【技术实现步骤摘要】
一种基于深度学习的X光安检图像中非金属打火机检测方法
[0001]本专利技术属于目标检测领域，是一种基于深度学习的X光安检图像中非金属打火机检出方法，可应用于智能X光安检系统，协助安检人员检出非金属打火机这类违禁物品。
技术介绍
[0002]X光行李安全检查对于维护公共安全有着重要意义。X射线对不同材质的物品的穿透程度不同使得不同物品其成像颜色不同，从而发现包裹中的违禁物品。目前行李安全检查还是依靠安检人员根据X光安检图像肉眼判断包裹中是否含有违禁物品，但是随着公共交通的不断发展，出行游客人数激增，使得安检人员常年处于高压状态。实现智能行李安全检查将极大有利于提高安检效率，降低安检人员工作强度。目前基于深度学习的目标检测技术取得了巨大的突破，相比于传统目标检测算法准确率，泛化性大幅提升。但是目前还没有针对X光安检图像非金属打火机的检出方法。
[0003]X光安检图像中非金属打火机识别难点如下：1.非金属打火机体积极小，而安检图像普遍分辨率极高，并且非金属打火机尺寸不一，即使同一种非金属打火机在不同图像中相对大小变化也...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的X光安检图像中非金属打火机检测方法，其特征在于：该方法分为两步，(1)数据增强与多尺度训练：模型训练所用数据，来自机场安检口、地铁安检口真实场景下采集的X光安检图像，共计896张图像，并且对该896张图像组成的数据集进行数据增强，使用3种不同的数据增强方法，并且以mix
‑
up的方式融合数据增强数据，提升对于非金属打火机的定位能力；为提升模型对于任意尺度的X光安检图像具有较好的识别能力，在训练时使用多尺度训练方式，每10次迭代将图像输入大小调整为320至608之间的任意的32的倍数大小；(2)端到端模型：应用X光安检图像非金属打火机识别模型，将真实场景下的X光安检图像输入的模型，模型的直接输出非金属打火机检出结果。2.根据权利要求1所述的一种基于深度学习的X光安检图像中非金属打火机检测方法，其特征在于：所述的数据集包括单包裹图像以及复杂的多包裹图像，使用Labelimg对该数据集图像按照PASCALVOC格式进行标注，为扩充数据集提升模型泛化性能，使用随机裁剪、随机旋转、随机仿射变换三种数据增强方式，将这些数据以Mix
‑
Up方式进行融合，有效扩充数据集使增强模型对于非金属打火机定位。3.根据权利要求1所述的一种基于深度学习的X光安检图像中非金属打火机检测方法，其特征在于：非金属打火机识别模型的流程为：将任意大小的X光安检图像输入卷积神经网络，...
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。