脊柱侧弯是当今社会中常见的脊柱疾病，在X光图像上快速而准确地定位脊椎骨角点并计算其Cobb角度数是医生诊断脊柱弯曲程度的金指标。针对X光骨科图片中其他器官的遮挡以及复杂背景干扰等问题，提出一种基于嵌入注意力机制和向量损失模块的神经网络模型。所提模型以vertebra-focused landmark detection（VFLD）网络为基础网络，在编码器和解码器之间嵌入旋转注意力机制模块加强网络对于脊椎骨深层、高维特征的提取，抑制其他器官的干扰，同时利用向量相似性的损失函数对网络进行训练。实验结果表明，在MICCAI 2019公开脊椎挑战赛数据集中，所提模型的对称平均绝对百分比误差准确度高达9.31，可以有效提高原模型检测椎骨角点能力。与现有的诸多模型相比，其具有较高的准确率和稳健性。

针对X光行李图像安全检测过程中存在物品高度重叠遮挡及复杂背景干扰等问题，提出了一种融合注意力机制、数据增强策略与加权边框融合算法的改进YOLOv5网络模型用于X光违禁品检测。模型在Neck部分引入卷积注意力模块加强网络对违禁品深层重要特征的提取，抑制背景干扰；训练阶段采用Mixup数据增强策略模拟带有高度重叠及遮挡物品的检测场景，加强模型复杂样本的学习能力；测试阶段采用加权边框融合算法对冗余预测框进行优化，提高模型精准预测能力。所提模型在3个大型复杂数据集SIXray、HiXray、OPIXray进行了测试，平均精度均值分别达到了89.6%、83.1%和91.6%。结果表明：所提模型能够有效提高YOLOv5检测复杂违禁品的能力，与现有诸多先进算法相比，具有较高的准确率和稳健性。

锈蚀覆盖的古铜镜在非接触探伤检测中，因镜缘与镜心厚度各异，X光成像无法呈现完整的病害信息。以古铜镜X光信号为输入，搭建生成对抗融合网络。针对L2损失和梯度算子所导致的重构模糊、纹饰和裂痕等多尺度特征细节表达等问题，设计了能够增强古铜镜X光信息融合效果的优化策略。通过添加L2,12损失正则化生成器的特征学习过程，改善L2损失生成信息平滑的现象；定义拉普拉斯Ltex纹饰损失，加强训练网络对纹饰和病害的抽取效果；在训练网络中加入多尺度特征融合模块，提高细节信息生成质量。通过与7种融合方法进行实验对比，所提算法在5组对照数据中仅2组的交叉熵值略差，其余信息熵、平均梯度、空间频率、联合熵和非参考特征互信息值均取得最优，可有效呈现古铜镜X光探伤检测信息。

针对X光安检图像中多目标违禁品识别难度高的问题，提出了一种多目标违禁品识别算法。首先，综合考虑实际应用需求、网络性能和运行速度，用残差网络（ResNet50）作为骨干网络，并添加局部强化模块弥补空洞卷积导致的棋盘格现象。然后，用空洞残差特征增强模块和可变形空洞空间金字塔池化分别处理不同层级特征，自适应学习违禁品的多尺度特性。最后，引入注意力机制，强化对重点通道的学习能力并实现空间维度上的特征聚焦，加强违禁品区域的细节表征能力。在安检违禁品图像数据集上的测试结果表明，相比其他对比算法，本算法可在保证实时性的前提下取得更优的分割精度，平均交并比为82.26％，图像处理速度为16.21 frame/s。

针对锂电池正负极缺陷造成严重安全事故的问题，提出一种锂电池正负极距离缺陷检测方法。先获取锂电池的X光图像，通过分水岭算法截取图像中的感兴趣区域，并对感兴趣区域进行旋转校正。针对锂电池负极直线区域难以分割的问题，设计水平方向梯度模板提取正极边界，截取锂电池负极直线部分。利用多尺度视网膜增强算法和扩大差分模板提取负极直线。对提取出的负极直线进行水平投影以获取直线纵坐标，根据正极梯度和提取的负极直线获取正负极端点坐标，进而获取锂电池正负极距离。实验结果表明，所提算法的漏检率低，运行稳定，满足工业要求。

安检X光图像违禁品尺度多变、姿态各异，为自动识别带来很大的困难。针对该问题，提出了一种基于金字塔卷积和带状池化的X光目标检测算法。首先，以一阶段无锚框目标检测框架CenterNet为基础，引入金字塔卷积，提出金字塔沙漏网络，丰富Hourglass-104特征提取网络的感受野，增强多尺度特征提取能力。其次，带状池化的引入能够捕捉图像上下文全局信息，防止无关区域的信息干扰，兼顾局部细节信息。最后，在训练过程中将预测目标尺度分支的训练损失替换为交并比（IoU）损失函数，进一步提升尺度预测分支的性能。消融实验结果表明，改进后网络的平均精度（mAP50）由86.6%提升为88.3%，准确率有显著提升。

针对安检X光图像中违禁品的自动检测一直存在困难,使用不同尺度的特征比例平衡模块、U型网络递归模块和残差边注意力模块构建EM2Det(Enhanced M2Det)模型,进一步提升M2Det模型的检测性能。首先考虑主干网络深层中的高语义信息和浅层中的细节特征信息,借鉴特征金字塔思想设计特征融合增强模块,加强模型对主干网络中不同尺度特征的提取能力;然后设计8个U型网络递归模块,增强其对基本特征不同水平、不同尺度的细节特征提取能力;接着使用CBAM(Convolutional Block Attention Module)构建残差边注意力模块,使其关注有效特征,抑制无用的背景干扰;最后在SIXray_OD数据集上对模型进行验证。实验结果表明,设计的各个模块均有不同程度的提升效果,EM2Det模型的平均精度比M2Det模型提升6.4个百分点。

以安检X光图像管制刀具自动检测识别系统为研究对象,针对原始SSD(Single Shot MultiBox Detector)算法对浅层特征图表征能力不强,在训练阶段小目标特征逐渐消失,检测精度与实时性不佳,存在对安检危险品中管制刀具等小目标漏检误检等问题,从两个方面对原始SSD进行改进:一方面,用抗退化性能更强的ResNet34网络替换SSD中的基础网络VGG16,构建SSD-ResNet34网络模型,对基础网络后三层作卷积并进行轻量级网络融合,形成新的低层特征图;将网络部分扩展层作反卷积,形成新的高层特征图。另一方面,采用跳跃连接的方式将高层特征图和低层特征图进行多尺度特征融合。经实验分析,改进后的算法对X光图像管制刀具等小目标的检测精度和速度均有明显提升,且算法鲁棒性好,实时性良好。在VOC2007+2012通用数据集上,改进SSD算法的检测精度比SSD算法高1.7%,达到了80.5%。