《Electronics》：A Lightweight RPR-DETR for Prohibited Item Detection in X-Ray Security Inspection Images
编辑推荐：
在X光安检图像中，物体重叠会对特征表示引入干扰并增加违禁品检测的难度。针对这一问题，研究人员在本研究中开发了一种改进的RT-DETR模型，命名为RPR-DETR。首先，原始骨干网络被替换为轻量级RGCSPELAN结构，该结构将结构重参数化（structur
在X光安检图像中，物体重叠会对特征表示引入干扰并增加违禁品检测的难度。针对这一问题，研究人员在本研究中开发了一种改进的RT-DETR模型，命名为RPR-DETR。首先，原始骨干网络被替换为轻量级RGCSPELAN结构，该结构将结构重参数化（structural reparameterization）融入分层特征聚合中，以降低模型复杂度。其次，引入Pola-CGLU编码器，用于建模不同空间区域之间的关系，同时保留局部邻域交互。此外，采用RFPN结构重组不同特征层级之间的特征变换与尺度转换。在OPIXray数据集上，RPR-DETR取得了90.0%的mAP50（IoU阈值为0.5时的平均精度均值），超过RT-DETR-R18达1.2个百分点。与RT-DETR-R18相比，RPR-DETR的参数量（Params）减少31.2%，浮点运算次数（FLOPs）降低22.6%。在DvXray数据集上，所提模型的mAP50较基线提升1.4个百分点。实验结果表明，RPR-DETR在违禁品检测性能与模型复杂度之间取得了更好的平衡。
**论文解读**
**一、研究背景与问题提出**
随着机场、地铁和铁路系统中客流量持续增长，行李安检对检测精度与处理效率提出了越来越高的要求。X光成像技术能够在无需开箱物理检查的情况下呈现行李内部物品，因此已成为公共交通系统中违禁品筛查的重要工具。然而，传统的安检筛查仍然高度依赖安检人员对X光图像的人工判读，长时间重复性工作容易受到视觉疲劳和操作人员经验差异的影响。基于计算机视觉的自动化违禁品检测方法有助于提升筛查效率并减轻人工判图的负担。
X光图像由于其投影成像特性而与自然图像存在本质差异：行李内物品沿X光方向被投影至二维平面，当多个物体堆叠在一起时，其投影信息可能在同一区域内发生重叠，导致违禁品的轮廓和局部结构与周围物体的信息相互混杂。近年来，基于卷积神经网络（CNN）的检测器在X光违禁品检测中得到了广泛研究，包括以Faster R-CNN为代表的两阶段检测器和以YOLO系列为代表的单阶段检测器。尽管这些方法在特征表示和模型效率方面取得了进展，但其特征交互仍以局部卷积和逐层传播为主，当违禁品与周围物体重叠时，来自更广空间范围的上下文信息可能无法被充分挖掘。Transformer中的自注意力机制能够建立不同空间位置之间的关系，为利用上下文信息检测重叠物体提供了另一种途径。DEtection TRansformer（DETR）将Transformer引入端到端目标检测，通过集合预测和二分匹配在预测与真实目标之间建立一一对应关系。然而，标准DETR通常收敛较慢且计算代价较高，在实际安检场景中增加了计算负担。RT-DETR是为实时端到端Transformer检测而设计的，但其AIFI（Attention-based Intra-scale Feature Interaction，基于注意力的同尺度特征交互）模块中的前馈网络主要对每个位置独立进行通道变换，在相邻空间位置之间提供的直接交互有限。
在上述背景下，当物体重叠时，违禁品的投影信息可能与其周围物体的信息在同一区域内混合，模型既需要在不同空间区域之间建立关系，又需要保留目标周围的局部结构。同时，在提升检测性能的同时降低参数量和计算代价，有助于降低模型的计算与存储需求。此外，在特征融合过程中，不同分辨率的特征还需要进行通道变换和尺度调整。针对上述问题，研究人员以RT-DETR-R18为基线，开发了RPR-DETR模型。
**二、主要技术方法**
研究人员以RT-DETR-R18（采用ResNet18骨干网络、高效混合编码器和Transformer解码器的端到端检测框架）为基线，提出了三项结构性改进。第一，构建了轻量级RGCSPELAN骨干网络，融合CSP（Cross Stage Partial，跨阶段局部）连接的特征分割策略、ELAN（Efficient Layer Aggregation Network，高效层聚合网络）的分层聚合机制以及RepConv的结构重参数化。第二，设计了Pola-CGLU编码器，将PolaFormer（极性感知Transformer）的极性感知线性注意力与CGLU（Convolutional Gated Linear Unit，卷积门控线性单元）引入原始AIFI模块。第三，构建了RFPN特征融合结构，在融合路径中分别引入GSConvE进行特征变换与通道重排、引入SNI（Soft Nearest Neighbor Interpolation，软最近邻插值）进行不同层级特征间的尺度转换。实验采用两个公开X光违禁品检测数据集：OPIXray（含8885张X光图像，涵盖直刀、多功能刀、折叠刀、美工刀和剪刀五类违禁品，按遮挡程度划分为OL1、OL2、OL3三个子集）和DvXray（含16000对双视角样本共32000张X光图像，涵盖枪支、刀具等15类违禁品）。实验在Linux系统下进行，使用NVIDIA A800 GPU（80 GB显存），基于Python 3.10.14、PyTorch 2.2.2和CUDA 12.2实现。训练时图像缩放至640×640，批量大小为4，优化器为AdamW，初始学习率0.0001，训练100轮，所有模型均从头训练，不使用预训练权重。
**三、研究结果**
（1）OPIXray数据集上的对比实验。与RT-DETR-R18相比，RPR-DETR的精确率（Precision）、召回率（Recall）和mAP50分别从91.6%、88.7%和88.8%提升至93.1%、89.1%和90.0%，而mAP50:95（IoU阈值从0.5至0.95、步长0.05的平均mAP）从40.8%提升至41.1%。参数量从19.9 M降至13.7 M（减少31.2%），FLOPs从57.0 G降至44.1 G（减少22.6%）。与RT-DETR-R34相比，RPR-DETR在将mAP50从89.6%提升至90.0%的同时，参数量从31.1 M降至13.7 M。在各类别AP50（IoU阈值为0.5时的平均精度）方面，RPR-DETR在多功能刀、折叠刀和剪刀上分别提升1.7、3.2和1.0个百分点，折叠刀提升幅度最大。在推理效率方面，RPR-DETR单张图像推理延迟为32.7 ms，与RT-DETR-R18的32.3 ms接近，而峰值GPU显存占用从0.243 GB降至0.202 GB（降低约16.9%）。
（2）不同遮挡程度下的性能表现。在轻度遮挡（OL1）子集上，RPR-DETR的mAP50从90.7%提升至91.3%；在中度遮挡（OL2）子集上，精确率和mAP50:95分别从90.1%和39.5%提升至91.9%和40.7%；在重度遮挡（OL3）子集上，精确率从90.2%提升至92.1%，召回率从82.7%提升至86.2%，mAP50从86.0%提升至89.2%，分别提高1.9、3.5和3.2个百分点，表明RPR-DETR在严重遮挡条件下的优势尤为明显。
（3）模块对比与消融实验。骨干网络对比实验显示，RGCSPELAN在精确率（92.1%）、召回率（88.7%）、mAP50（89.2%）和mAP50:95（41.0%）上均优于ConvNeXtV2、MobileNetV4和EfficientViT。特征融合结构对比中，RFPN取得了最高的召回率（89.2%）和mAP50（89.5%）。消融实验表明：单独使用RGCSPELAN时，mAP50为89.2%，参数量和FLOPs分别降至13.8 M和44.5 G，证明其主要贡献在于模型轻量化；单独使用Pola-CGLU时，精确率提升至92.9%，mAP50达89.2%，表明其增强了编码器中的特征交互；单独使用RFPN时，召回率和mAP50分别达89.2%和89.5%，说明其改善了跨尺度特征融合。当三个模块全部启用时，mAP50达到90.0%，为所有消融配置中的最高值。
（4）DvXray数据集上的验证。RPR-DETR取得94.7%精确率、85.6%召回率、90.8% mAP50和73.7% mAP50:95，相比RT-DETR-R18分别提升1.6、0.6、1.4和2.4个百分点，参数量和FLOPs同样显著降低，表明性能增益在第二个数据集上得以保持。
（5）可视化分析。在存在明显物体重叠或密集分布周围物体的样本上，RPR-DETR产生更少的误检、漏检和冗余预测。Grad-CAM（梯度加权类激活映射）热力图显示，基线模型的响应高亮区域有时会扩展到目标周围物体，而RPR-DETR的响应区域更集中于违禁品及其轮廓。
**四、讨论与结论**
研究人员在讨论部分指出，消融实验中三个模块的效果并非简单叠加。RGCSPELAN改变了骨干网络生成的分层特征表示，RFPN随后对这些特征进行跨尺度变换与融合。在同时使用RGCSPELAN和RFPN但保留原始AIFI的配置下，mAP50为89.1%，略低于单独使用RFPN时的89.5%，表明特征提取与跨尺度融合的修改不一定产生累加增益。Pola-CGLU替换原始AIFI处理高层S5特征，在特征进入RFPN之前引入额外的特征交互，通过结合空间关系建模与局部邻域交互，使修改后的骨干网络生成的S5特征得到进一步加工。最终选择同时启用三个模块的配置，是基于检测性能与模型复杂度之间的整体平衡，而非单一评估指标的最优结果。
研究结论如下：本研究提出了RPR-DETR，一种通过重新设计骨干网络、AIFI编码器和跨层级特征融合过程而得到的改进型RT-DETR-R18检测器。RGCSPELAN用于降低模型复杂度，同时保留来自不同处理深度的表示。Pola-CGLU将极性感知注意力与局部卷积处理相结合，在编码过程中既建模不同空间区域之间的交互，又保留邻域信息。在融合阶段，GSConvE和SNI分别改进不同层级间的特征变换与尺度转换。在OPIXray上，RPR-DETR取得90.0% mAP50，比RT-DETR-R18高出1.2个百分点，同时参数量和FLOPs分别减少31.2%和22.6%。在最为严重的OL3遮挡条件下，召回率和mAP50分别比RT-DETR-R18提高3.5和3.2个百分点，峰值GPU显存占用降低约16.9%，单张图像推理延迟与基线保持相近。在DvXray上，RPR-DETR取得90.8% mAP50和73.7% mAP50:95，较RT-DETR-R18分别提升1.4和2.4个百分点。消融实验进一步验证了三个引入组件的各自作用。定性检测示例显示所选样本中的漏检、误检和冗余预测更少，Grad-CAM结果表明RPR-DETR的响应区域更集中于违禁品及其轮廓周围。未来研究将探索在实际安检设备上的部署与推理性能，并评估在不同运行环境下的检测稳定性。
