安检图像分类模型训练方法、安检图像分类方法及装置制造方法及图纸

本申请公开了安检图像分类模型训练方法、安检图像分类方法及装置，安检图像分类模型包括第一网络结构和第二网络结构；安检图像分类模型的训练过程，通过获取已标注标签的安检训练图像；利用第一网络结构提取特征图，并基于提取的特征图预测第一分类结果；基于第一分类结果及标签，计算第一网络结构的第一损失；利用第二网络结构对特征图进行形状特征提取，得到形状特征图，并基于形状特征图预测第二分类结果；基于第二分类结果及标签，计算第二网络结构的第二损失；基于第一损失及所述第二损失，计算安检图像分类模型的总损失，并基于总损失调整安检图像分类模型的网络参数，直至达到设定训练结束条件为止，得到训练后的安检图像分类模型。像分类模型。像分类模型。

【技术实现步骤摘要】
安检图像分类模型训练方法、安检图像分类方法及装置


[0001]本申请涉及分类领域，更具体地说，涉及一种安检图像分类模型训练方法、安检图像分类方法及装置。

技术介绍

[0002]越来越多人选择地铁和高铁作为出行方式，而不管是选择高铁还是地铁，人们在进站前都需要进行安检，以保证人们的出行安全。此外，网购的便捷，导致人们越来越愿意网上购物，包裹数量急剧增多，在包裹的运输过程中，也需要进行安检，以保证社会安全。因而，安检技术成为了人们关注的焦点。特别地，在行李和包裹中一般存在多件物品，基于此，在安检机所采集到的安检图像中的各个物品图像之间易存在交叠，即，危险品图像及普通物品图像在安检图像中易存在重叠，这为安检技术带来了较大的挑战。
[0003]基于此，为了解决上述的问题，可以引入能够分辨安检图像中各个重叠物品类别的分类模型，对安检图像进行分类。其中，分类模型的准确率是能否分辨安检图像中各个重叠物品类别的关键，因而，亟需一种分类模型的训练方法，用于在安检图像训练数据集上进行训练，能够提高神经网络的准确率，以保证安检过程中能够分辨各个重叠物品类别，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种安检图像分类模型训练方法，其特征在于，安检图像分类模型包括第一网络结构和第二网络结构；所述安检图像分类模型的训练过程，包括：获取已标注分类结果标签的安检训练图像；利用所述第一网络结构提取所述安检训练图像的特征图，并基于提取的特征图预测安检训练图像的第一分类结果；基于所述第一分类结果及所述安检训练图像标注的分类结果标签，计算第一网络结构的第一损失；利用所述第二网络结构对所述第一网络结构提取的特征图进行形状特征提取，得到形状特征图，并基于所述形状特征图预测安检训练图像的第二分类结果；基于所述第二分类结果及所述安检训练图像标注的分类结果标签，计算第二网络结构的第二损失；基于所述第一损失及所述第二损失，计算安检图像分类模型的总损失，并基于所述总损失调整所述安检图像分类模型的网络参数，直至达到设定训练结束条件为止，得到训练后的安检图像分类模型。2.根据权利要求1所述的方法，其特征在于，所述第二网络结构包括形状特征提取层；利用所述第二网络结构对所述第一网络结构提取的特征图进行形状特征提取，包括：利用所述形状特征提取层对所述第一网络结构提取的特征图进行形状特征提取，其中，所述形状特征提取层，利用边缘检测算子对所述第一网络结构提取的特征图进行形状特征提取。3.根据权利要求2所述的方法，其特征在于，所述边缘检测算子包括Sobel算子；利用边缘检测算子对所述第一网络结构提取的特征图进行形状特征提取，包括：利用Sobel算子对所述第一网络结构提取的特征图进行水平方向形状特征提取，得到水平形状特征图；利用Sobel算子对所述第一网络结构提取的特征图进行竖直方向形状特征提取，得到竖直形状特征图；综合所述水平形状特征图及所述竖直形状特征图，得到最终的形状特征图。4.根据权利要求1所述的方法，其特征在于，所述第一网络结构包括卷积神经网络，所述卷积神经网络包括多层特征提取层；利用所述第一网络结构提取所述安检训练图像的特征图，并基于提取的特征图预测安检训练图像的第一分类结果，包括：将所述安检训练图像输入卷积神经网络中，得到卷积神经网络各层输出的特征图，并基于卷积神经网络最后一层特征提取层输出的特征图预测安检训练图像的第一分类结果。5.根据权利要求4所述的方法，其特征在于，利用所述...

【专利技术属性】
技术研发人员：闫瑞海，
申请(专利权)人：熵基科技股份有限公司，
类型：发明
国别省市：