一种基于多尺度并行检测的危险品识别装置和方法制造方法及图纸

本发明专利技术涉及一种基于多尺度并行检测的危险品识别装置和方法，属于图像预处理及识别技术领域，解决传统模型常出现长尾效应，造成识别精度低的问题。该装置包括：混合模块用于获取历史安检图片集并将含有不同危险品的安检图片集与不含危险品的安检图片集混合均匀；训练集和验证集获取模块用于将历史安检图片集划分为训练集和验证集；模型构建模块用于建立包括卷积模块的检测模型，卷积模块包括三个不同尺度的卷积核的多尺度并行检测算子；模型训练及验证模块用于对检测进行训练和验证；以及检测模块用于将实时获取的待检测图片发送给训练后的检测模型以生成识别结果并判断是否含有危险品及危险品的位置。使用不同尺度卷积核检测出大小不同目标。核检测出大小不同目标。核检测出大小不同目标。

【技术实现步骤摘要】
一种基于多尺度并行检测的危险品识别装置和方法


[0001]本专利技术涉及图像预处理及识别
，尤其涉及一种基于多尺度并行检测的危险品识别装置和方法。

技术介绍

[0002]近几年来，随着经济的发展和电商行业的迅速崛起，相关产业尤其是物流货物流通量急剧增长，该产业在享受经济增长的福利的同时，也带来了挑战，尤其是在货物运输的安检方面，迅速膨胀的货物量，尤其是一些购物节的货物数量暴增，极大地增加了安检人员的工作量，提高了物流货物安检工作的难度。现有的安检机只能用不同颜色标注出不同材质的物体，但是对于货物中是否包含危险品还需要安检人员人工确认，这种检测方式效率很低，且人工成本高，已经逐渐无法适应当前的需求。因此，利用计算机视觉以及神经网络技术来辅助安检工作人员完成危险品检测工作是未来发展的主要趋势。
[0003]随着深度学习和计算机视觉技术的不断发展，使用人工智能技术辅助安检工作人员进行危险品的目标检测已经成为可能，但是传统的方法是采用卷积神经网络的方式进行危险品的检测与定位，这存在无法适应检测不同尺寸危险品的问题，过大的危险品（如刀等）和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度并行检测的危险品识别装置，其特征在于，包括：混合模块，用于获取历史安检图片集并将含有不同危险品的安检图片集与不含危险品的安检图片集混合均匀；训练集和验证集获取模块，用于将所述历史安检图片集划分为训练集和验证集；模型构建模块，用于建立包括卷积模块的检测模型，所述卷积模块包括三个不同尺度的卷积核的多尺度并行检测算子；模型训练及验证模块，用于使用所述训练集对所述检测模型进行训练，并使用所述验证集验证所述检测模型的训练结果；以及检测模块，用于将实时获取的待检测图片发送给训练后的检测模型以生成识别结果并根据所述识别结果判断所述待检测图片中是否含有危险品以及危险品的位置。2.根据权利要求1所述的基于多尺度并行检测的危险品识别装置，其特征在于，所述卷积模块包括：第一层卷积模块、第二层卷积模块、第三层卷积模块、第四层卷积模块和最大池化层，其中，所述第一层卷积模块，用于压缩安检图片尺寸并初步分离安检图片特征；所述第二层卷积模块，用于通过三个不同尺度的卷积核进一步提取图片特征，以提取安检图片中不同尺寸的目标；所述第三层卷积模块和所述第四层卷积模块，用于按顺序将所述第二层卷积模块输出的图片特征分化，同时将输出特征图的尺寸统一为22
×
22；以及所述最大池化层模块，用于在保证通道数不变的情况下，对尺寸统一的输出特征图进一步缩减特征图尺寸。3.根据权利要求2所述的基于多尺度并行检测的危险品识别装置，其特征在于，所述第二层卷积模块包括第一卷积核、第二空洞卷积核和第三空洞卷积核，其中，所述第一卷积核，用于从所述第一层卷积模块的输出特征图中提取小目标；所述第二空洞卷积核，用于从所述第一层卷积模块的输出特征图中提取中目标；以及所述第三空洞卷积核，用于从所述第一层卷积模块的输出特征图中提取大目标。4.根据权利要求3所述的基于多尺度并行检测的危险品识别装置，其特征在于，所述第二空洞卷积核和所述第三空洞卷积核用于在扩大感受野、提高大尺寸目标检测准确率的同时，不增加计算量，其中，所述第一卷积核，为3
×
3卷积核，步进尺寸为1；所述第二空洞卷积核，为5
×
5卷积核，步进尺寸为2；以及所述第三空洞卷积核，为7
×
7卷积核，步进尺寸为3。5.根据权利要求4所述的基于多尺度并行检测的危险品识别装置，其特征在于，经过所述第二层卷积模块后，通过以下公式计算对应的单特征层的尺寸：其中in代表输入特征层的大小，out是输出特征层的大小，kernel_size...

【专利技术属性】
技术研发人员：李金泽，赵政杰，张舒，张宁，
申请(专利权)人：中国科学院微电子研究所，
类型：发明
国别省市：