一种基于神经网络的危险品识别方法及识别系统技术方案

一种基于神经网络的危险品识别方法及识别系统，具体涉及基于Cascade R

A dangerous goods identification method and system based on Neural Network

【技术实现步骤摘要】
一种基于神经网络的危险品识别方法及识别系统


[0001]本专利技术涉及一种危险品的识别方法及识别系统，具体涉及一种基于Cascade R
‑
CNN双阶段神经网络的安检图像中危险品的识别方法及识别系统，属于计算机图像处理领域。

技术介绍

[0002]近年来，随着经济和社会的进步，人们出行的次数也变得越来越多，在乘坐地铁、火车、客车和飞机等均需要进行安检，安检的目的是将一切威胁乘客人身安全的危险品排除，保障乘客的乘车安全，如果安检措施的充分性没有得到有效的保证，就会威胁到乘客的生命安全并造成财产损失，所以有效识别X光安检图像中的涉暴涉恐危险品非常重要。
[0003]现有的安检方式大多采用X光安检机进行安检，由于X光安检机的扫描图图像较为抽象，易使长期工作的人员产生视觉疲劳和漏判等问题，因此提高处理和分析这类图片的准确度和性能已经成了亟需解决的问题。随着计算机视觉领域的蓬勃发展，安全问题上的应用和研究也引起了越来越多学者的关注。然而，现有的技术大多是应用于照片、遥感图像等现实物品，这些算法应用到X光安检机扫描图时的表现不尽人意，使得现有的数据集不能充分利用。

技术实现思路

[0004]本专利技术为了解决X光安检扫描图较为抽象，物品识别准确率低，易使长期工作人员产生视觉疲劳和漏判，数据集不能充分利用的问题，进而提出了一种基于神经网络的危险品识别方法及识别系统。
[0005]本专利技术采取的技术方案是：
[0006]一种基于神经网络的危险品识别方法，它包括以下步骤：r/>[0007]S1、采集多张包含危险品的X光安检扫描图，选取采集的部分X光安检扫描图进行框标注，作为标注图像集，未选取的X光安检扫描图作为未标注图像集；
[0008]S2、建立网络模型，将S1中的标注图像集输入网络模型中进行训练，直到loss收敛，得到训练好的初始网络模型；
[0009]S3、将S1中的未标注图像集输入S2中得到的训练好的初始网络模型中进行识别，得到未标注图像集对应的伪标签文件集；
[0010]S4、将S1中的标注图像集和S3中得到的具有伪标签文件的未标注图像集输入S2中得到的训练好的初始网络模型中进行训练，得到训练好的网络模型；
[0011]S5、采集待识别的X光安检扫描图，输入S4中得到的训练好的网络模型内，得到危险品的框标注信息。
[0012]优选的，所述S1中危险品包括涉暴涉恐物品和易燃易爆物品。
[0013]优选的，所述S5中框标注信息包括危险品在X光安检扫描图中的位置坐标、危险品的种类和种类置信度。
[0014]优选的，所述S2中建立网络模型，将S1中的标注图像集输入网络模型中进行训练，直到loss收敛，得到训练好的初始网络模型，具体过程为：
[0015]S21、建立网络模型，网络模型包括ResNeXt
‑
50_Cascade R
‑
CNN网络模型和Res2Net_Cascade R
‑
CNN网络模型；
[0016]S22、将S1中的标注图像集输入ResNeXt
‑
50_Cascade R
‑
CNN网络模型中进行训练，直到loss收敛，得到训练好的ResNeXt
‑
50_Cascade R
‑
CNN网络模型；
[0017]将S1中的标注图像集输入Res2Net_Cascade R
‑
CNN网络模型中进行训练，直到loss收敛，得到训练好的Res2Net_Cascade R
‑
CNN网络模型；
[0018]S23、将S22中得到的训练好的ResNeXt
‑
50_Cascade R
‑
CNN网络模型的输出结果和训练好的Res2Net_Cascade R
‑
CNN网络模型的输出结果进行加权融合，得到训练好的初始网络模型。
[0019]优选的，所述S21中的ResNeXt
‑
50_Cascade R
‑
CNN网络模型依次包括ResNeXt
‑
50和Cascade R
‑
CNN。
[0020]优选的，所述S22中将S1中的标注图像集输入ResNeXt
‑
50_Cascade R
‑
CNN网络模型中进行训练，直到loss收敛，得到训练好的ResNeXt
‑
50_Cascade R
‑
CNN网络模型；将S1中的标注图像集输入Res2Net_Cascade R
‑
CNN网络模型中进行训练，直到loss收敛，得到训练好的Res2Net_Cascade R
‑
CNN网络模型，具体过程为：
[0021]S221、对S1中的标注图像集进行预处理，得到预处理后的标注图像集；
[0022]S222、将S221中预处理后的标注图像集输入ResNeXt
‑
50_Cascade R
‑
CNN网络模型内进行训练，得到训练好的ResNeXt
‑
50_Cascade R
‑
CNN网络模型；
[0023]将S221中预处理后的标注图像集输入Res2Net_Cascade R
‑
CNN网络模型内进行训练，得到训练好的Res2Net_Cascade R
‑
CNN网络模型。
[0024]优选的，所述S221中对S1中的标注图像集进行预处理的方法为在线数据增强方法。
[0025]优选的，所述在线数据增强方法为Mixup在线数据增强方法、Mosaic在线数据增强方法、AutoAugment在线数据增强方法、GridMask在线数据增强方法中一种或多种。
[0026]优选的，所述S23中将S22中得到的训练好的ResNeXt
‑
50_Cascade R
‑
CNN网络模型的输出结果和训练好的Res2Net_Cascade R
‑
CNN网络模型的输出结果进行加权融合的方法为wbf模型融合方法。
[0027]一种基于神经网络的危险品识别系统用于执行一种基于神经网络的危险品识别方法。
[0028]有益效果：
[0029]本专利技术通过构建包含ResNeXt
‑
50_Cascade R
‑
CNN网络模型与Res2Net_Cascade R
‑
CNN网络模型的融合网络模型，将ResNeXt
‑
50_Cascade R
‑
CNN网络模型与Res2Net_Cascade R
‑
CNN网络模型利用wbf模型融合方法进行融合，实现对X光安检扫描图中危险品的识别检测。R本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的危险品识别方法，其特征在于：它包括以下步骤：S1、采集多张包含危险品的X光安检扫描图，选取采集的部分X光安检扫描图进行框标注，作为标注图像集，未选取的X光安检扫描图作为未标注图像集；S2、建立网络模型，将S1中的标注图像集输入网络模型中进行训练，直到loss收敛，得到训练好的初始网络模型；S3、将S1中的未标注图像集输入S2中得到的训练好的初始网络模型中进行识别，得到未标注图像集对应的伪标签文件集；S4、将S1中的标注图像集和S3中得到的具有伪标签文件的未标注图像集输入S2中得到的训练好的初始网络模型中进行训练，得到训练好的网络模型；S5、采集待识别的X光安检扫描图，输入S4中得到的训练好的网络模型内，得到危险品的框标注信息。2.根据权利要求1中所述的一种基于神经网络的危险品识别方法，其特征在于：所述S1中危险品包括涉暴涉恐物品和易燃易爆物品。3.根据权利要求2中所述的一种基于神经网络的危险品识别方法，其特征在于：所述S5中框标注信息包括危险品在X光安检扫描图中的位置坐标、危险品的种类和种类置信度。4.根据权利要求3中所述的一种基于神经网络的危险品识别方法，其特征在于：所述S2中建立网络模型，将S1中的标注图像集输入网络模型中进行训练，直到loss收敛，得到训练好的初始网络模型，具体过程为：S21、建立网络模型，网络模型包括ResNeXt
‑
50_Cascade R
‑
CNN网络模型和Res2Net_Cascade R
‑
CNN网络模型；S22、将S1中的标注图像集输入ResNeXt
‑
50_Cascade R
‑
CNN网络模型中进行训练，直到loss收敛，得到训练好的ResNeXt
‑
50_Cascade R
‑
CNN网络模型；将S1中的标注图像集输入Res2Net_Cascade R
‑
CNN网络模型中进行训练，直到loss收敛，得到训练好的Res2Net_Cascade R
‑
CNN网络模型；S23、将S22中得到的训练好的ResNeXt
‑
50_Cascade R
‑
CNN网络模型的输出结果和训练好的Res2Net_Cascade R
‑
CNN网络模型的输出结果进行加权融合，得到训练好的初始网络模型。5.根据权利要求4中所述的一种基于神经网络的危险品识别方法，其特征在于：所述S21中的ResNeXt
‑

【专利技术属性】
技术研发人员：姚鸿勋，陶胤旭，段风志，韩国权，黄海峰，王兆林，
申请(专利权)人：太极计算机股份有限公司，
类型：发明
国别省市：