本发明专利技术公开了一种基于ResNet模型特征嵌入UNet的X射线图像分割识别系统及方法，装置中X射线管、增感屏、CCD相机和旋转平台均放置于屏蔽罩中以隔绝屏蔽；X射线管、旋转平台、增感屏和CCD相机依次放置；所述旋转平台通过电机使其转动；所述CCD相机与PC端连接；所述X射线管发出X射线穿透放置于旋转平台上的物品后到增感屏上，并由CCD相机拍摄图片传输到PC端，生成X射线图像数据集。本发明专利技术像素级分割物品轮廓更加清晰，可以有效地去除背景干扰，提高识别的准确度；将ResNet的特征提取优势加入UNet中，有效地提高X射线图像的分割准确率。有效地提高X射线图像的分割准确率。有效地提高X射线图像的分割准确率。
【技术实现步骤摘要】
基于ResNet模型特征嵌入UNet的X射线图像分割识别系统及方法
[0001]本专利技术属于图像处理领域，特别涉及一种基于ResNet模型特征嵌入UNet的X射线图像分割识别系统及方法。
技术介绍
[0002]现今X射线图像的处理发展中，对物品的分类识别常用的一般是目标检测算法，目标检测使用位置窗的方式对检测结果进行展示。但检测框只能提供大致的位置和大小，对物品的具体形状姿态没有很好的描述。特别是当物品图像摆放混乱时，位置窗的重叠会导致物品信息无法区分，缺乏比较良好的直观参考性。因此若采用对图像进行分割的方法，则可以得到物品的准确位置和轮廓信息，并且可以进行物品类别的识别，功能上更加完善和全面。
[0003]现今X射线图像的处理发展领域已经形成了很多经典的不同类型的图像分割方法。从图像分割方法的类型而言，主要有基于图像灰度直方图，基于邻域和图像物理性质的分割方法。传统的图像分割技术都对图像的质量和分割目标有比较高的要求，对图像的普适性和鲁棒性较差。而X射线图像如果要得到精度较高的图片，需要现已广泛应用的安检机以及医学上的CT机等大型设备体积且成本较高。
[0004]经典的图像分割方法主要有是四种。第一类基于阈值的分割法，其原理主要是设定不同的阈值，将图像像素分为多类，方法实现简单、计算量小，但是当原始图像中包含的信息比较复杂时，得到的结果并不准确。第二类是基于区域的分割方法，主要是区域生长法，区域生长法根据事先定义的标准将像素或者子区域聚合成更大区域，从一个或若干个生长点开始，将与该生长点性质相似的相邻像素或者区域生长点合并，形成新的生长点，重复此过程直到无法继续更新为止。区域生长法有速度慢，计算量大，需要人为确定生长点等多种缺陷。第三类是基于边缘检测的方法，即确定图像边缘像素，即图像灰度发生空间突变的像素集合进行分类，受图像噪声和复杂信息影响较大。第四类为基于深度学习的卷积神经网络图像分割方法，现有的基于深度学习和卷积神经网络的图像分割方法中，使用全卷积网络，例如UNet通过下采样对图像进行特征提取，再上采样恢复图像到原始大小以达到分割目的，但在复杂图像中，特征提取时精度下降，分割效果也随之受到影响。
技术实现思路
[0005]有鉴于此，本专利技术为了解决传统X射线图像采集及处理的精度和效果不良问题，提供了一种基于ResNet模型特征嵌入UNet的X射线图像分割识别系统，包括X射线管、增感屏、CCD相机、旋转平台和PC端，其中，
[0006]所述X射线管、增感屏、CCD相机和旋转平台均放置于屏蔽罩中以隔绝屏蔽；X射线管、旋转平台、增感屏和CCD相机依次放置；所述旋转平台通过电机使其转动；所述CCD相机与PC端连接；所述X射线管发出X射线穿透放置于旋转平台上的物品后到增感屏上，并由CCD
相机拍摄图片传输到PC端，生成X射线图像数据集。
[0007]基于上述目的，本专利技术还提供了一种基于ResNet模型特征嵌入UNet的X射线图像分割识别方法，采用上述系统，包括以下步骤：
[0008]S1，将图像分割识别系统采集到的数据集进行标注，并生成标签图片集；
[0009]S2，将原始的X射线图像进行图像增强，扩大原有的数据集；
[0010]S3，将S1与S2中的X射线图像和标签作为改进后的UNet图像分割模型的输入进行训练；
[0011]S4，将训练得到的模型参数作为预测模型，进行X射线图像分割。
[0012]优选地，所述S1具体包括以下步骤：
[0013]S101、将原始X射线图片大小调整为224
×
224；
[0014]S102、制作标签图片，使用Labelme进行图像标记，得到包含标记图像信息的JSON文件；
[0015]S103、解析S102得到的JSON文件，生成8位彩色图的标签图，标签图中的每个像素点的值为像素点所属种类。
[0016]优选地，所述S2中随机选择对X射线图片进行图像增强，所述图像增强包括水平翻转、平移缩放旋转、随机剪裁和自适应直方图均衡化。
[0017]优选地，所述S2中在对X射线图片进行图像增强的同时对标记图像进行裁剪、翻转平移缩放的空间处理。
[0018]优选地，所述S3中改进后的UNet图像分割模型是使用ResNet五层输出代替UNet下采样。
[0019]优选地，所述S3具体包括以下步骤：
[0020]S301、设置两种卷积核大小，分别为7
×
7和3
×
3的卷积层；
[0021]S302、设置卷积核大小为3
×
3的池化层；
[0022]S303、设置扩大倍数为2的双线性插值上采样反卷积层；
[0023]S304、将X射线图像输入，进行ResNet下采样，分别经过5层基本块采样分别得到112
×
112
×
64，56
×
56
×
64，28
×
28
×
128，14
×
14
×
256，7
×7×
512大小的特征层；
[0024]S305、进行上采样操作，从ResNet的最后一层开始进行双线性插值上采样，与对应大小的下采样得到的特征层拼接并进行卷积操作；
[0025]S306、对最后一层进行上采样操作得到与原图像大小一致的224
×
224
×
64，卷积并使用sigmoid激活函数得到大小为224
×
224
×
5的输出，使用softmax计算概率，判断像素属于哪一类物品。
[0026]优选地，所述S304中设置残差网络，在S305中的图像输出中加上图像输入得到新的图像输出。
[0027]优选地，所述S3中训练次数为50。
[0028]优选地，所述S4中使用torch.save()保存判别网络权重参数并用于测试集。
[0029]有益效果：本专利技术相比传统目标识别的检测框识别方法，像素级分割物品轮廓更加清晰，可以有效地去除背景干扰，提高识别的准确度。本专利技术将ResNet的特征提取优势加入UNet中，有效地提高X射线图像的分割准确率。
[0030]本专利技术采集505张不同位置形态的物品，包括剪刀、打火机等危险品X射线图像作
为训练集，并额外设立51组的测试集。并通过图像增强的方式扩大数据集，将数据集扩大至1518张图像进行反复进行训练，训练分割结果图像平均交并比达到75％以上，得到优良的分割效果。
附图说明
[0031]图1为本专利技术实施例基于ResNet模型特征嵌入UNet的X射线图像分割识别系统的结构框图；
[0032]图2为本专利技术实施例基于ResNet模型特征嵌入UNet的X射线图像分割识别方法的步骤流程图；
[0033]图3为本专利技术实施例基于ResNet模型特征嵌入UN本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于ResNet模型特征嵌入UNet的X射线图像分割识别系统，其特征在于，包括X射线管、增感屏、CCD相机、旋转平台和PC端，其中，所述X射线管、增感屏、CCD相机和旋转平台均放置于屏蔽罩中以隔绝屏蔽；X射线管、旋转平台、增感屏和CCD相机依次放置；所述旋转平台通过电机使其转动；所述CCD相机与PC端连接；所述X射线管发出X射线穿透放置于旋转平台上的物品后到增感屏上，并由CCD相机拍摄图片传输到PC端，生成X射线图像数据集。2.一种基于ResNet模型特征嵌入UNet的X射线图像分割识别方法，其特征在于，采用权利要求1所述的系统，包括以下步骤：S1，将图像分割识别系统采集到的数据集进行标注，并生成标签图片集；S2，将原始的X射线图像进行图像增强，扩大原有的数据集；S3，将S1与S2中的X射线图像和标签作为改进后的UNet图像分割模型的输入进行训练；S4，将训练得到的模型参数作为预测模型，进行X射线图像分割。3.根据权利要求2所述的方法，其特征在于，所述S1具体包括以下步骤：S101、将原始X射线图片大小调整为224
×
224；S102、制作标签图片，使用Labelme进行图像标记，得到包含标记图像信息的JSON文件；S103、解析S102得到的JSON文件，生成8位彩色图的标签图，标签图中的每个像素点的值为像素点所属种类。4.根据权利要求2所述的方法，其特征在于，所述S2中随机选择对X射线图片进行图像增强，所述图像增强包括水平翻转、平移缩放旋转、随机剪裁和自适应直方图均衡化。5.根据权利要求4所述的方法，其特征在于，所述S2中在对X射线图片进行图像增强的同时对标记图像进行裁剪、翻转平移缩放的空间处理。6.根据权利要求2所述的方法，其特征在于，所述S3中改进后的UNet图像分割模型是使用R...
【专利技术属性】
技术研发人员：郑梁，瞿姜平，郑晓隆，
申请(专利权)人：杭州电子科技大学，
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。