一种面向X光安检场景的危险品检测方法及装置制造方法及图纸

本发明专利技术公开了一种面向X光安检场景的危险品检测方法及装置。该方法包括如下步骤：获取待检测的X射线安检图像；训练得到与提取域无关的危险品类别信息特征的神经网络模型；将待检测的X射线安检图像输入到预先训练好的与提取域无关的危险品类别信息特征的神经网络模型中，得到该图像用于危险品预测的包含域无关的危险品表征信息的特征图，作为安检机器的输入来提取图像特征用于后续危险品的预测。利用本发明专利技术，可以很好地处理因为安检机器型号不同产生的内生偏移。产生的内生偏移。产生的内生偏移。

【技术实现步骤摘要】
一种面向X光安检场景的危险品检测方法及装置


[0001]本专利技术涉及一种面向X光安检场景的危险品检测方法，同时也涉及相应的危险品检测装置，属于安全检查


技术介绍

[0002]随着在公共交通中人流量的增加，安全检查变得越来越重要。在安全检查场景中，通常采用X光检查行李中是否含有危险品，然后利用人工检查通过安检机器生成的安检图像中是否有危险品。但是，在长时间高注意力地观看复杂的安检图像后，安检员可能会产生视觉疲劳，导致工作效率下降。因此，人工安检会存在人力成本高，漏检误检多，检测效率低等问题，需要利用安检机器代替人工进行安检。
[0003]由于不同型号的安检机器在硬件上存在差异，导致不同安检机器生成的X光安检图像中存在肉眼难以察觉的内生偏移。这种内生偏移的存在让用一种型号安检机器生成的X光图像进行训练的危险品检测神经网络模型在另一种型号安检机器上进行检测时会有很严重的性能下降。现有的跨域危险品检测神经网络模型并不能很好地处理因为安检机器型号不同产生的内生偏移，难以学习到危险品图像中与域无关的类别特征，这对面向X光安检场景的跨域目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向X光安检场景的危险品检测方法，其特征在于包括如下步骤：S1：获取待检测的X射线安检图像；S2：训练得到与提取域无关的危险品类别信息特征的神经网络模型；S3：将待检测的X射线安检图像输入到预先训练好的与提取域无关的危险品类别信息特征的神经网络模型中，得到该图像用于危险品预测的包含域无关的危险品表征信息的特征图，作为安检机器的输入来提取图像特征用于后续危险品的预测。2.如权利要求1所述的面向X光安检场景的危险品检测方法，其特征在于所述与提取域无关的危险品类别信息特征的神经网络模型通过如下子步骤得到：S21：收集由两种不同型号的安检机器生成的包含危险品的图像，分别建立源域的图像数据集和目标域的图像数据集，并分别划分为训练集数据和测试集数据；S22：将来自源域的训练集数据中的图像，每次输入一个批次的图像到危险品检测神经网络模型中，得到各个图像里的危险品在源域中的表征特征；S23：重复执行步骤S22直至预设迭代次数，得到一个能初步定位并识别危险品的危险品检测神经网络模型；S24：将来自源域的训练集数据与来自目标域的训练集数据中的图像，每次成对输入到危险品检测神经网络模型中，分别得到源域的图像特征图与目标域的图像特征图，以及各自的候选框集合；S25：分别将源域的图像特征图与候选框集合、目标域的图像特征图与候选框集合输入到局部原型对齐模块中，得到该批次源域与目标域下各个危险品种类的原型特征，进而更新全局危险品种类的原型特征，并计算得到原型对齐损失；S26：将该批次的源域与目标域的图像特征图与各个危险品种类的原型特征输入到全局对抗抑制模块中，计算得到对抗分类损失；S27：重复执行步骤S24至S26直至预设迭代次数，得到与提取域无关的危险品类别信息特征的神经网络模型。3.如权利要求2所述的面向X光安检场景的危险品检测方法，其特征在于在S21中，建立源域的图像数据集时，采集数张由同一安检机器生成的X射线安检图像，并对每一张图像中的物品进行标注后，从中选取出包含危险品的图像建立图像数据集；建立目标域的图像数据集时，采集数张由与作为源域的安检机器不同型号的安检机器生成的X射线安检图像，不需要标注，直接从中选取出包含危险品的图像建立图像数据集。4.如权利要求2所述的面向X光安检场景的危险品检测方法，其特征在于在S22中，将所述来自源域的训练集数据中的图像每次输入一个批次的图像利用卷积层，生成各个图像的初始特征图与候选框集合，所述初始特征图与候选框集合输入到后续的分类与回归模块，计算模型的损失。5.如权利要求2所述的面向X光安检场景...

【专利技术属性】
技术研发人员：刘祥龙，陶仁帅，王天博，李海南，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：