一种基于深度学习的违禁品检测识别方法、系统、设备及其存储介质技术方案

本发明专利技术属于安检技术领域，公开了一种基于深度学习的违禁品检测识别方法、系统、设备及其存储介质。本发明专利技术方法包括以下步骤：使用安检机采集图像，且对图像进行预处理；制定编辑策略，得到编辑后的图像；构建生成式对抗网络并调整网络参数；将编辑后的图像输入生成网络中，得到的违禁品图像样本数据与违禁品样本数据加入样本库；构建用于违禁品检测识别的卷积神经网络；训练用于违禁品识别的卷积神经网络；违禁品自动检测识别。本发明专利技术解决了深度学习训练样本数据采集、标注难且数据量大的问题，为违禁品的检测提供有效的训练样本，极大地提高了利用深度学习方法执行安检过程中的目标检测任务的效率以及准确率。

A Method, System, Equipment and Storage Medium for Detection and Recognition of Prohibited Goods Based on Deep Learning

【技术实现步骤摘要】
一种基于深度学习的违禁品检测识别方法、系统、设备及其存储介质
本专利技术属于安检
，具体涉及一种基于深度学习的违禁品检测识别方法、系统、设备及其存储介质。
技术介绍
目前，辐射成像技术是各国广泛使用的安检系统中的主流技术，该技术以射线（如X射线、太赫兹辐射成像等）照射被检测物体，根据探测器接收到的信号，再经过计算机的处理得到被检测物体的射线图像，安检员通过观察图像根据常见的违禁品的形状及色带辨别图像中是否有可疑违禁物品。这种人工判读的方法效率低，漏检率高并且有很高的人工成本。专利申请号为201711126618.2的中国专利“安检检测方法、装置、系统及电子设备”、专利申请号为201810551326.1的中国专利“基于人工智能深度学习的自动识别物体的方法及其装置”等专利技术中采用了基于人工智能的深度学习模型实现对违禁品的自动识别检测，提高了安检效率、准确率，极大的降低了安检成本。然而使用深度学习方法在实际的安检检测应用中，其检测结果常常受到检测目标的放置角度、背景环境、人为伪装等外界因素的影响。为了实现准确的目标检测任务就需要海量的训练样本数据，并且需要对图像中的目标做标注，但是往往采集数据和标注数据需要很高的成本。同时，一般在训练样本集较小的情况下，会使用数据增广技术，即对训练图像进行旋转、裁剪等操作来扩大样本数据集，然而这种处理过于简单，因此应用在目标检测任务中，效果不佳。
技术实现思路
本专利技术的目的在于提供一种基于深度学习的违禁品检测识别方法、系统、设备及其存储介质，与传统依赖人工的违禁品检测识别方法相比准确率、效率高、成本低，并通过解决深度学习训练样本数据采集、标注难且数据量大的问题，快速地为违禁品的检测识别提供有效的训练样本，以提高利用深度学习方法执行安检过程中的目标检测任务的效率以及准确率。为了解决上述技术问题，根据本专利技术的一个方面，提出了一种基于深度学习的违禁品识别方法，包括：1）使用安检机采集图像，且对图像进行预处理，得到预处理后的图像；2）对1）中预处理后的每个图像制定编辑策略，得到编辑后的图像；3）构建生成式对抗网络并对该网络进行训练，所述生成式对抗网络包括生成网络和判别网络；4）将2）中编辑后的图像输入训练好的生成网络中获得带目标的样本数据，得到的样本数据与违禁品样本数据共同组成样本库；5）构建用于违禁品检测识别的卷积神经网络；6）用步骤4）样本库中数据训练用于违禁品识别的卷积神经网络；7）违禁品自动检测识别。根据本专利技术的一个方面，所述安检机为X射线安检机或太赫兹成像设备中的一种或多种。优选地，安检机所采集的对象包括违禁品、模拟的违禁品存放场景。优选地，所述场景为包含或者不包含违禁品的箱体、包、袋类。所述包含违禁品的图像采集违禁品数量可以是一个或多个，一种或多种。所述步骤2）中编辑策略包括增加掩模、人工绘制违禁品图样、添加颜色中的至少一种；所述图样可以是简单轮廓线；所述颜色与采集对象的材质种类、密度以及原子序数相关。通过该编辑步骤可自动获取目标样本的标签。所述步骤3）中生成式对抗网络包括生成网络和判别网络。所述生成网络负责将编辑后的图像生成新的图像，所述判别网络负责判断新的图像是否属于违禁品。优选地，所述生成网络为基于卷积神经网络的深度学习模型，所述判别网络为基于卷积的二分类网络结构。所述生成式对抗网络的训练方法包括如下步骤：3.1）安检机采集违禁品图像，并对图像进行预处理；3.2）在预处理后图像中随机擦除目标区域，提取目标区域的掩模、轮廓图、颜色图；所述预处理后图像、掩模、轮廓图、颜色图以及被擦除目标区域后的预处理后图像作为训练集，训练生成式对抗网络；其中掩模、轮廓图、颜色图和被擦除目标区域后的预处理后图像作为生成网络的输入，修复的图像为生成网络的输出；修复的图像和原始预处理后图像为判别网络的输入，而所述判别网络的输出为二分类判断，即判别网络主要区分该图像为原始预处理后的图像还是修复的图像，有利于后续；3.3）调整网络参数，得到训练好的生成式对抗网络。优选地，本专利技术还可对预处理后图像和生成样本库中图像进行数据增广。根据本专利技术的第二个方面，提出了一种基于深度学习的违禁品检测识别系统，包括：图像采集模块、预处理模块、生成式对抗网络、编辑模块、用于违禁品检测识别的神经网络训练数据集、用于违禁品检测识别的卷积神经网络。所述图像采集模块用于获取一定数量的安检设备拍摄的的安检图像，其中安检设备为X射线安检机或太赫兹成像设备中的一种或多种。安检机所采集的对象包括违禁品、模拟的违禁品存放场景。优选地，所述场景为包含或者不包含违禁品的箱体、包、袋类。所述包含违禁品的图像采集违禁品数量可以是一个或多个，一种或多种。所述预处理模块通过图像增强和去噪操作对生成式对抗网络的训练数据集中所有图像进行预处理。所述生成式对抗网络用于扩充样本数据，包括生成网络和判别网络。所述生成网络负责将编辑后的图像生成新的图像，所述判别网络负责判断新的图像是否属于违禁品。优选地，所述生成网络为基于卷积神经网络的深度学习模型，所述判别网络为基于卷积的二分类网络结构。采集违禁品安检图像并预处理，将预处理后图像随机擦除目标区域，提取目标区域的掩模、轮廓图、颜色图，使用所述目标区域的掩模、轮廓图、颜色图、被擦除目标区域后的预处理后图像以及原始预处理后图像作为训练集来拟合参数，得到训练好的生成式对抗网络。生成式对抗网络通过至少如下训练方法训练得到：1）安检机采集违禁品图像，并对图像进行预处理；2）在预处理后图像中随机擦除目标区域，提取目标区域的掩模、轮廓图、颜色图；所述掩模、轮廓图、颜色图以及被擦除目标区域后的预处理后图像作为训练集，训练生成式对抗网络；其中掩模、轮廓图、颜色图和被擦除目标区域后的预处理后图像作为生成网络的输入，修复的图像为生成网络的输出；修复的图像和原始预处理后图像为判别网络的输入，而所述判别网络的输出为二分类判断，即判别网络主要区分该图像为原始预处理后的图像还是修复的图像，有利于后续；3）得到训练好的生成式对抗网络。所述编辑模块对预处理模块处理过的图像制定编辑策略，所述编辑策略包括增加掩模、人工绘制违禁品图样、添加颜色中的至少一种；所述图样可以是简单轮廓线；通过该编辑模块可自动获取目标样本的标签。所述用于违禁品检测识别的神经网络训练数据集为利用生成网络将编辑模块编辑后的图像作为输入得到的带目标的样本数据和违禁品样本数据组成。所述用于违禁品检测识别的卷积神经网络经用于违禁品检测识别的神经网络训练数据集训练得到。根据本专利技术的第三个方面，提出了一种基于深度学习的违禁品检测识别计算设备，包括：一个或多个处理器；和存储器；一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述方法中的任一方法的指令。本专利技术还有一目的在于存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当计算设备执行时，使得所述计算设备执行上述的方法中的任一方法。如上所述，本专利技术的一种基于深度学习的违禁品检测识别方法、系统、设备及存储介质，具有以下有益效果：与现有技术相比，只需预先拍摄少量的违禁品图像和场景图像即可实现深度学习样本数据的采集，可以大量模拟本文档来自技高网...

【技术保护点】
1.一种基于深度学习的违禁品检测识别方法，其特征在于，包括以下步骤，1）使用安检机采集图像，且对图像进行预处理，得到预处理后的图像；2）对1）中预处理后的每个图像制定编辑策略，得到编辑后的图像；3）构建生成式对抗网络并对该网络进行训练，所述生成式对抗网络包括生成网络和判别网络；4）将2）中编辑后的图像输入训练好的生成网络中获得带目标的样本数据，将得到的样本数据与违禁品数据共同组成样本库；5）构建用于违禁品检测识别的卷积神经网络；6）用步骤4）样本库中数据训练用于违禁品识别的卷积神经网络；7）违禁品自动检测识别。

【技术特征摘要】
1.一种基于深度学习的违禁品检测识别方法，其特征在于，包括以下步骤，1）使用安检机采集图像，且对图像进行预处理，得到预处理后的图像；2）对1）中预处理后的每个图像制定编辑策略，得到编辑后的图像；3）构建生成式对抗网络并对该网络进行训练，所述生成式对抗网络包括生成网络和判别网络；4）将2）中编辑后的图像输入训练好的生成网络中获得带目标的样本数据，将得到的样本数据与违禁品数据共同组成样本库；5）构建用于违禁品检测识别的卷积神经网络；6）用步骤4）样本库中数据训练用于违禁品识别的卷积神经网络；7）违禁品自动检测识别。2.根据权利要求1所述一种基于深度学习的违禁品检测识别方法，其特征在于，所述安检机为X射线安检机或太赫兹成像设备中的一种或多种。3.根据权利要求1所述一种基于深度学习的违禁品检测识别方法，其特征在于，安检机所采集的对象包括违禁品、模拟的违禁品存放场景；所述场景为包含或者不包含违禁品的箱体、包、袋类；所述包含违禁品的图像中违禁品数量可以是一个或多个，在种类上可以是一种或多种。4.根据权利要求1所述一种基于深度学习的违禁品检测识别方法，其特征在于，所述编辑策略包括增加掩模、人工绘制违禁品图样、添加颜色中的至少一种；所述图样可以是轮廓线；所述颜色与采集对象的材质种类、密度以及原子序数相关。5.根据权利要求1所述一种基于深度学习的违禁品检测识别方法，其特征在于，所述生成式对抗网络包括生成网络和判别网络；所述生成网络负责将编辑后的图像生成新的图像，所述判别网络负责判断新的图像是否属于违禁品。6.根据权利要求5所述一种基于深度学习的违禁品检测识别方法，其特征在于，所述生成网络为基于卷积神经网络的深度学习模型；所述判别网络为基于卷积的二分类网络结构。7.根据权利要求1所述一种基于深度学习的违禁品检测识别方法，其特征在于，所述生成式对抗网络的训练方法包括如下步骤：1）安检机采集违禁品图像，并对图像进行预处理；2）在预处理后图像中随机擦除目标区域，提取目标区域的掩模、轮廓图、颜色图；所述预处理后图像、掩模、轮廓图、颜色图以及被擦除目标区域后的预处理后图像作为训练集，训练生成式对抗网络；其中掩模、轮廓图、颜色图和被擦除目标区域后的预处理后图像作为生成网络的输入，修复的图像为生成网络的输出；修复的图像和原始预处理后图像为判别网络的输入，而所述判别网络的输出为二分类判断，即判别网络主要区分该图像为原始预处理后的图像还是修复的图像，有利于后续；3）得到训练好的生成式对抗网络。8.一种基于深度学习的违禁品检测识别系统，其特征在于，包括，图像采集模块、预处理模块、生成式对抗网络、编辑模块、用于违禁品检测识别的神经网络训练数据集、用于违禁品检测识别的卷积神经网络。9.根据权利要求8所述的一种基于深度学习的违禁品检测识别系统，其特征在于，所述用...

【专利技术属性】
技术研发人员：程国华，
申请(专利权)人：浙江啄云智能科技有限公司，
类型：发明
国别省市：浙江,33