本申请提供了一种基于机器学习的安检图像违禁品检测方法及系统，获取预设数量的X射线安检图像，形成数据集；数据集包括多种违禁品的X射线安检图像；将数据集输入违禁品分割模型进行模型训练，得到训练后的违禁品分割模型；违禁品分割模型包括编码器网络、全局多尺度模块以及解码器网络；将待检测安检图像输入训练后的违禁品分割模型，得到违禁品检测结果；违禁品检测结果包括违禁品分割结果。本申请通过将基于卷积神经网络的图像分割方法用于X射线安检图像违禁品检测中，实现了获得更准确精细的违禁品分割结果。准确精细的违禁品分割结果。准确精细的违禁品分割结果。
【技术实现步骤摘要】
基于机器学习的安检图像违禁品检测方法、装置及介质
[0001]本申请属于计算机视觉
，具体地，涉及一种基于机器学习的安检图像违禁品检测方法、装置及介质。
技术介绍
[0002]人工智能对技术的推动提升了社会生产力，推动了生产关系的变革。其中，随着机器学习技术的提高，越来越多的应用于更多领域。
[0003]X射线用于行李安全检查是物流行业和公共交通运输非常重要的环节，承担着防止危险品进入货运通道和公共交通给公共安全造成威胁的重要责任。随着物流包裹数量和公共交通旅客吞吐量的剧增，已经远远超过了人工安全检查可以处理的范围，这给人工安检带来了巨大的挑战。因此，利用计算机视觉技术自动识别X射线安检图像中的违禁物品来辅助人工安检缓解人工安检的压力是非常有必要的。
[0004]目前，基于计算机视觉的违禁品检测都是基于图像分类和目标检测任务的，但是这些方法只能对X射线安全图像中的违禁品进行粗略的分类和定位，无法精准的确定违禁品的轮廓，并且由于X射线安全图像的透视特性，造成不同类别的违禁物品之前可能存在可见的重叠现象，这与自然图像中的重叠现象是不可见的不一样，容易造成违禁物品的漏检。此外，由于X射线图像是通过X射线扫描仪根据不同材料分配为不同颜色得到，一些安全物品的材料可能和违禁物品的材料很相似，导致在图像中显示颜色差异不大，这样就会造成违禁品边界模糊难以识别的问题。由于在X射线安检图像中，违禁品所占的图像的像素比例比较小，背景所占比例远大于前景，会导致计算损失的时候产生正负样本不均衡的问题。
专利技术内容
[0005]本专利技术提出的基于机器学习的安检图像违禁品检测方法、装置及介质，可以精准的确定违禁品的轮廓并进行违禁品分割，解决了目前检测存在的违禁物品漏检的问题。
[0006]根据本申请实施例的第一个方面，提供了一种基于机器学习的安检图像违禁品检测方法，具体包括以下步骤：
[0007]获取预设数量的X射线安检图像，形成数据集；数据集包括多种违禁品的X射线安检图像；
[0008]将数据集输入违禁品分割模型进行模型训练，得到训练后的违禁品分割模型；违禁品分割模型包括编码器网络、全局多尺度模块以及解码器网络；
[0009]将待检测安检图像输入训练后的违禁品分割模型，得到违禁品检测结果；违禁品检测结果包括违禁品分割结果。
[0010]在本申请一些实施方式中，将数据集输入违禁品分割模型进行模型训练，得到训练后的违禁品分割模型，具体包括以下步骤：
[0011]将数据集的图像进行违禁品分割形式标注，并通过所述违禁品分割形式标注求解得到违禁品最小外接矩形标注和违禁品边缘标注；
[0012]获取数据集中随机划分的训练集图像以及相应标注信息；
[0013]对训练集图像进行图像预处理，得到预处理图像；
[0014]将预处理图像输入违禁品分割模型的编码器网络、全局多尺度模块以及解码器网络，得到解码特征图；
[0015]将解码特征图分别输入三个卷积层，得到违禁品分割输出结果、违禁品最小外接矩形输出结果以及违禁品边缘输出结果；
[0016]计算违禁品分割输出结果、违禁品最小外接矩形输出结果以及违禁品边缘输出结果，与违禁品分割形式标注、违禁品最小外接矩形标注和违禁品边缘标注之间的损失，通过随机梯度下降优化算法对模型参数进行优化；
[0017]重复以上步骤，直至违禁品分割模型收敛为止，得到训练后的违禁品分割模型。
[0018]在本申请一些实施方式中，将预处理图像输入违禁品分割模型的编码器网络、全局多尺度模块以及解码器网络，得到解码特征图，具体包括以下步骤：
[0019]将预处理图像输入编码器的网络进行特征提取，得到不同层级的编码特征图；
[0020]将不同层级的编码特征图的最后一个层级的编码特征图，输入至全局多尺度模块，提取全局特征和多尺度特征，得到全局多尺度特征图；
[0021]将全局多尺度特征图和不同层级的编码特征图输入解码器的网络，解码得到不同层级的解码特征图；
[0022]根据不同层级的解码特征图，依次通过双线性插值的上采样方式、级联融合方式、解码特征图精细化和/或解码特征图降维，得到最终的解码特征图。
[0023]在本申请一些实施方式中，计算违禁品分割输出结果、违禁品最小外接矩形输出结果以及违禁品边缘输出结果，与违禁品分割形式标注、违禁品最小外接矩形标注和违禁品边缘标注之间的损失，通过随机梯度下降优化算法对模型参数进行优化，具体包括以下步骤：
[0024]根据违禁品分割输出结果和违禁品分割形式标注信息之间的交叉熵损失和Dice损失，相加之和得到分割损失；
[0025]根据违禁品最小外接矩形输出结果和违禁品最小外接矩形标注信息之间的交叉熵损失和Dice损失，相加之和得到最小外接矩形损失；
[0026]根据违禁品边缘输出结果和违禁品边缘标注信息之间的交叉熵损失，得到边缘损失；
[0027]根据分割损失、最小外接矩形损失以及边缘损失，相加之和得到总损失；
[0028]根据总损失，调整违禁品分割模型的参数，直至违禁品分割模型收敛。
[0029]在本申请一些实施方式中，对训练集图像进行图像预处理，得到预处理图像，图像预处理具体包括图像翻转、图像旋转以及图像拼接。
[0030]在本申请一些实施方式中，违禁品分割模型的编码器为SE_ResNeXt50编码器，通过SE_ResNeXt50编码器得到五个不同层级的特征图。
[0031]根据本申请实施例的第二个方面，提供了一种基于机器学习的安检图像违禁品检测系统，具体包括：
[0032]图像获取模块：用于获取预设数量的X射线安检图像，形成数据集；数据集包括多种违禁品的X射线安检图像；
[0033]模型训练模块：用于将数据集输入违禁品分割模型进行模型训练，得到训练后的违禁品分割模型；违禁品分割模型包括编码器网络、全局多尺度模块以及解码器网络；
[0034]违禁品检测模块：用于将待检测安检图像输入训练后的违禁品分割模型，得到违禁品检测结果；违禁品检测结果包括违禁品种类以及违禁品分割结果。
[0035]在本申请一些实施方式中，模型训练模块，具体用于：
[0036]将数据集的图像进行违禁品分割形式标注，并通过所述违禁品分割形式标注求解得到违禁品最小外接矩形标注和违禁品边缘标注；
[0037]获取数据集中随机划分的训练集图像以及相应标注信息；
[0038]对训练集图像进行图像预处理，得到预处理图像；
[0039]将预处理图像输入违禁品分割模型的编码器、全局多尺度模块以及解码器，得到解码特征图；
[0040]将解码特征图依次输入三个卷积层，得到违禁品分割输出结果、违禁品最小外接矩形输出结果以及违禁品边缘输出结果；
[0041]计算所述违禁品分割输出结果、违禁品最小外接矩形输出结果以及违禁品边缘输出结果，与所述违禁品分割形式标注、违禁品最小外接矩形标注本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于机器学习的安检图像违禁品检测方法，其特征在于，具体包括以下步骤：获取预设数量的X射线安检图像，形成数据集；所述数据集包括多种违禁品的X射线安检图像；将所述数据集输入违禁品分割模型进行模型训练，得到训练后的违禁品分割模型；所述违禁品分割模型包括编码器网络、全局多尺度模块以及解码器网络；将待检测安检图像输入所述训练后的违禁品分割模型，得到违禁品检测结果；所述违禁品检测结果包括违禁品分割结果。2.根据权利要求1所述的安检图像违禁品检测方法，其特征在于，所述将所述数据集输入违禁品分割模型进行模型训练，得到训练后的违禁品分割模型，具体包括以下步骤：将所述数据集的图像进行违禁品分割形式标注，并通过所述违禁品分割形式标注求解得到违禁品最小外接矩形标注和违禁品边缘标注；获取数据集中随机划分的训练集图像以及相应标注信息；对所述训练集图像进行图像预处理，得到预处理图像；将所述预处理图像输入所述违禁品分割模型的编码器网络、全局多尺度模块以及解码器网络，得到解码特征图；将所述解码特征图分别输入三个卷积层，得到违禁品分割输出结果、违禁品最小外接矩形输出结果以及违禁品边缘输出结果；计算所述违禁品分割输出结果、违禁品最小外接矩形输出结果以及违禁品边缘输出结果，与所述违禁品分割形式标注、违禁品最小外接矩形标注和违禁品边缘标注之间的损失，通过随机梯度下降优化算法对模型参数进行优化；重复以上步骤，直至所述违禁品分割模型收敛为止，得到训练后的违禁品分割模型。3.根据权利要求2所述的安检图像违禁品检测方法，其特征在于，所述将所述预处理图像输入所述违禁品分割模型的编码器网络、全局多尺度模块以及解码器网络，得到解码特征图，具体包括以下步骤：将所述预处理图像输入所述编码器网络进行特征提取，得到不同层级的编码特征图；将所述不同层级的编码特征图的最后一个层级的编码特征图，输入至所述全局多尺度模块，提取全局特征和多尺度特征，得到全局多尺度特征图；将所述全局多尺度特征图和所述不同层级的编码特征图输入所述解码器的网络，解码得到不同层级的解码特征图；根据所述不同层级的解码特征图，依次通过双线性插值的上采样方式、级联融合方式、解码特征图精细化和/或解码特征图降维，得到最终的解码特征图。4.根据权利要求2所述的安检图像违禁品检测方法，其特征在于，所述计算所述违禁品分割输出结果、违禁品最小外接矩形输出结果以及违禁品边缘输出结果，与所述违禁品分割形式标注、违禁品最小外接矩形标注和违禁品边缘标注之间的损失，通过随机梯度下降优化算法对模型参数进行优化，具体包括以下步骤：根据所述违禁品分割输出结果和违禁品分割形式标注信息之间的交叉熵损失和Dice损失，相加之和得到分割损失；根据所述违禁品最小外接矩形输出结果和违禁品最小外接矩形标注信息之间的交叉熵损...
【专利技术属性】
技术研发人员：傅慧源，马华东，刘俊宏，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。