一种基于多尺度特征融合的X光危险物检测方法技术

本发明专利技术公开了一种基于多尺度特征融合的X光危险物检测方法，包括以下步骤：步骤(1)、获取训练样本集和测试样本集；步骤(2)、构建基于多尺度特征融合的卷积神经网络；步骤(3)、对基于多尺度特征融合的卷积神经网络进行迭代训练；步骤(4)、获取X光危险物品图像识别结果。本发明专利技术涉及X光检测技术领域。该基于多尺度特征融合的X光危险物检测方法，通过采用通道特征融合模块f

【技术实现步骤摘要】
一种基于多尺度特征融合的X光危险物检测方法


[0001]本专利技术涉及X光检测
，具体为一种基于多尺度特征融合的X光 危险物检测方法。

技术介绍

[0002]在公共交通场所中的X光安全检测场景中，传统方法通常使用分离前后 背景的方法对X光安检图片进行区域划分，分离出危险物目标后使用不同算 法处理检测请求。然而，由于实际X光安检图片具有的特殊成像原理和行李 物品的不确定性，检测任务一般较繁琐，对检测的整体算法的精确度和速度 要求更高，因此需要进一步对X光深度神经网络检测方法进行研究。现有X 光危险物检测方法通常面临着边缘信息难以提取、特征提取层次低、精度低 的问题。

技术实现思路

[0003](一)解决的技术问题
[0004]针对现有技术的不足，本专利技术提供了一种基于多尺度特征融合的X光危 险物检测方法，解决了现有X光危险物检测方法通常面临着边缘信息难以提 取、特征提取层次低、精度低的问题。
[0005](二)技术方案
[0006]为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于多尺度 特征融合的X光危险物检测方法，包括以下步骤：
[0007]步骤(1)、获取训练样本集和测试样本集；
[0008]步骤(2)、构建基于多尺度特征融合的卷积神经网络；
[0009]步骤(3)、对基于多尺度特征融合的卷积神经网络进行迭代训练；
[0010]步骤(4)、获取X光危险物品图像识别结果。
[0011]优选的，所述步骤1包括以下步骤：<br/>[0012]步骤(1a)、获取N幅包含不同类别危险物品的X光图像M＝{m
i
|1≤i≤N}， 并对每幅X光图像m
i
中的危险物品类别及位置坐标进行标注，得到类别标签 集和位置坐标标签集其中，N&gt;8000，m
i
表示第i幅X光图像，和分别表示m
i
所包含的危险物品的类别标签和位 置坐标标签，置坐标标签，表示第s类危险物品，S表示危险物品的类 别数，S≥2，别数，S≥2，和分别表示所围成的标记框中 心的横坐标、标记框中心的纵坐标、标记框的宽和标记框的高；
[0013]步骤(1b)、将随机选取M中半数以上的危险物品X光图像及其对应的类 别标签和位置坐标标签组成训练样本集M
train
＝{m
j
|1≤j≤N
train
}，N/2&lt;N
train
≤N， 将其余危险物品X
光图像及其对应的类别标签和位置坐标标签组成测试样本 集M
test
＝{m
l
|1≤l≤N
test
}，其中，m
j
表示训练样本集中的第j张X光图像，m
l
表 示训练样本集中的第l张X光图像，N/2&lt;N
train
≤N，N
test
＝N
‑
N
train
。
[0014]优选的，所述步骤2包括以下步骤：
[0015]步骤(2a)、构建基于多尺度特征融合的卷积神经网络的结构；
[0016]步骤(2b)、定义基于UNET的下采样卷积神经网络的损失函数Loss：
[0017][0018]其中，L
lc
表示类别和定位损失函数，L
lc
把X光图片划分成不同大小的网 格，根据候选框和标记框的中心点坐标、及宽高信息和网格数构建函数，M代 表候选框数量，M＝3，K代表网格数，表示在q,m处的候选框有目标，表示在q,m处的候选框没有目标，w表示候选框的宽度，h表示候选框的高度， x表示候选框中心的横坐标，y表示候选框中心的纵坐标，C表示候选框内存 在危险物品的置信度，表示候选框内实际是存在危险物品的，表示危险 物品是属于第c类的概率，λcoord为定位平衡参数，λnoobj为类别平衡参 数。
[0019]优选的，所述步骤3包括以下步骤：
[0020]步骤(3a)、初始化特征提取网络f
f
‑
e
的权重参数为通道特征聚合网 络f
channel
的权重参数为空间特征融合网络f
spatial
的权重参数为输 出网络f
output
的权重参数为迭代次数为t，最大迭代次数为T≥50，并令t＝0；
[0021]步骤(3b)、将训练样本集M
train
中的每个训练样本包括X光图像及其对应 的类别标签和位置坐标标签作为特征提取网络f
f
‑
e
的输入，每幅图像m
j
在特征 提取网络中进行前向特征提取，得到图像m
j
的第一高级特征
[0022]步骤(3c)、将图像m
j
的第一高级特征作为通道特征聚合网络f
channel
的 输入进行特征提取，在通道特征聚合网络f
channel
中进行特征融合，得到图像m
j
的 第二高级特征第三高级特征第四高级特征
[0023]步骤(3d)、将图像m
j
的第二高级特征作为空间特征融合网络f
spatial
的 输入进
行前向特征提取，得到图像m
j
的注意力图
[0024]步骤(3e)、将图像m
j
的注意力图与图像m
j
的第三高级特征第四 高级特征在组合模块中相融合，得到图像m
j
的第五高级特征
[0025]步骤(3f)、将图像m
j
的第五高级特征作为输出网络f
output
的输入进行前 向特征提取，得到图像m
j
的所包含危险物品的预测位置坐标标签置信度信息和预测类别标签概率
[0026]步骤(3g)、基于多尺度特征融合的卷积神经网络的损失函数Loss＝L
GHM
‑
C
通过计算类别和定位损失函 数L
lc
的函数值，再采用反向传播方法，通过Loss计算f
f
‑
e
、f
channle
、f
spatial
和f
output
的网络权重参数梯度，然后采用梯度下降算法通过f
f
‑
e
、f
channle
、f
spatial
和f
output
的网络权重参数梯度对f
f
‑
e
、f
channle
、f
spatial
和f
output
的网络权重参数θ
spatial
和θ
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度特征融合的X光危险物检测方法，其特征在于：包括以下步骤：步骤(1)、获取训练样本集和测试样本集；步骤(2)、构建基于多尺度特征融合的卷积神经网络；步骤(3)、对基于多尺度特征融合的卷积神经网络进行迭代训练；步骤(4)、获取X光危险物品图像识别结果。2.根据权利要求1所述的一种基于多尺度特征融合的X光危险物检测方法，其特征在于，所述步骤1包括以下步骤：步骤(1a)、获取N幅包含不同类别危险物品的X光图像M＝{m
i
|1≤i≤N}，并对每幅X光图像m
i
中的危险物品类别及位置坐标进行标注，得到类别标签集和位置坐标标签集其中，N＞8000，m
i
表示第i幅X光图像，和分别表示m
i
所包含的危险物品的类别标签和位置坐标标签，所包含的危险物品的类别标签和位置坐标标签，表示第s类危险物品，S表示危险物品的类别数，S≥2，S≥2，和分别表示所围成的标记框中心的横坐标、标记框中心的纵坐标、标记框的宽和标记框的高；步骤(1b)、将随机选取M中半数以上的危险物品X光图像及其对应的类别标签和位置坐标标签组成训练样本集M
train
＝{m
j
|1≤j≤N
train
}，N/2＜N
train
≤N，将其余危险物品X光图像及其对应的类别标签和位置坐标标签组成测试样本集M
test
＝{m
l
|1≤l≤N
test
}，其中，m
j
表示训练样本集中的第j张X光图像，m
l
表示训练样本集中的第l张X光图像，N/2＜N
train
≤N，N
test
＝N
‑
N
train
。3.根据权利要求2所述的一种基于多尺度特征融合的X光危险物检测方法，其特征在于，所述步骤2包括以下步骤：步骤(2a)、构建基于多尺度特征融合的卷积神经网络的结构；步骤(2b)、定义基于UNET的下采样卷积神经网络的损失函数Loss：其中，L
lc
表示类别和定位损失函数，L
lc
把X光图片划分成不同大小的网格，根据候选框和标记框的中心点坐标、及宽高信息和网格数构建函数，M代表候选框数量，M＝3，K代表网格数，表示在q,m处的候选框有目标，表示在q,m处的候选框没有目标，w表示候选框的宽度，h表示候选框的高度，x表示候选框中心的横坐标，y表示候选框中心的纵坐标，C
表示候选框内存在危险物品的置信度，表示候选框内实际是存在危险物品的，表示危险物品是属于第c类的概率，λcoord为定位平衡参数，λnoobj为类别平衡参数。4.根据权利要求3所述的一种基于多尺度特征融合的X光危险物检测方法，其特征在于：所述步骤(2a)中构建包括顺次连接的特征提取网络f
f
‑
e
、通道特征聚合网络f
channel
、空间特征融合网络f
spatial
和输出网络f
output
，所述特征提取网络f
f
‑
e
包括输入层、多个卷积模块和多个残差模块；所述通道特征聚合网络f
channel
包含多个上采样层、多个卷积模块、多个multiplica层和多个concat拼接层；所述空间特征融合网络f
spatial
包括多个卷积模块、一个对称卷积模块、一个融合模块、一个组合模块和一个concat拼接层；所述输出网络f
output
包括两个卷积层，一个归一化层和一个激活函数层的神经网络。5.根据权利要求4所述的一种基于多尺度特征融合的X光危险物检测方法，其特征在于，所述步骤3包括以下步骤：步骤(3a)、初始化特征提取网络f
f
‑
e
的权重参数为通道特征聚合网络f
channel
的权重参数为空间特征融合网络f
spatial
的权重参数为输出网络f
output
的权重参数为迭代次数为t，最大迭代次数为T≥50，并令t＝0；步骤(3b)、将训练样本集M
train
中的每个训练样本包括X光图像及其对应的类别标签和位置坐标标签作为特征提取网络f
f
‑
e
的输入，每幅图像m
j
在特征提取网络中进行前向特征提取，得到图像m
j
的第一高级特征步骤(3c)、将图像m
j
的第一高级特征作为通道特征聚合网络f
channel
的输入进行特征提取，在通道特征聚合网络f
channel
中进行特征融合，得到图像m
j
的第二高级特征第三高级特征第四高级特征步骤(3d)、将图像m
j
的第二高级特征作为空间特征融合网络f
spatial
的输入进行前向特征提取，得到图像m
j
的注意力图步骤(3e)、将图像m
j
的注意力图与图像m
j
的第三高级特征第四高级特征在组合模块中相融合，得到图像m
j
的第五高级特征步骤(3f)、将图像m
j
的第五高级特征作为输出网络f
output
的输入进行前向特征提取，得到图像m
j
的所包含危险物品的预测位置坐标标签置信度信息和预测类别标签概率步骤(3g)、基于多尺度特征融合的卷积神经网络的损失函数Loss＝L
GHM
‑
C
通过计算类别和定位损失函数L
lc
的函数值，再采用反向传播方法，通过Loss计算f
f
‑
e
、f
channle
、f
spatial
和f
output
的网络权重参数梯度，然后采用梯度下降算法通过f
f
‑
e
、f
channle
、f
spatial
和f
output
的网络权重参数梯度对f
f
‑
e
、
f
channle
、f
spatial
和f
output
的网络权重参数θ
spatial
和θ
output
进行更新；步骤(3h)、判断t≥T是否成立，若是，得到训练好的基于多尺度特征融合的卷积神经网络，否则，令t＝t+1，并执行步骤(3b)。6.根据权利要求5所述的一种基于多尺度特征融合的X光危险物检测方法，其特征在于，所述步骤(4)包括以下步骤：步骤(4a)、将测试样本集M
test
中的每个训练样本包括X光图像及其对应的类别标签和位置坐标标签作为训练好的基于多尺度特征融合的卷积神经网络的输入进行前向传播，得到危险物品的预测位置坐标标签(x
l
,y
l
,w
l
,h
l
)，置信度信息C
l
和类别标签概率p
l
(c)；步骤(4b)、将测试图像m
l
预测的置信度信息C...

【专利技术属性】
技术研发人员：刘静，马玉婷，
申请(专利权)人：西安电子科技大学广州研究院，
类型：发明
国别省市：