基于X光机图像机场旅客安检危险品实时高识别率方法技术

本发明专利技术提供一种基于X光机图像机场旅客安检危险品实时高识别率方法，包括：构造危险品形状特征样本库和构造危险品颜色模型样本；对危险品形状样本图像数据进行分类标注，对分类标注的数据并划分为训练集、验证集和测试集；建立深度学习神经网络模型；训练神经网络模型，确定网络模型参数；通过测试集来测试训练完成的神经网络来进行危险品的种类判别检测阈值和定位阈值的设定；将危险品颜色模型与深度学习神经网络结合来进行危险品的种类判别。本发明专利技术根据不同危险品图像的轮廓、颜色信息和局部特征组合使训练更具有针对性和灵活性，有效提高系统的检出准确率。

【技术实现步骤摘要】
基于X光机图像机场旅客安检危险品实时高识别率方法
本专利技术涉及安检人工智能识别
，具体涉及一种基于X光机图像机场旅客安检危险品实时高识别率方法。
技术介绍
世界上许多公司机构都陆续研发了安全检测设备，其中X射线安全检查设备得到广泛应用。为确保机场旅客安全，在安检时必须能够准确识别行李包裹内的刀具枪支、易燃易爆等危险物品，降低危险发生的概率。为了提高安检识别效率和准确率、降低专业训练人员的人工检测干预、避免漏检误检情况发生，很有必要采用基于人工智能的深度学习算法和其它辅助手段来实现安检行李危险品的自动识别，推动安检服务提质增效、提高民航安全保障能力。
技术实现思路
为解决上述问题，提供一种基于X光机图像机场旅客安检危险品实时高识别率方法。本专利技术的目的是以下述方式实现的：一种基于X光机图像机场旅客安检危险品实时高识别率方法，包括：S1：构造危险品形状特征样本库和构造危险品颜色模型样本；S2：对危险品形状样本图像数据进行分类标注，对分类标注的数据并划分为训练集、验证集和测试集；S3：建立深度学习神经网络模型；S4：训练神经网络模型，确定网络模型参数；将训练集作为样本输入神经网络模型中进行训练，将验证集作为样本输入神经网络模型，验证神经网络模型的准确性；给定神经网络模型权重参数和偏差参数的初始值，提高训练速度；其次调整网络架构，通过训练集和验证集最小方差和的变化趋势来判读训练的有效性，如果训练集的损失不断下降，验证集的损失也不断下降说明神经网络继续学习正常，如果训练集的损失不断下降，验证集的损失趋于不变，说明网络出现过拟合可以停止训练，确定神经网络的权重参数和偏差参数；S5：通过测试集来测试训练完成的神经网络来进行危险品的种类判别检测阈值和定位阈值的设定；S6：将危险品颜色模型与深度学习神经网络结合来进行危险品的种类判别：首先通过颜色模型进行判断，若无问题再进行深度学习的方法进行检测；颜色模型具体的判定方法：通过将采集的RGB图像转换为HSI图像，结合两种颜色模型的阈值判定，当R通道数值和亮度大于设定的阈值且图像面积大于设定的阈值直接报警，或RGB三个通道的图像阈值都小于设定的阈值也进行报警。所述的危险品形状特征样本库采用购买危险品样本库，并进行有针对性的构造样本图像库，可对样本进行多视角进行采集。所述的危险品颜色模型将采集的X光图像分离为RGB三通道颜色模型，并转换为HIS颜色模型，根据图像的危险品颜色模型分量关系来作为识别危险品的判据；具体为：首先将获取到的三通道X光图像分离成R、G、B三个通道颜色模型图像，然后根据RGB三通道颜色模型的图像转换为HIS颜色模型图像，假设图像HIS模型中的饱和度阈值为ST，RGB颜色模型中的红色分量阈值为RT，结合满足条件R>G>B和S>=(255-R)*ST/RT的图像且连续面积大于50个像素作为危险品颜色模型的判据。所述的危险品颜色样本的采集采用X光机采集图像建立图像样本库，图像样本库中包含一定量的目标物的图像。所述S2中分类标注的依据为是否有明显的轮廓区别特征，若从外形轮廓可以区分类别的，则使用整体轮廓进行区分；若从外形轮廓区分不了的，则使用部件轮廓进行区分；所述S2中的分类标注采用多关键点特征的分类标注方法。所述的S4中如果网络训练正常且训练集和验证集的损失小于5，可停止网络学习，如果训练集和验证集的损失都小于设定阈值且出现不收敛次数大于设定的阈值一定次数也可中止网络模型的训练。所述S3中的深度学习神经网络模型采用Darnet53神经网络作为主干训练网络。本专利技术的有益效果：相对于现有技术，本专利技术根据不同危险品图像的轮廓、颜色信息和局部特征组合使训练更具有针对性和灵活性，有效提高系统的检出准确率。附图说明图1是本专利技术的流程图。具体实施方式下面结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本申请保护的范围。应该指出，以下详细说明都是例式性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的技术含义相同。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。一种基于X光机图像机场旅客安检危险品实时高识别率方法，包括：S1：构造危险品形状特征样本库和构造危险品颜色模型样本；S2：对危险品形状样本图像数据进行分类标注，对分类标注的数据并划分为训练集、验证集和测试集；S3：建立深度学习神经网络模型；S4：训练神经网络模型，确定网络模型参数；将训练集作为样本输入神经网络模型中进行训练，将验证集作为样本输入神经网络模型，验证神经网络模型的准确性；给定神经网络模型权重参数和偏差参数的初始值，提高训练速度；其次调整网络架构，通过训练集和验证集最小方差和的变化趋势来判读训练的有效性，如果训练集的损失不断下降，验证集的损失也不断下降说明神经网络继续学习正常，如果训练集的损失不断下降，验证集的损失趋于不变，说明网络出现过拟合可以停止训练，确定神经网络的权重参数和偏差参数；S5：通过测试集来测试训练完成的神经网络来进行危险品的种类判别检测阈值和定位阈值的设定；通过调整阈值参数，来满足实际工程上的宁可错检不可漏检的要求，实现既不漏检的同时，最大化的保证系统的检出率。S6：将危险品颜色模型与深度学习神经网络结合来进行危险品的种类判别；首先通过颜色模型进行判断，若无问题再进行深度学习的方法进行检测；颜色模型具体的判定方法：通过将采集的RGB图像转换为HSI图像，结合两种颜色模型的阈值判定，当R通道数值和亮度大于设定的阈值且图像面积大于设定的阈值直接报警，或RGB三个通道的图像阈值都小于设定的阈值也进行报警。基于颜色模型的数据信息处理来和神经网络模型进行结合来进一步提高检出率，因为基于神经网络的训练模型其特点是根据学习危险品主要是形状特征来进行危险品识别的，而对于没有明显形状特征的危险品就无能为力了，这时引入颜色模型对危险品进行分析，来进一步增强危险品的识别概率。所述的危险品形状特征样本库采用购买危险品样本库，并进行有针对性的构造样本图像库，可对样本进行多视角进行采集。一方面采集的样本图像具有信息完整有效，另一方面可以提高标注样本图像的效率。目前图像的标注方法主要是简单的方框标注方法，该方法虽然简单快速，其缺点是标注太粗放，会引入背景干扰，对训练学习的效果造成分类识别准确率的下降，而采用本文档来自技高网...

【技术保护点】
1.一种基于X光机图像机场旅客安检危险品实时高识别率方法，其特征在于：包括：/nS1：构造危险品形状特征样本库和构造危险品颜色模型样本；/nS2：对危险品形状样本图像数据进行分类标注，对分类标注的数据并划分为训练集、验证集和测试集；/nS3：建立深度学习神经网络模型；/nS4：训练神经网络模型，确定网络模型参数；将训练集作为样本输入神经网络模型中进行训练，将验证集作为样本输入神经网络模型，验证神经网络模型的准确性；给定神经网络模型权重参数和偏差参数的初始值，提高训练速度；其次调整网络架构，通过训练集和验证集最小方差和的变化趋势来判读训练的有效性，如果训练集的损失不断下降，验证集的损失也不断下降说明神经网络继续学习正常，如果训练集的损失不断下降，验证集的损失趋于不变，说明网络出现过拟合可以停止训练，确定神经网络的权重参数和偏差参数；/nS5：通过测试集来测试训练完成的神经网络来进行危险品的种类判别检测阈值和定位阈值的设定；/nS6：将危险品颜色模型与深度学习神经网络结合来进行危险品的种类判别：首先通过颜色模型进行判断，若无问题再进行深度学习的方法进行检测；颜色模型具体的判定方法：通过将采集的RGB图像转换为HSI图像，结合两种颜色模型的阈值判定，当R通道数值和亮度大于设定的阈值且图像面积大于设定的阈值直接报警，或RGB三个通道的图像阈值都小于设定的阈值也进行报警。/n...

【技术特征摘要】
1.一种基于X光机图像机场旅客安检危险品实时高识别率方法，其特征在于：包括：
S1：构造危险品形状特征样本库和构造危险品颜色模型样本；
S2：对危险品形状样本图像数据进行分类标注，对分类标注的数据并划分为训练集、验证集和测试集；
S3：建立深度学习神经网络模型；
S4：训练神经网络模型，确定网络模型参数；将训练集作为样本输入神经网络模型中进行训练，将验证集作为样本输入神经网络模型，验证神经网络模型的准确性；给定神经网络模型权重参数和偏差参数的初始值，提高训练速度；其次调整网络架构，通过训练集和验证集最小方差和的变化趋势来判读训练的有效性，如果训练集的损失不断下降，验证集的损失也不断下降说明神经网络继续学习正常，如果训练集的损失不断下降，验证集的损失趋于不变，说明网络出现过拟合可以停止训练，确定神经网络的权重参数和偏差参数；
S5：通过测试集来测试训练完成的神经网络来进行危险品的种类判别检测阈值和定位阈值的设定；
S6：将危险品颜色模型与深度学习神经网络结合来进行危险品的种类判别：首先通过颜色模型进行判断，若无问题再进行深度学习的方法进行检测；颜色模型具体的判定方法：通过将采集的RGB图像转换为HSI图像，结合两种颜色模型的阈值判定，当R通道数值和亮度大于设定的阈值且图像面积大于设定的阈值直接报警，或RGB三个通道的图像阈值都小于设定的阈值也进行报警。


2.如权利要求1所述的基于X光机图像机场旅客安检危险品实时高识别率方法，其特征在于：所述的危险品形状特征样本库采用购买危险品样本库，并进行有针对性的构造样本图像库，可对样本进行多视角进行采集。


3.如权利要求1所述的基于X光机图像机场旅客安检危险品实...

【专利技术属性】
技术研发人员：李志远，叶德茂，王宇慧，颜世恒，
申请(专利权)人：中国船舶重工集团公司第七一三研究所，中船重工海为郑州高科技有限公司，
类型：发明
国别省市：河南;41