一种基于太赫兹线性扫描的危险品检测方法技术

本发明专利技术公开了一种基于太赫兹线性扫描的危险品检测方法，采用太赫兹辐射源和线性阵列相机作为探测器采集的图像序列，通过扫描预处理，背景消除，归一化；采集多类别危险品的太赫兹图像，创建训练集；基于YOLO2，创建精简型框架YOLOS，对训练集中目标位置进行Kmean聚类，得到目标预测候选框；配置YOLOS训练参数，进行学习训练，得到权值文件；创建拼接图像缓存队列，太赫兹线性扫描危险品图像拼接，进入队列；创建目标检测进程，软件读取队列图像，进入目标检测进程进行处理等一列步骤，完成对危险品的检测。与现有技术相比，本发明专利技术能够通过太赫兹线性扫描改变现有危险品检测方法的不足，能对多种危险品进行实时检测，准确率高，速度快。

A method of dangerous goods detection based on terahertz linear scanning

【技术实现步骤摘要】
一种基于太赫兹线性扫描的危险品检测方法
本专利技术涉及危险品检测
，具体涉及一种基于太赫兹线性扫描的危险品检测方法。
技术介绍
一般地，x射线穿透性较强，对塑胶凶器、塑胶炸弹、流体炸药、易燃易爆液体等危险品，不易成像。利用太赫兹成像技术，可以对x射线透过的物品，进行有效的检测。太赫兹（THz）波是一种频率范围为0.1THz-10THz，波长范围为0.03-3mm，介于无线电波和光波之间的电磁波。具有高时空相干性、低光子能量、使用安全性高、定向性好、频谱宽等特性，近年来迅速发展，在军事、安全、医疗、生物、农业等科学领域得到广泛应用。目前国内有关于多目标识别的方法主要基于特征提取和分类器，需要根据特定的待检测目标设计特征，该方法对单类别或少量类别检测效果较好，对多类别目标检测识别能力有限。准确率低，实时性差。专利申请号为201810654761.7（一种基于深度学习的太赫兹危险品检测方法），采用的深度学习方法是CNN，主要用于分类，对于目标检测，需要采取另外的Selectivesearch算法。该方法属于早期的深度学习方法，用于目标检测准确率低，复杂度高。专利名称为一种基于主动式太赫兹安检方法，（201810654764.0）文中主要是用于人体安检，主要是对正、负样本进行训练，只是一种分类方法，不能有效的检测、识别危险品。
技术实现思路
为解决上述技术缺陷，本专利技术的目的是提供一种基于太赫兹线性扫描的危险品检测方法，能够通过太赫兹线性扫描改变现有危险品检测方法的不足，能对多种危险品进行实时检测，准确率高，速度快。为达到上述目的，本专利技术采用的技术方案是：一种基于太赫兹线性扫描的危险品检测方法，采用太赫兹辐射源和线性阵列相机作为探测器采集的图像序列，具体步骤在于：步骤一、扫描预处理，背景消除，归一化；步骤二、采集多类别危险品的太赫兹图像，创建训练集；步骤三、基于YOLO2，创建精简型框架YOLOS，对训练集中目标位置进行Kmean聚类，得到目标预测候选框；步骤四、配置YOLOS训练参数，进行学习训练，得到权值文件；步骤五、创建拼接图像缓存队列，太赫兹线性扫描危险品图像拼接，进入队列；步骤六、创建目标检测进程，软件读取队列图像，进入目标检测进程进行处理；步骤七、加载权值、配置、类别文件，运行YOLOS，进行多类别目标检测、识别，得到目标类别和位置；步骤八、图像输出显示，锁定目标区域。本专利技术的有益效果是：实现了太赫兹线性扫描的图像拼接，危险品的太赫兹成像，以及多类别危险品检测，识别精度高，实时性好；利用太赫兹扫描仪对包裹进行线性扫描，得到危险品太赫兹图像，对图像中的多类别危险品目标进行实时检测；检测方法，基于YOLO2，将分类、检测两个任务和而为一，准确率高，速度快；对YOLO2网络结构进行精简，得到YOLOS，在保证精度的前提下，提高了检测速度。附图说明下面结合附图及实施例，对本专利技术的技术特征作进一步描述。图1为本专利技术的流程示意图。图2是图1中YOLOS网络框架训练的原理示意图。图3是本专利技术的工作原理示意图。具体实施方式附图1-3是本专利技术的一种实施例，公开了一种基于太赫兹线性扫描的危险品检测方法，按以下步骤来实现：步骤一、扫描预处理，背景消除，归一化：采用太赫兹源对传送带进行照射，线性太赫兹相机对危险品探测成像，得到1x256的线性扫描图像；扫描开始，先设置亮度、Gamma校正参数，对扫描图像预处理；通过对连续采集N次，取均值得到传送带背景L，其中N为传送带的长度；经过背景差分消除传送带背景，为传送带上物品的线性扫描图像；步骤二、采集多类别危险品的太赫兹图像，创建训练集；对多类别危险品太赫兹线性扫描，生成太赫兹危险品图像；每个类别采集3000张图片，用标注工具对图像中危险品目标标注，生成标注文件集；对标注文件进行归一化，生成深度学习框架使用的文件；步骤三、基于YOLO2，创建精简型框架YOLOS，对训练集中目标位置进行Kmean聚类，得到目标预测候选框；对YOLO2深度学习框架进行精简，得到识别率高、实时性好的深度学习框架；对训练集标注文件进行K-Means聚类，生成M个预测候选框尺寸，M为危险品类别个数；步骤四、配置YOLOS训练参数，进行学习训练，得到权值文件；步骤五、创建拼接图像缓存队列，太赫兹线性扫描危险品图像拼接，进入队列；创建一个长度为1000，尺寸为512x256的RGB格式拼接图像队列。线性阵列扫描仪每采集512列，合成一张图像，存入队列缓存尾；步骤六、创建目标检测进程，软件读取队列图像，进入目标检测进程进行处理；创建目标检测进程，从队列头取出图像，进行目标检测识别；步骤七、加载权值、配置、类别文件，运行YOLOS，进行多类别目标检测、识别，得到目标类别和位置；基于深度学习框架，加载权值、配置、类别文件，对输入图像进行目标检测，得到目标类别和位置信息；步骤八、图像输出显示，锁定目标区域。软件界面读取经过目标检测的图像，显示在界面窗口，锁定目标所在区域，并显示类别信息。通过上述方法，突破了x射线扫描仪对液态塑胶凶器、塑胶炸弹、流体炸药、易燃易爆液体等危险品，不易成像的局限性。采用太赫兹线性扫描仪作为透射成像手段，可以显现x射线扫描仪不能探测的危险品。突破了传统基于特征提取和分类器的目标检测方法对多类别目标检测准确率、实时性的局限性，优化了深度学习网络结构，能够对多类别、多目标包裹危险品进行实时、准确检测。本专利技术的优点是实现了太赫兹线性扫描的图像拼接，危险品的太赫兹成像，以及多类别危险品检测，识别精度高，实时性好。以上所述仅为本专利技术的较佳实施例而已,并不用以限制本专利技术,凡在本专利技术的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
1.一种基于太赫兹线性扫描的危险品检测方法，其特征在于包括以下步骤：/n步骤一、扫描预处理，背景消除，归一化：采用太赫兹源对传送带进行照射，线性太赫兹相机对危险品探测成像，得到1x256的线性扫描图像

【技术特征摘要】
1.一种基于太赫兹线性扫描的危险品检测方法，其特征在于包括以下步骤：
步骤一、扫描预处理，背景消除，归一化：采用太赫兹源对传送带进行照射，线性太赫兹相机对危险品探测成像，得到1x256的线性扫描图像；扫描开始，先设置亮度、Gamma校正参数，对扫描图像预处理；通过



对连续采集N次，取均值得到传送带背景L，其中N为传送带的长度；经过背景差分



消除传送带背景，为传送带上物品的线性扫描图像；
步骤二、采集多类别危险品的太赫兹图像，...

【专利技术属性】
技术研发人员：刘宁宁，侯米娜，王世先，杨亚林，李辉，李康丽，张华平，黄保山，王骞，闫学纯，张锐，陈文，
申请(专利权)人：河南中光学集团有限公司，
类型：发明
国别省市：河南;41