一种基于GuidedAnchor优化的刀具图像智能检测方法技术

本发明专利技术公开了一种基于Guided Anchor优化的刀具图像图像智能检测方法。采集安检X射线刀具图片并添加标签；以Guided Anchor替代Faster

【技术实现步骤摘要】
一种基于GuidedAnchor优化的刀具图像智能检测方法


[0001]本专利技术涉及了一种刀具智能检测的方法，尤其是涉及了一种基于Guided Anchor优化的刀具图像智能检测方法。

技术介绍

[0002]在城市地铁的卡口，一般都会设置X射线安检设备进行违禁物品的检测。违禁物品中又以刀具为主，种类繁多、形状各异。传统的安检方式主要依靠安检员观察X射线图像的物品形状和材质颜色来判断是否存在刀具，一方面耗时耗力，另一方面对安检人员自身的经验和工作状态有很高的要求。因此，如果能够通过深度学习方法实现对X射线图像中刀具的自动检测，对于实现智能安检具有重要意义。借助卷积神经网络对安检机器得到的X射线图像及逆行自动化检测，也是亟需解决的难题之一。

技术实现思路

[0003]为了解决
技术介绍
中的问题，本专利技术提出了一种基于Guided Anchor优化的刀具图像智能检测方法，能准确检测X射线图像中的刀具并具有良好稳定性。
[0004]本专利技术的技术方案包括以下步骤：
[0005]1)采集安检X射线刀具图片，对每一安检X射线刀具图片制作对应的样本标签文件；
[0006]2)建立改进的深度学习网络模型；
[0007]3)将获得的所有安检X射线刀具图片及其对应的样本标注文件构成数据集，并将数据集随机划分为训练集和测试集；
[0008]4)对训练集进行数据增强；
[0009]5)利用训练集对Faster
‑
RCNN+Guided Anchor+Double Head
‑
RCNN网络结构组成的深度学习网络模型进行初步训练，获得初步训练后的安检X射线刀具检测模型；
[0010]6)采用测试集测试初步训练后的安检X射线刀具检测模型的性能，根据测试结果调整训练参数与检测置信度阈值，优化处理后获得固化后的安检X射线刀具检测模型；
[0011]7)针对待测图像输入固化后的安检X射线刀具检测模型，输出获得检测结果。
[0012]所述的安检X射线刀具样本图片是装有刀具的包裹通过安检X射线机采集获得的图片。
[0013]所述步骤2)中，改进的深度学习网络模型具体是：以Guided Anchor(自指导锚点生成)替代Faster
‑
RCNN中的RPN部分，以Double Head
‑
RCNN代替Faster
‑
RCNN的末端输出部分，建立深度学习网络模型；
[0014]在Faster
‑
RCNN的骨干网络采用ResNet50，同时并且利用FPN特征金字塔网络将ResNet50网络框架模型的第二特征提取阶段到第五特征提取阶段输出进行插值融合产生特征图组，将特征图组输入到Guided Anchor中。
[0015]本专利技术中，将Faster
‑
RCNN的原始RPN部分被Guided Anchor替代，使模型在生成预
测anchor时同时对anchor的位置和形状进行预测，寻找更高质量的anchor。将Faster
‑
RCNN的原始末端输出被替换成Double Head
‑
RCNN。
[0016]所述步骤2)中，通过Guided Anchor引入了两个新的训练分支来替代传统的RPN，两个新的训练分支分别为位置预测分支和形状预测分支，位置预测分支和形状预测分支用来帮助原有的Faster
‑
RCNN框架依据特征图局部特征完成稀疏anchor的生成，框架根据这两个分支的输出结果与设定的阈值比较，首先得到特征图上可能存在目标的中心位置，再根据中心位置附近特征的局部特征(泛化的概念，整个特征图包含了全局特征，其中一层(或者多层)cnn能在特征图上覆盖的感受野(通常无法覆盖整个特征图)，叫做局部特征)来预测最有可能的anchor形状。
[0017]所述步骤2)中，Double Head
‑
RCNN放弃在分支之前的共享网络结构，直接采用全连接层对特征图提取的RoI感兴趣区域进行分类，同时采用全卷积层来确定检测目标的位置。
[0018]分别代替入Guided Anchor和Double Head
‑
RCNN后，Guided Anchor和Double Head
‑
RCNN能够产生协同作用和关系，通过实施例的表一的实验说明，列2，3单独都有比原始方案Faster
‑
RCNN(列1)更好的效果，列4为两个同时引入，有最好的效果。
[0019]Double Head
‑
RCNN提升精度的同时，因为参数增加，实时运行速度下降，通过Guided Anchor，可以减少anchor生成质量，减少无效anchor的生成，降低改进框架的计算量。两者相互协同，提高了检测精度和抗干扰能力。
[0020]所述步骤3)中对样本的划分具体是指取整个数据集的80％作为训练集，剩余的20％作为测试集。
[0021]所述步骤4)数据增强具体是对训练集中的安检X射线刀具样本图片进行随机翻转、随机亮度增强和颜色通道标准化的多方面的依次处理。
[0022]所述步骤5)中，将训练的图片统一缩放到相同大小，先采用ImageNet已知数据预训练ResNet50网络框架模型的参数，训练时的参数更新方式为SGD，初始学习率为0.02，动量项为0.9，权值衰减系数1
×
10
‑
4，批训练大小为4，训练迭代次数30000次。
[0023]训练采用500次迭代来慢启动，以学习率0.02作为初始学习率，采用学习率阶段下降方式进行慢启动训练。
[0024]本专利技术首先对采集到的X射线刀具图像数据进行标注，再利用基于Faster
‑
RCNN+Guided Anchor+Double Head
‑
RCNN检测网络模型对刀具的深层语义信息进行学习；利用训练好的模型在测试集上进行刀具检测，预测出刀具在X射线图像中的位置，并预测对应位置的检测置信度，最终根据设置的重叠阈值去除重叠的检测框，完成X射线图像中刀具的检测。
[0025]本专利技术能够实现X射线图像中刀具的自动检测，具有较高的准确率，并且具有稳定性好，抗干扰能力强，通用性高等有点，具有良好的鲁棒性，能够应用于地铁智能安检系统。
[0026]本专利技术具有的有益的效果是：
[0027]相比于以往的X射线图像刀具检测方法，本专利技术方法准确率高，鲁棒性好，且对各种安检图像具有通用性；
[0028]本专利技术在Faster
‑
RCNN目标检测模型上增加了Guided Anchor，实现了模型对于anchor形状的自主学习，提升了模型生成预选框的效果，提升了模型的运行速度；将
Faster
‑
RCNN的末端输出分支替换为Double Head
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Guided Anchor优化的刀具图像图像智能检测方法，包括以下步骤：1)采集安检X射线刀具图片，对每一安检X射线刀具图片制作对应的样本标签文件；2)建立改进的深度学习网络模型；3)将获得的所有安检X射线刀具图片及其对应的样本标注文件构成数据集，并将数据集随机划分为训练集和测试集；4)对训练集进行数据增强；5)利用训练集对深度学习网络模型进行初步训练，获得初步训练后的安检X射线刀具检测模型；6)采用测试集测试初步训练后的安检X射线刀具检测模型的性能，根据测试结果调整训练参数与检测置信度阈值，优化处理后获得固化后的安检X射线刀具检测模型；7)针对待测图像输入固化后的安检X射线刀具检测模型，输出获得检测结果。2.根据权利要求1所述的一种基于Guided Anchor优化的刀具图像图像智能检测方法，其特征在于：所述的安检X射线刀具样本图片是装有刀具的包裹通过安检X射线机采集获得的图片。3.根据权利要求1所述的一种基于Guided Anchor优化的刀具图像图像智能检测方法，其特征在于：所述步骤2)中，改进的深度学习网络模型具体是：以Guided Anchor替代Faster
‑
RCNN中的RPN部分，以Double Head
‑
...

【专利技术属性】
技术研发人员：许斌斌，陈畅，黄均才，刘鉴栋，袁晶，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：