一种基于异类别元学习的X光下重叠物体识别方法技术

本发明专利技术公开了一种基于异类别元学习的X光下重叠物体识别方法，本发明专利技术采用异类别元学习的方法进行训练，且通过KIOU loss的方式使得预测框快速达到稳定值，还通过逐层识别的方式识别重叠物品。本发明专利技术可以对少样本物体进行很好的学习，并且提高了YOLO的训练效率，同时对重叠物体进行分离，提高了重叠物识别准确率，便于安检人员识别重叠物体，极大提高安检识别效率。效率。效率。

【技术实现步骤摘要】
一种基于异类别元学习的X光下重叠物体识别方法


[0001]本专利技术涉及安全检测领域，特别是涉及一种基于异类别元学习的X光下重叠物体识别方法。

技术介绍

[0002]在公共安防领域内，使用X光对包内物体进行中经常存在物体堆叠等情况，在多数情况下安检员不能完全确定当前场景下所有物体，需要拦截开包检测进行物体确认，在人流量大的情况下会极大的增加检查增加拥堵程度，影响出行体验，此外安检员检测效率与工作时间劳累程度高度相关，高频率开包检测会使得安检员在后半工作时间内效率低下。
[0003]目前目标检测等技术已经拓展到安检领域，其中以YOLO为代表的目标检测框架以及他的改进模型，与以RCNN为基础的检测框架以及他的改进模型被应用于安检领域中X光下危险物识别，在数据足够多的情况下也能识别部分重叠物体。
[0004]现有目标检测的技术方案，主要分为2类，一类为单阶段检测，另一类为两阶段检测。其中两阶段检测的方案主要分为以下三步，首先选定可能的框的大小，然后通过滑动窗口对可能框进行匹配，最后通过匹配上的框通过网络再进行识别。单阶段检测以YOLO为例，首先将图片分割为K*K个像素，然后对图像中物体的中心值与K*K的像素进行对应并且对框进行回归得到最终结果。
[0005]但是现有技术方案的存在如下缺点：（1）在安防领域中违禁品多为小样本数据，当目标样本数据数量足够少时，直接训练网络往往效果很差，通过网络通过数据增广或是使用预训练模型的方法或许能提高精度，但是效果有限很难达到预期。
[0006]（2）使用元学习可以对模型进行较好的初始化参数在小样本数据集中可以得到很好的效果，但是元学习目前大都应用于图像识别领域，即对图片中某一类物品进行检测。而安检时是同时对多类物品进行检测，因此使用元学习方案对目标检测数据集进行拆分难度大。
[0007]（3）目前元学习按照相同类别数进行划分，数据集存在类别数量不同时，便不能进行网络参数的更新，而安检时，进行目标检测中若使用元学习，往往类别数量不同。
[0008]（4）YOLOv5 模型中CIOU loss虽然考虑到物体中心位置以及物体的长宽比例，但是在某些任务上中心点并不能很好的反应当前物体的重点部分，甚至在某些任务中可能出现物体标定框的中心点不在物体上。比如弯刀的中心点，以及长柄手枪中心点有很大概率不在物体上，具体见图1
‑
1和图1
‑
2，其中黑点代表物体中心点。

技术实现思路

[0009]为解决上述技术问题，本专利技术提出了一种基于异类别元学习的X光下重叠物体识别方法。本专利技术可以对少样本物体进行很好的学习，并且提高了YOLO的训练效率，同时对重叠物体进行分离，提高了重叠物识别准确率，便于安检人员识别重叠物体，极大提高安检识
别效率。
[0010]本专利技术的目的通过以下技术方案实现：一种基于异类别元学习的X光下重叠物体识别方法，包括如下步骤：S1、通过若干元学习数据集，采用异类别元学习的方式训练得到YOLOv5模型的初始化参数
휃
n
；S2、对YOLOv5加载初始化参数
휃
n
，并且使用目标数据集进行训练得到训练好的YOLOv5_meta模型，其中，YOLOv5中回归框CIOU loss中的原中心点回归方法改为重心点回归方法；S3、采用YOLOv5_meta模型对原始图像中物品进行识别，并逐层识别出物品后，去除识别出的物品的相关区块，直至没有待识别的物品。
[0011]进一步的改进，步骤S1包括如下步骤：步骤一、将收集到的数据集划分为目标数据集以及N个元学习数据集，将每个元学习数据集划分为一个子任务，子任务的类别数量不完全相同，并且将每一个任务均划分为训练集N
_i_train
以及测试集N
_i_test
；所述目标数据集包含多类别待检测危险物品的数据集；所述元学习数据集即包含的数据与目标数据集不同的数据集；步骤二、针对子任务一，初始化YOLOv5模型参数为
휃0，使用任务一的训练集N
_1_train
，对YOLOv5模型进行训练，使用训练损失对YOLOv5模型参数更新为
휃
_1_train
；步骤三、使用子任务一的测试集N
_1_test
对使用
휃
_1_train
参数下的YOLOv5模型进行测试，计算此时损失loss1以及此时损失梯度gard1，使用学习率对参数
휃0更新为
휃1，更新公式如下：
ꢀꢀꢀꢀꢀꢀꢀ
(1)步骤四、将
휃1依照检测层与前置层进行拆分，检测层的数量为根据子任务一的元学习数据集中物品类别数量进行更改的，并保持与元学习数据集中物品类别数量一致；前置层即检测层之外的部分，层数固定不变，即有：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中表示任务一的YOLOv5模型的前置层中
휃1对应的参数；表示任务一的YOLOv5模型的检测层中
휃1对应的参数；步骤五、针对任务二，设此时任务二检测类别与任务一不相同，初始化YOLOv5模型参数为
휃
_2_init
，此时
휃
_2_init
参数为：其中，沿用上一层前置层中
휃1对应的参数；为任务二中检测层初始参数；
步骤六、使用任务二训练集N
_2_train
，对YOLOv5模型进行训练，使用训练任务二损失对模型参数更新为
휃
_2_train
；步骤七、使用任务二测试集N
_2_test
对使用
휃
_2_train
参数下的YOLOv5模型进行测试，计算此时损失loss2以及此时损失梯度gard2，使用学习率对参数
휃1更新为
휃2，更新公式如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)步骤八、将
휃2依照检测层与前置层进行拆分，即
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中表示任务二的YOLOv5模型的前置层中
휃2对应的参数；表示任务二中YOLOv5模型的检测层中
휃2对应的参数；步骤九、迭代重复步骤五至步骤八直到将N个任务全部学习自定义次数，并且得到参数
휃
n
，此时参数
휃
n
即为异类别元学习后YOLOv5模型的初始化参数。
[0012]进一步的改进，所述元学习数据集包括 coco数据集、Ixray数据集和OPIXray数据集。
[0013]进一步的改进，步骤S2中，重心点回归方法中，重心确定公式如下：进一步的改进，步骤S2中，重心点回归方法中，重心确定公式如下：(5)其中，x0，y0，分别代表图像重心位置的x轴和y轴坐标；f(x
i
,y
j
)代表在x=i本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于异类别元学习的X光下重叠物体识别方法，其特征在于，包括如下步骤：S1、通过若干元学习数据集，采用异类别元学习的方式训练得到YOLOv5模型的初始化参数
휃
n
；S2、对YOLOv5加载初始化参数
휃
n
，并且使用目标数据集进行训练得到训练好的YOLOv5_meta模型，其中，YOLOv5中回归框CIOU loss中的原中心点回归方法改为重心点回归方法；S3、采用YOLOv5_meta模型对原始图像中物品进行识别，并逐层识别出物品后，去除识别出的物品的相关区块，直至没有待识别的物品。2.如权利要求1所述的基于异类别元学习的X光下重叠物体识别方法，其特征在于，步骤S1包括如下步骤：步骤一、将收集到的数据集划分为目标数据集以及N个元学习数据集，将每个元学习数据集划分为一个子任务，子任务的类别数量不完全相同，并且将每一个任务均划分为训练集N
_i_train
以及测试集N
_i_test
；所述目标数据集包含多类别待检测危险物品的数据集；所述元学习数据集即包含的数据与目标数据集不同的数据集；步骤二、针对子任务一，初始化YOLOv5模型参数为
휃0，使用任务一的训练集N
_1_train
，对YOLOv5模型进行训练，使用训练损失对YOLOv5模型参数更新为
휃
_1_train
；步骤三、使用子任务一的测试集N
_1_test
对使用
휃
_1_train
参数下的YOLOv5模型进行测试，计算此时损失loss1以及此时损失梯度gard1，使用学习率对参数
휃0更新为
휃1，更新公式如下：
ꢀꢀꢀ
(1)步骤四、将
휃1依照检测层与前置层进行拆分，检测层的数量为根据子任务一的元学习数据集中物品类别数量进行更改的，并保持与元学习数据集中物品类别数量一致；前置层即检测层之外的部分，层数固定不变，即有： (2)其中表示任务一的YOLOv5模型的前置层中
휃1对应的参数；表示任务一的YOLOv5模型的检测层中
휃1对应的参数；步骤五、针对任务二，设此时任务二检测类别与任务一不相同，初始化YOLOv5模型参数为
휃
_2_init
，此时
휃
_2_init
参数为：其中，沿用上一层前置层中
휃1对应的参数；为任务二中检测层初始参数；步骤六、使用任务二训练集N
_2_train
，对YOLOv5模型进行训练，使用训练任务二损失对模
型参数更新为
휃
_2_train
；步骤七、使用任务二测试集N
_2_test
对使用
휃
_2_train
参数下的YOLOv5模型进行测试，计算此时损失loss2以及此时损失梯度gard2，使用学习率对参数
휃1更新为
휃2，更新公式如下： (3)步骤八、将
휃2依照检测层与前置层进行拆分，即
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中表示任务二的YOLOv5模型的前置层中
휃2对应的参数；表示任务二中YOLOv5模型的检测层中
휃2对应的参数；步骤九、迭代重复步骤五至步骤八直到将N个任务全部学习自定义次数，并且得到参数
휃
n
，此时参数
휃
n
即为异类别元学习后YOLOv5模型的初始化参数。3.如权利要求2所述的基于异类别元学习的X光下重叠物体识别方法，其特征在于，所述元学习数据集包括 coco数据集、EDS数据集和OPIXray...

【专利技术属性】
技术研发人员：邓意麒，
申请(专利权)人：湖南苏科智能科技有限公司，
类型：发明
国别省市：