一种基于可变形卷积的危险品检测方法、装置及设备制造方法及图纸

本申请公开了一种基于可变形卷积的危险品检测方法、装置、设备及可读存储介质，包括：获取待检测的危险品图像；利用可变形卷积网络对危险品图像进行特征提取，得到原始特征图；将原始特征图输入RPN层，确定兴趣区域以及兴趣区域是否为危险品的分类结果；将分类结果为危险品的兴趣区域输入ROI pooling层，得到预设尺寸的目标特征图；利用全连接层根据目标特征图确定危险品的类别和检测框。可见，该方案利用可变形卷积对危险品图像进行特征提取，由于可变形卷积能够通过可学习的仿射变换增加卷积核的旋转不变性，因此该方案能够实现在危险品的形状或位置不确定的情况下的目标识别，显著提升了危险品识别结果的可靠性和精确性。

A method, device and equipment of dangerous goods detection based on deformable convolution

The application discloses a dangerous goods detection method, device, device and readable storage medium based on deformable convolution, including: obtaining the dangerous goods image to be detected; extracting the features of the dangerous goods image by using deformable convolution network to obtain the original feature map; inputting the original feature map into RPN layer to determine whether the area of interest and the area of interest are classified results of dangerous goods Input the region of interest of dangerous goods into ROI pooling layer to get the target characteristic map of preset size; use full connection layer to determine the category and detection box of dangerous goods according to the target characteristic map. It can be seen that the scheme uses deformable convolution to extract the features of dangerous goods image. Because the deformable convolution can increase the rotation invariance of convolution kernel through the learned affine transformation, the scheme can realize the target recognition in the case of uncertain shape or position of dangerous goods, which significantly improves the reliability and accuracy of dangerous goods identification results.

【技术实现步骤摘要】
一种基于可变形卷积的危险品检测方法、装置及设备
本申请涉及目标识别
，特别涉及一种基于可变形卷积的危险品检测方法、装置、设备及可读存储介质。
技术介绍
随着交通行业的发展，人口流动越来越频繁，为保证公共安全，有必要在公共安全区域检测武器、爆炸物、毒品等危险品。传统的目标检测算法在学习过程中总是学习固定的危险品的形状，因此导致算法不够鲁棒。比如目标检测算法经过学习后能识别出一把水平放置的小刀了，但是无法识别垂直放置的小刀。可见，如何降低目标位置变化给目标识别带来的影响，提升目标识别的鲁棒性，是亟待本领域技术人员解决的问题。
技术实现思路
本申请的目的是提供一种基于可变形卷积的危险品检测方法、装置、设备及可读存储介质，用以解决传统的目标识别算法鲁棒性较差，识别结果受目标位置变化影响较大的问题。具体方案如下：第一方面，本申请提供了一种基于可变形卷积的危险品检测方法，包括：获取待检测的危险品图像；利用可变形卷积网络对所述危险品图像进行特征提取，得到原始特征图；将所述原始特征图输入RPN层，确定所述原始特征图中的兴趣区域以及所述兴趣区域是否为危险品的分类结果；将所述分类结果为危险品的兴趣区域输入ROIpooling层，得到预设尺寸的目标特征图；利用全连接层，根据所述目标特征图确定所述危险品图像中危险品的类别和检测框。优选的，所述将所述原始特征图输入RPN层，确定所述原始特征图中的兴趣区域以及所述兴趣区域是否为危险品的分类结果，包括：根据所述原始特征图生成多个锚框；利用第一全连接分支对所述多个锚框进行是否为危险品的二分类，得到分类结果；利用第二全连接分支对所述多个锚框进行修正，得到兴趣区域。优选的，所述将所述分类结果为危险品的兴趣区域输入ROIpooling层，得到预设尺寸的目标特征图，包括：将所述分类结果为危险品的兴趣区域映射到所述原始特征图；对映射后的原始特征图进行划分，得到子区域集合，所述子区域集合中子区域的数量等于所述兴趣区域的维度；对所述子区域集合中的各个子区域进行最大池化操作，得到预设尺寸的目标特征图。优选的，所述利用可变形卷积网络对所述危险品图像进行特征提取，得到原始特征图，包括：确定所述危险品图像中各个像素的位置偏移量；根据所述位置偏移量和所述危险品图像中各个像素的原始位置值，确定偏移后的位置值；利用双线性插值将所述偏移后的位置值转换为整数，得到目标位置值；根据所述目标位置值确定原始特征图。优选的，所述利用全连接层，根据所述目标特征图确定所述危险品图像中危险品的类别和检测框，包括：利用第三全连接分支根据所述目标特征图，确定所述危险品图像中危险品的类别；利用第四全连接分支根据检测框损失函数确定所述危险品的矩形检测框，其中，所述检测框损失函数等于所述ROIpooling层的损失函数。第二方面，本申请提供了一种基于可变形卷积的危险品检测装置，包括：图像获取模块：用于获取待检测的危险品图像；特征提取模块：用于利用可变形卷积网络对所述危险品图像进行特征提取，得到原始特征图；兴趣区域确定模块：用于将所述原始特征图输入RPN层，确定所述原始特征图中的兴趣区域以及所述兴趣区域是否为危险品的分类结果；池化模块：用于将所述分类结果为危险品的兴趣区域输入ROIpooling层，得到预设尺寸的目标特征图；全连接模块：用于利用全连接层，根据所述目标特征图确定所述危险品图像中危险品的类别和检测框。优选的，所述兴趣区域确定模块包括：锚框生成单元：用于根据所述原始特征图生成多个锚框；分类单元：用于利用第一全连接分支对所述多个锚框进行是否为危险品的二分类，得到分类结果；修正单元：用于利用第二全连接分支对所述多个锚框进行修正，得到兴趣区域。优选的，所述特征提取模块包括：位置偏移量确定单元：用于确定所述危险品图像中各个像素的位置偏移量；位置偏移单元：用于根据所述位置偏移量和所述危险品图像中各个像素的原始位置值，确定偏移后的位置值；转换单元：用于利用双线性插值将所述偏移后的位置值转换为整数，得到目标位置值；原始特征图确定单元：用于根据所述目标位置值确定原始特征图。第三方面，本申请提供了一种基于可变形卷积的危险品检测设备，包括：存储器：用于存储计算机程序；处理器：用于执行所述计算机程序以实现如上所述的一种基于可变形卷积的危险品检测方法的步骤。第四方面，本申请提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如上所述的一种基于可变形卷积的危险品检测方法的步骤。本申请所提供的一种基于可变形卷积的危险品检测方法、装置、设备及可读存储介质，方案包括：获取待检测的危险品图像；利用可变形卷积网络对危险品图像进行特征提取，得到原始特征图；将原始特征图输入RPN层，确定原始特征图中的兴趣区域以及兴趣区域是否为危险品的分类结果；将分类结果为危险品的兴趣区域输入ROIpooling层，得到预设尺寸的目标特征图；利用全连接层，根据目标特征图确定危险品图像中危险品的类别和检测框。可见，该方案利用可变形卷积对危险品图像进行特征提取，由于可变形卷积能够通过可学习的仿射变换增加卷积核的旋转不变性，因此该方案能够实现在危险品的形状或位置不确定的情况下的目标识别，显著提升了危险品识别结果的可靠性和精确性。此外，该方案能够同时输出危险品的类别和检测框，提升了目标识别的效率。附图说明为了更清楚的说明本申请实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本申请所提供的一种基于可变形卷积的危险品检测方法实施例一的实现流程图；图2为本申请所提供的一种基于可变形卷积的危险品检测方法实施例二的实现流程图；图3为本申请所提供的一种基于可变形卷积的危险品检测方法实施例二的过程示意图；图4为本申请所提供的一种基于可变形卷积的危险品检测方法实施例二中S202的细化流程图；图5为本申请所提供的一种基于可变形卷积的危险品检测方法实施例二中可变形卷积的示意图；图6为本申请所提供的一种基于可变形卷积的危险品检测方法实施例二中S203的细化流程图；图7为本申请所提供的一种基于可变形卷积的危险品检测方法实施例二中RPN层的示意图；图8为本申请所提供的一种基于可变形卷积的危险品检测方法实施例二中S204的细化流程图；图9为本申请所提供的一种基于可变形卷积的危险品检测方法实施例二中S205的细化流程图；图10为本申请所提供的一种基于可变形卷积的本文档来自技高网...

【技术保护点】
1.一种基于可变形卷积的危险品检测方法，其特征在于，包括：/n获取待检测的危险品图像；/n利用可变形卷积网络对所述危险品图像进行特征提取，得到原始特征图；/n将所述原始特征图输入RPN层，确定所述原始特征图中的兴趣区域以及所述兴趣区域是否为危险品的分类结果；/n将所述分类结果为危险品的兴趣区域输入ROI pooling层，得到预设尺寸的目标特征图；/n利用全连接层，根据所述目标特征图确定所述危险品图像中危险品的类别和检测框。/n

【技术特征摘要】
1.一种基于可变形卷积的危险品检测方法，其特征在于，包括：
获取待检测的危险品图像；
利用可变形卷积网络对所述危险品图像进行特征提取，得到原始特征图；
将所述原始特征图输入RPN层，确定所述原始特征图中的兴趣区域以及所述兴趣区域是否为危险品的分类结果；
将所述分类结果为危险品的兴趣区域输入ROIpooling层，得到预设尺寸的目标特征图；
利用全连接层，根据所述目标特征图确定所述危险品图像中危险品的类别和检测框。


2.如权利要求1所述的方法，其特征在于，所述将所述原始特征图输入RPN层，确定所述原始特征图中的兴趣区域以及所述兴趣区域是否为危险品的分类结果，包括：
根据所述原始特征图生成多个锚框；
利用第一全连接分支对所述多个锚框进行是否为危险品的二分类，得到分类结果；
利用第二全连接分支对所述多个锚框进行修正，得到兴趣区域。


3.如权利要求1所述的方法，其特征在于，所述将所述分类结果为危险品的兴趣区域输入ROIpooling层，得到预设尺寸的目标特征图，包括：
将所述分类结果为危险品的兴趣区域映射到所述原始特征图；
对映射后的原始特征图进行划分，得到子区域集合，所述子区域集合中子区域的数量等于所述兴趣区域的维度；
对所述子区域集合中的各个子区域进行最大池化操作，得到预设尺寸的目标特征图。


4.如权利要求1-3任意一项所述的方法，其特征在于，所述利用可变形卷积网络对所述危险品图像进行特征提取，得到原始特征图，包括：
确定所述危险品图像中各个像素的位置偏移量；
根据所述位置偏移量和所述危险品图像中各个像素的原始位置值，确定偏移后的位置值；
利用双线性插值将所述偏移后的位置值转换为整数，得到目标位置值；
根据所述目标位置值确定原始特征图。


5.如权利要求4所述的方法，其特征在于，所述利用全连接层，根据所述目标特征图确定所述危险品图像中危险品的类别和检测框，包括：
利用第三全连接分支根据所述目标特征图，确定所述危险品图像中危险品的类别；
利用第四...

【专利技术属性】
技术研发人员：黄宇宁，黄国恒，陈伟杰，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44