一种用于准确检测危险物品的改进型SSD算法制造技术

本发明专利技术公开了一种用于准确检测危险物品的改进型SSD算法，包括以下步骤：构建一个基于SSD算法的改进型卷积神经网络，并且初始化网络模型的参数；设定各个超参数所需图片的批次和学习速率，并且设定所需训练的事件次数；通过所构建的数据集对卷积神经网络进行训练,得到权重文件，将训练好的权重文件放到测试模型中，向测试模型中输入实时场景下的图片，将训练好的目标特征与图片中的特征信息进行比对，通过分类器完成目标的分类识别，从而实现对危险物品的检测；本申请通过对现有的SSD算法进行改进，通过改变先验框的尺寸大小和改变conv4_3特征层的处理，从而实现对远距离情况下危险物品的准确检测，满足使用需求。满足使用需求。满足使用需求。

【技术实现步骤摘要】
一种用于准确检测危险物品的改进型SSD算法


[0001]本专利技术属于图像处理
，具体涉及一种用于准确检测危险物品的改进型SSD算法。

技术介绍

[0002]随着现代科学技术的不断发展，监控摄像头已经遍布在各种大城市中，但是当安全事故真正发生的时候，监控摄像头只能在事后给警方提供一些有利的信息，进行案后的刑事追责，不能起到及时报警的作用。因此可以在一些重要场所，准确检测危险物品(枪，炸药，刀，棍，棒等)并提前预警能够有效减少安全事故的发生，从而减少人员的伤亡以及财产的损失。对于目标检测，卷积神经网络的算法有多种，例如，YOLO系列，该方法将图像分为若干单元格，对每个单元格中的物体进行目标检测，该方法有着速度快的特性，但是精确度较低。Faster
‑
RCNN系列，该算法引进Region Proposal Networks (RPNs)替代Selective Search提取候选框，同时引入anchor box。由于提取图像中目标的特征较多，所以检测目标物体的精确度较高，但是由于产生了过多的候选网络，导致检测速度较慢，因此如何对现有的卷积神经网络的算法进行改进，从而解决上述问题，使我们急需解决的

技术实现思路

[0003]针对上述出现的问题，本申请通过对现有的SSD算法进行改进，通过改变先验框的尺寸大小和改变conv4_3特征层的处理，从而实现对远距离情况下危险物品的准确检测，满足使用需求。
[0004]为了实现上述目的，本专利技术公开了一种用于准确检测危险物品的改进型SSD 算法，其特征在于，包括以下步骤：
[0005]S1:构建一个基于SSD算法的改进型卷积神经网络，并且初始化网络模型的参数；
[0006]S2:设定各个超参数所需图片的批次和学习速率，并且设定所需训练的事件次数；
[0007]S3：通过所构建的数据集对卷积神经网络进行训练,得到权重文件，
[0008]S4:将训练好的权重文件放到测试模型中，向测试模型中输入实时场景下的图片，将训练好的目标特征与图片中的特征信息进行比对，通过分类器完成目标的分类识别，从而实现对危险物品的检测。
[0009]作为优选，在步骤S1中，对所构建的SSD算法中的验证框的尺寸大小进行改变，获得更大的验证框尺寸。
[0010]作为优选，在步骤S1中，还对SSD算法中的conv4_3和FC6卷积层分别做不同的卷积处理得到相同的特征图，然后通过第一函数将两个特征图进行通道上的堆叠得到新的特征图，然后再利用第二函数对新的特征图进行归一化处理得到新的conv4_3特征图。
[0011]作为优选，在步骤S1中，还需要对危险物品的参数信息进行收集，具体的过程为：收集包含管制刀具、易燃易爆危险物品的图片，对图片中的物体进行名称标注，构建含有危险物品的数据集。
[0012]作为优选，还需要对数据集进行增广，获得数据量更多的数集，具体的过程为：对数据集中的图片进行水平翻转增强，垂直翻转增强，镜像对称增强，仿射变化，旋转，高斯加噪，对比度变化，尺度变换，平移来增广数据集。
[0013]作为优选，在步骤S3中，首先设定损失函数loss为图片批次进行卷积网络提取特征，并分类所得结果与数据集本身预测结果差值的平方，并且利用该损失函数loss对网络参数进行梯度下降更新。
[0014]作为优选，训练集的损失函数一直在逐渐减小，当验证集的损失函数有增大的趋势时，结束训练；如果验证集的损失函数一直时减小的趋势，只要达到设定的训练事件次数，就结束训练；最终得到训练模型后的权重文件。
[0015]作为优选，在步骤S4中，通过soft
‑
max分类器完成目标的分类识别，并且判定分类结果是否含有危险物品，如果含有上述物品，则发送报警指令，否则继续向测试模型中输入实时场景下的图像。
[0016]本专利技术的有益之处是：与现有的SSD算法建立的卷积神经网络相比，本申请在两个方面对现有的SSD算法进行改进，从而解决了现有的SSD算法的网络结构对一些远距离下的危险物品检测效果较差，不能达到准确的问题；一方面是改变先验框的尺寸大小，从而增大了用于评价对象检测算法的交互比IOU(产生的候选框与原标记框交集与并集的比值)，从而检测出的物体精确度更高；另一方面是将改变对conv4_3特征层的处理方式，这样做的好处在于将两个特征图中的特征值堆叠在一起，使得新的Conv4_3特征图中包含了更多目标物体的形状特征，更能够精确的检测出远距离下的危险物品。
附图说明
[0017]图1为本专利技术的总体步骤流程图；
[0018]图2为本专利技术的详细步骤流程图；
[0019]图3为现有SSD算法框架示意图；
[0020]图4为本专利技术的SSD算法框架示意图。
具体实施方式
[0021]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的施例。基于本专利技术中的实施例，本领域技术人员在没有作出创造性劳动前提下获得的所有其他实施例，都属于本专利技术保护的范围。
[0022]本专利技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明或者隐含地包括一个或者更多个所述特征。在本专利技术的描述中，“多个”的含义两个或两个以上，除非另有明确具体的限定。
[0023]在申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为使本领域任何技术人员能够实现和使用本专利技术，给出了以下描述。在以下描述，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认到，在不使用这些特定细节的情况下也可以实现本专利技术。在其它实例中，不会对已知的结构和过程进行详细阐述，以避免不必要的细节使本专利技术的描述变得晦涩。因此，本专利技术并非旨在限于所示的实施例，而是与符合本申请所公开的原理的最广范围相一致。
[0024]请参阅图1，本专利技术公开了一种用于准确检测危险物品的改进型SSD算法，包括以下步骤：S1:构建一个基于SSD算法的改进型卷积神经网络，并且初始化网络模型的参数；S2:设定各个超参数所需图片的批次和学习速率，并且设定所需训练的事件次数；S3：通过所构建的数据集对卷积神经网络进行训练,得到权重文件；S4:将训练好的权重文件放到测试模型中，向测试模型中输入实时场景下的图片，将训练好的目标特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于准确检测危险物品的改进型SSD算法，其特征在于，包括以下步骤：S1:构建一个基于SSD算法的改进型卷积神经网络，并且初始化网络模型的参数；S2:设定各个超参数所需图片的批次和学习速率，并且设定所需训练的事件次数；S3：通过所构建的数据集对卷积神经网络进行训练,得到权重文件，S4:将训练好的权重文件放到测试模型中，向测试模型中输入实时场景下的图片，将训练好的目标特征与图片中的特征信息进行比对，通过分类器完成目标的分类识别，从而实现对危险物品的检测。2.根据权利要求1所述的用于准确检测危险物品的改进型SSD算法，其特征在于，在步骤S1中，对所构建的SSD算法中的验证框的尺寸大小进行改变，获得更大的验证框尺寸。3.根据权利要求1所述的用于准确检测危险物品的改进型SSD算法，其特征在于，在步骤S1中，还对SSD算法中的conv4_3和FC6卷积层分别做不同的卷积处理得到相同的特征图，然后通过第一函数将两个特征图进行通道上的堆叠得到新的特征图，然后再利用第二函数对新的特征图进行归一化处理得到新的conv4_3特征图。4.根据权利要求1所述的用于准确检测危险物品的改进型SSD算法，其特征在于，在步骤S1中，还需要对危险物品的参数信息进行收集，具体的过程为：收集包含管制刀具、易燃易爆危险物...

【专利技术属性】
技术研发人员：成鑫才，杨兴春，王文，吴新春，朱书霖，孙彪，
申请(专利权)人：四川警察学院，
类型：发明
国别省市：