一种基于多尺度分解卷积的太赫兹图像危险品检测方法技术

本发明专利技术公开了一种基于多尺度分解卷积的太赫兹图像危险品检测方法，包括：利用太赫兹成像设备获取待测目标物图像；将所述待测目标物图像进行处理，构建输入图像数据集；构建目标检测网络模型，将所述待测目标物图像输入所述目标检测网络模型，生成不同尺寸大小的特征层，对所述特征层中的特征进行多尺度特征融合，提取多尺度的特征，识别隐藏危险品，其中所述目标检测网络模型通过所述输入图像数据集进行训练获得；若所述待测目标物图像中存在危险品，则输出包含危险品检测框

【技术实现步骤摘要】
一种基于多尺度分解卷积的太赫兹图像危险品检测方法


[0001]本专利技术属于太赫兹检测
，尤其涉及一种基于多尺度分解卷积的太赫兹图像危险品检测方法
。

技术介绍

[0002]太赫兹成像技术使用太赫兹辐射源照射物体，并捕获物体的透射或反射光线进行成像
。
由于太赫兹辐射的频率和波长特性，结合对人体无害的优点，太赫兹成像技术在生物医学和安全领域具有非常大的应用潜力，如易燃易爆物
、
毒品
、
违禁枪支和其他危险品的检测
。
然而，由于太赫兹成像系统的硬件和外部环境干扰等因素，太赫兹图像存在噪声干扰严重
、
信噪比和对比度低
、
图像模糊等问题
。
这些问题对安防检测的准确性产生了重大影响，传统的目标检测系统由于无法从质量较差的太赫兹图像中准确识别与定位危险品的限制，导致系统存在检测精度低
、
识别率低等问题
。
随着深度学习技术的发展，采用深度学习方式在大量样本数据集的训练和学习下可实现自动完成检测任务
。
此外，基于多尺度分解卷积的目标检测方法能够在提高精度的同时降低模型复杂度以便部署到终端设备
。
因此，开发能够更精确识别太赫兹图像中危险品种类
、
检测准确率高的目标检测算法非常有助于太赫兹图像检测技术的应用和发展
。

技术实现思路

[0003]为解决上述技术问题，本专利技术提出了一种基于多尺度分解卷积的太赫兹图像危险品检测方法
。
通过深度学习目标检测算法以及网络模型优化方法，提高了太赫兹图像中危险品的检测精度和识别率
。
有望在地铁
、
机场
、
边境等场景的安全检测领域得到广泛应用
。
[0004]为实现上述目的，本专利技术提供了基于多尺度分解卷积的太赫兹图像危险品检测方法，包括：
[0005]利用太赫兹成像设备获取待测目标物图像；
[0006]将所述待测目标物图像进行处理，构建输入图像数据集；
[0007]构建目标检测网络模型，将所述待测目标物图像输入所述目标检测网络模型，生成不同尺寸大小的特征层，对所述特征层中的特征进行多尺度特征融合，提取多尺度的特征，识别隐藏危险品，其中，所述目标检测网络模型通过所述输入图像数据集进行训练获得；
[0008]若所述待测目标物图像中存在危险品，则输出包含危险品检测框
、
危险品类别号及预测概率值的隐藏危险品检测结果图像，若所述待测目标物图像中不存在危险品，则输出与输入一致的所述待测目标物图像
。
[0009]可选的，将所述待测目标物图像进行处理包括：
[0010]将所述待测目标物图像中的危险品用矩形框框出转化为标签数据，获取含有标签数据的图像；
[0011]将所述含有标签数据的图像进行
mosaic
增强
、
随机左右翻转
、
尺寸随机缩放处理，
完成所述输入图像数据集的构建
。
[0012]可选的，目标检测网络模型包括：特征提取主干网络
、
特征融合网络和特征检测网络；
[0013]所述特征提取主干网络通过卷积操作对所述待测目标物图像进行浅层特征提取，获取不同尺寸大小的特征层；
[0014]所述特征融合网络对所述不同尺寸大小的特征层进行多尺度特征融合，提取出多尺度的特征，获取多尺度特征图；
[0015]所述特征检测网络对所述多尺度特征图进行预测，输出预测结果图
。
[0016]可选的，所述特征提取主干网络中加入了自适应多尺度大核分解卷积模块和注意力机制
BRA
；所述特征融合网络加入了所述自适应多尺度大核分解卷积模块和无参数量3‑
D
局部注意力
SimAM
；
[0017]所述自适应多尺度大核分解卷积模块对输入的特征图进行多尺度分解和自适应融合
。
[0018]可选的，所述自适应多尺度大核分解卷积模块包括深度卷积
、
深度扩张卷积和逐点卷积
。
[0019]可选的，所述自适应多尺度大核分解卷积模块对输入的特征图进行多尺度分解和自适应融合之前包括：对输入的特征图进行卷积和分类操作，获取若干特征图
。
[0020]可选的，所述自适应多尺度大核分解卷积模块对输入的特征图进行多尺度分解和自适应融合包括：
[0021]提取所述若干特征图中的一个特征图作为第一特征图；
[0022]将所述若干特征图中剩余的特征图分别输入不同的自适应多尺度大核分解卷积模块；
[0023]通过在不同的所述自适应多尺度大核分解卷积模块中设定不同的大卷积核和不同的扩张速率，对不同的所述自适应多尺度大核分解卷积模块中的深度扩张卷积
、
深度卷积和逐点卷积进行设置，并对所述剩余的特征图进行多尺度分解，输出若干新的特征图；
[0024]利用级联操作将若干所述新的特征图在通道维度上进行连接，获取第二特征图；
[0025]将所述第二特征图通过卷积操作进行特征融合及通道数降维，获取第三特征图；
[0026]将所述第三特征图进行
Softmax
以及通道分离操作，获取空间自适应权重；
[0027]将若干所述新的特征图与所述空间自适应权重进行加权聚合，获取第四特征图；
[0028]将所述第四特征图与所述第一特征图进行级联和卷积操作，获取第五特征图，实现自适应融合
。
[0029]可选的，所述自适应多尺度大核分解卷积模块中的目标参数为预设目标值
。
[0030]可选的，输出所述隐藏危险品检测结果图像的数学模型为：
[0031][0032]式中，
O
为隐藏危险品检测结果图像，为优化参数，
F
′
为特征提取主干网络和特征融合网络处理后得到的图像组，
D(
·
)
表示目标检测函数，
Ψ
是神经网络的参数，
(x,y)
表示输出检测框的像素坐标
。
[0033]可选的，所述目标检测网络模型通过所述输入图像数据集进行训练的过程中包
括：
[0034]采用
SGD
函数对损失函数
Loss(
Θ
)
进行优化：
[0035][0036]L
b
＝
L
CIoU
+L
DFL
[0037][0038]L
DFL
＝
‑
((y
i+1
‑
y)log(S
i
)+(y
‑
y
i本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多尺度分解卷积的太赫兹图像危险品检测方法，其特征在于，包括：利用太赫兹成像设备获取待测目标物图像；将所述待测目标物图像进行处理，构建输入图像数据集；构建目标检测网络模型，将所述待测目标物图像输入所述目标检测网络模型，生成不同尺寸大小的特征层，对所述特征层中的特征进行多尺度特征融合，提取多尺度的特征，识别隐藏危险品，其中，所述目标检测网络模型通过所述输入图像数据集进行训练获得；若所述待测目标物图像中存在危险品，则输出包含危险品检测框
、
危险品类别号及预测概率值的隐藏危险品检测结果图像，若所述待测目标物图像中不存在危险品，则输出与输入一致的所述待测目标物图像
。2.
如权利要求1所述的基于多尺度分解卷积的太赫兹图像危险品检测方法，其特征在于，将所述待测目标物图像进行处理包括：将所述待测目标物图像中的危险品用矩形框框出转化为标签数据，获取含有标签数据的图像；将所述含有标签数据的图像进行
mosaic
增强
、
随机左右翻转
、
尺寸随机缩放处理，完成所述输入图像数据集的构建
。3.
如权利要求1所述的基于多尺度分解卷积的太赫兹图像危险品检测方法，其特征在于，目标检测网络模型包括：特征提取主干网络
、
特征融合网络和特征检测网络；所述特征提取主干网络通过卷积操作对所述待测目标物图像进行浅层特征提取，获取不同尺寸大小的特征层；所述特征融合网络对所述不同尺寸大小的特征层进行多尺度特征融合，提取出多尺度的特征，获取多尺度特征图；所述特征检测网络对所述多尺度特征图进行预测，输出预测结果图
。4.
如权利要求3所述的基于多尺度分解卷积的太赫兹图像危险品检测方法，其特征在于，所述特征提取主干网络中加入了自适应多尺度大核分解卷积模块和注意力机制
BRA
；所述特征融合网络加入了所述自适应多尺度大核分解卷积模块和无参数量3‑
D
局部注意力
SimAM
；所述自适应多尺度大核分解卷积模块对输入的特征图进行多尺度分解和自适应融合
。5.
如权利要求4所述的基于多尺度分解卷积的太赫兹图像危险品检测方法，其特征在于，所述自适应多尺度大核分解卷积模块包括深度卷积
、
深度扩张卷积和逐点卷积
。6.
如权利要求5所述的基于多尺度分解卷积的太赫兹图像危险品检测方法，其特征在于，所述自适应多尺度大核分解卷积模块对输入的特征图进行多尺度分解和自适应融合之前包括：对输入的特征图进行卷积和分类操作，获取若干特征图
。7.
如权利要求6所述的基于多尺度分解卷积的太赫兹图像危险品检测方法，其特征在于，所述自适应多尺度大核分解卷积模块对输入的特征图进行多尺度分解和自适应融合包括：提取所述若干特征图中的一个特征图作为第一特征图；将所述若干特征图中剩余的特征图分别输入不同的自适应多尺度大核分解卷积模块；通过在不同的所述自适应多尺度大核分解卷积模块中设定不同的大卷积核和不同的扩张速率，对不同的所述自适应多尺度大核分解卷积模块中的深度扩张卷积
、
深度卷积和
逐点...

【专利技术属性】
技术研发人员：吴衡，郭梓杰，罗劭娟，陈梅云，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：