【技术实现步骤摘要】
一种基于特征融合和语义交互的安检违禁品检测方法
[0001]本专利技术涉及一种基于深度学习和卷积神经网络的安检违禁品检测方法。
技术介绍
[0002]公共安全检查是根据设定的标准或准则，对访问者的权限和控制进行安全评估的过程，其能及时发现诸如机场、车站等公共场所存在的潜在风险，在维护公共安全方面扮演着重要角色。对于旅客行李包裹的检查，通常是由专业安检员对安检机扫描采集地行李X光图像进行逐个识别，检测其中是否存在管制刀具、枪械等违禁品。受安检员主观作用和安检设备质量等因素影响，这种人工检查方式往往效率低，费时且昂贵。随着人工智能和深度学习的发展，基于深度学习的安检X光图像违禁品检测方法逐渐被应用于安检系统中，使得构建自动、准确、高效的安检方式，建立智能信息化交通系统成为可能。
[0003]大部分的研究工作将安检违禁品识别问题视为计算机视觉领域内的目标检测任务，并提出各种不同的基于深度学习的违禁品检测方法，极大提高了安检违禁品的检测效率。许多研究者使用深度卷积神经网络学习提取X光图像中违禁品的特征，并尝试分析理解特征中所...
【技术保护点】
【技术特征摘要】
1.一种基于特征融合和语义交互的安检违禁品检测方法，包括下列步骤：步骤1：采用安检机扫描收集原始安检X光图像，对原始违禁品图像进行包括违禁品位置信息和类别信息在内的真值标注，制作安检X光图像数据集；步骤2：对图像数据进行增强处理；步骤3：构建网络模型主体架构，包括：构建用于X光图像特征提取的协调融合主干网络；构建用于多尺度特征融合的自适应精修融合金字塔网络；构建用于深层特征交互的选择性密集特征交互网络；构建特征回归分类网络，方法如下：步骤3.1：构建用于X光图像特征提取的协调融合主干网络，该主干网络包含两个分支：特征提取传递主干和特征融合检测主干；两个分支在结构上相同，均由四个模块组stage_1,stage_2,stage_3,stage_4串联构成，每个模块组包含一个步长为2的3*3卷积层和一个目标检测模型YOLOv5的C3模块或ConvFormer复合模块；在两个分支中，C3模块设置在前3个模块组中，其堆叠数量分别为3、6、9个；ConvFormer复合模块设置在最后一个模块组中，其堆叠数量为6个；ConvFormer复合模块由局部位置感知单元，空间位置感知自注意力和轻量级前馈网络三个组件按顺序依次组合而成；局部位置感知单元为一个具有跳跃连接边的3*3深度可分离卷积；空间位置感知自注意力为：在进行特征序列间的自注意力计算时，嵌入余弦函数cos得到缩放余弦注意力，并添加可学习的位置偏置r
ij
v
pos
，其中v
pos
表示可学习位置嵌入，r
ij
为特征像素i和j间的相对距离；然后分别对缩放注意力图和位置偏置信息进行softmax归一化；轻量级前馈网络主要由3个1*1卷积和1个3*3深度可分离卷积构成，3*3卷积放置在两个1*1卷积之间构成一个支路，同时另一个1*1卷积连接当前支路的输入和输出；输入图像X
C
×
H
×
W
被加载到该协调融合主干网络中，经特征提取传递主干分支提取图像特征，由该分支中的各模块组stage_1,stage_2,stage_3,stage_4)成金字塔层次结构特征组{C2,C3,C4,C5}，同时该金字塔层次结构特征组被并行输入到特征融合检测主干分支中的各模块组中；在特征融合检测主干分支中，C2特征和原始输入特征相融合作为模块组stage_1的输入，然后输出特征P2；C3特征和P2特征融合作为模块组stage_2的输入，然后输出特征P3，以此类推，可以获得其他两个模块组的输出特征P4和P5，最终构成融合后的金字塔层次结构特征组{P2,P3,P4,P5}；在单个ConvFormer复合模块中，当前模块的输入特征X
in
经局部位置感知单元生成带有位置信息的特征图Y，Y经过空间位置感知自注意力单元得到位置自注意力图Z，Z再通过轻量级前馈网络得到映射增强特征X
out
，最终经过6个ConvFormer复合模块的计算，在两个分支中分别生成特征C5、P5；步骤3.2：构建用于多尺度特征融合的自适应精修融合金字塔网络，方法为：改进路径聚合特征金字塔PANet，分别引入非局部特征注意力GCNet模...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。