合模块(MDFM)与特征生成
MDFM通过“和分支”与“差分支”融合多特征：和分支将EG的fe、RE的fr与X光安检机图像经DOWT处理的fx相加，增强违禁品整体信息;差分支计算fx与fe、fr的差异，区分违禁品与背景;两分支均通过权重共享的密集连接流优化特征，生成融合特征图(FM)。最终，将FE、FR、FM级联后经1×1卷积生成特征Ff，再通过Sigmoid函数生成注意力图S，与fx内积得到最终增强特征F，供X光安检机违禁品检测器使用。
四、X光安检机违禁品检测实验设计与结果分析(含扩展数据集构建)
为验证WaveFM模块性能，研究围绕X光安检机违禁品检测需求设计实验，涵盖数据集构建、性能对比、消融实验、泛化测试等环节，所有实验基于云算力平台(CPU：Xeon(R)Gold6430，GPU：RTX409024GB，软件环境：Ubuntu22.04、PyTorch2.1.0、Python3.10)开展。
4.1X光安检机违禁品检测数据集构建(含OPIXray扩展)
4.1.1现有数据集局限性分析
公开X光安检数据集存在不足：如GDXray为单能量图像无颜色信息，与当前双能X光安检机不匹配;SIXray类不平衡问题显著;OPIXray仅含5类刀具且样本数量差异大(如多功能刀2042张、直刀1044张)，难以支撑多类别违禁品检测。
4.1.2扩展均衡数据集构建
针对OPIXray局限，研究扩展构建新数据集：新增移动电源(PO)、水(WA)、化妆品(CO)、枪支(GUN)4类违禁品，结合原有5类刀具(折叠刀FO、直刀ST、剪刀SC、美工刀UT、多工具刀MU)，形成9类违禁品体系;通过筛选标准化样本数量，每类800张(训练集600张、测试集200张)，总样本7200张;同时保留OPIXray的遮挡分级(OL1局部遮挡、OL2显著遮挡、OL3完全遮挡)，为遮挡场景测试提供支撑。此外，选取SIXray中101张颜色分布不同的手枪图像作为泛化测试集，验证模型对不同X光安检机图像的适应能力。
4.2模型评估标准与超参数设置
4.2.1核心评估指标
采用目标检测领域通用指标：交并比(IoU，衡量预测框与真实框重合度)、精确率(Precision=TP/(TP+FP))、召回率(Recall=TP/(TP+FN))、平均精度均值(mAP，所有类别P-R曲线下面积的均值，核心衡量指标)。
4.2.2超参数配置
实验超参数设置为：循环批量大小64、训练迭代次数1000、权重衰减系数0.0003、初始学习率0.01，确保模型稳定训练。
4.3X光安检机违禁品检测性能对比结果
以YOLOv8为基准，对比WaveFM与SE、DOMA、FEM三种检测方法：
平均精度(mAP)：YOLOv8+WaveFM达80.58%，较YOLOv8(78.73%)提升1.85%，较YOLOv8+SE(79.36%)、YOLOv8+DOMA(79.76%)、YOLOv8+FEM(79.66%)分别提升0.82%、1.22%、1.12%;
单类别提升：对低精度类别(直刀ST、化妆品CO)提升最显著，分别较YOLOv8提升2.27%、3.73%，枪支(GUN)检测精度达98.43%;
遮挡场景性能：在OL1(局部遮挡)、OL2(显著遮挡)、OL3(完全遮挡)场景下，YOLOv8+WaveFM精度分别为84.35%、80.31%、77.08%，较YOLOv8分别提升1.92%、1.05%、2.58%，严重遮挡场景优势显著。
4.4消融实验与检测器兼容性验证
4.4.1消融实验(WaveFM子模块有效性)
单独引入EG、RE、MDFM模块时，YOLOv8mAP分别提升0.58%、0.70%、1.02%，三者融合后提升1.85%，验证各子模块均有效且协同作用显著;将DOWT替换为常规卷积后，OL1、OL2、OL3场景精度分别下降0.76%、0.26%、0.96%，证明DOWT对去遮挡的关键作用。
4.4.2跨检测器兼容性
将WaveFM集成至SSD、ViT检测器：SSD+mAP从71.37%提升至75.27%(+3.9%)，ViT+mAP从76.57%提升至79.02%(+2.45%)，证明WaveFM可作为“即插即用”组件，适配不同X光安检机违禁品检测器。
4.5泛化性能测试结果
采用101张颜色分布不同的手枪X光图像测试：YOLOv8正确识别12个，SE识别10个，DOMA识别24个，FEM识别19个，而YOLOv8+WaveFM正确识别56个(正确率55.4%);移除RE模块后正确识别数降至36个，证明RE对提升模型适应不同X光安检机图像颜色差异的关键作用，也验证WaveFM的泛化能力远超现有方法。
五、X光安检机违禁品检测系统软件设计与实现
基于WaveFM算法，研究设计并实现一套X光安检机违禁品检测系统软件，满足实际安检场景的动态检测、数据管理需求，为安检人员提供高效辅助工具。
5.1系统需求建模(针对X光安检机作业场景)
5.1.1业务功能需求
系统需覆盖五大核心功能：一是身份认证模块，采用分级授权(管理员/操作员)，保障数据安全;二是动态实时检测模块，适配X光安检机传送带速度(0.22m/s)，对视频流逐帧采样检测(2秒间隔)，确保实时性;三是历史回溯模块，支持按时间戳调取X光安检机历史图像，便于存疑物品复检;四是数据存储模块，存储X光安检机图像、检测结果，为算法迭代提供数据支撑;五是数据管理模块，支持用户信息维护、操作日志审计、检测统计报表生成。
5.1.2系统质量需求
需满足三项质量指标：一是简明性，通过可视化界面将复杂算法转化为便捷操作，适配不同技术背景的安检人员;二是可扩展性，预留模型接口，支持后续X光安检机检测算法升级;三是安全性，采用数据加密与访问控制，保护旅客隐私与检测数据安全。
六、X光安检机违禁品检测研究总结与未来展望
6.1研究总结
本研究围绕X光安检机的违禁品检测智能化需求，完成三项核心工作：一是设计小波变换多特征融合模块(WaveFM)，首次将DOWT引入X光安检机检测，有效缓解遮挡与颜色差异问题，在扩展数据集上mAP达80.58%，严重遮挡场景精度提升2.58%，泛化测试正确识别56个手枪样本，性能远超现有方法;二是构建9类违禁品7200样本的均衡数据集，解决原有数据集种类单一、样本不均衡问题，为X光安检机检测算法评估提供可靠数据基础;三是开发X光安检机违禁品检测系统软件，集成动态/静态检测、数据管理功能，实现算法的工程化落地，为安检人员提供高效辅助工具。
6.2未来展望
当前X光安检机违禁品检测仍有提升空间：一是模型轻量化，WaveFM的多分支架构增加参数量与计算复杂度，需在保持精度的前提下优化结构，降低对X光安检机部署设备的硬件要求;二是嵌入式部署，现有软件未适配嵌入式设备，需通过模型裁剪与优化，实现X光安检机端侧的高性能检测;三是精度提升，未来需进一步优化算法，降低错检、漏检率，推动X光安检机向“全自动无人工干预”方向发展，全面提升公共安全安检效率与可靠性。
