【技术实现步骤摘要】
本专利技术涉及ct重建图像检测，尤其涉及一种图像目标检测模型的训练方法。
技术介绍
1、ct安检设备在安防安保系统中的作用至关重要，尤其是在机场、火车站、地铁站等人流密集的交通节点中，安检设备是确保旅客人身财产安全乃至国家、社会稳定的重要安全保障工具，ct安检设备经常用于例如违禁品等的目标物的识别中。
2、目前现有技术中通常采用深度神经网络模型对可见光图像进行识别，将深度神经网络模型简单搬移到对ct重建图像的识别时，往往识别效果并不如意，识别精度较差。同时，在对模型进行训练时，训练速度较慢。
3、因此，亟需一种新的用于ct重建图像的目标检测的模型进行训练的技术方案。
技术实现思路
1、鉴于上述的分析，本专利技术实施例旨在提供一种图像目标检测模型的训练方法，用以解决现有技术中ct重建图像识别不准确的问题。
2、本专利技术实施例提供了一种图像目标检测模型的训练方法，所述训练方法包括：
3、从ct安检设备的历史ct重建图像数据库中获取大量的ct重建图像，从大量的ct重建图像中筛选出第一预设数量的ct重建图像样本；对每一个ct重建图像样本进行第一预设视角的投影，得到第一预设视角对应的多个二维投影图像；
4、确定每一个二维投影图像中所包括的多个目标，根据预设的坐标系设置每一个目标的二维包围框，同时设置每一个目标的类别标签，将每一个二维投影图像、对应的二维包围框及类别标签作为目标训练样本存储至目标训练样本库，直至得到第二预设数量的目标
5、将目标训练样本库中的目标训练样本分为训练集和测试集，对图像目标检测模型进行训练，直至满足训练迭代条件，得到训练完成的图像目标检测模型；图像目标检测模型为基于注意力机制的深度神经网路模型。
6、基于上述训练方法的进一步改进，通过以下任意一种投影方法对ct重建图像进行第一预设视角的投影：
7、正交投影；
8、透视投影；
9、正射投影；
10、飞行投影；
11、非线性投影。
12、基于上述训练方法的进一步改进，所述第一预设视角包括xy、xz和yz三个方向。
13、基于上述训练方法的进一步改进，所述图像目标检测模型包括特征提取层、特征融合层和预测层；
14、特征提取层，用于接收每个二维投影图像，并基于注意力机制对每个二维投影图像不同尺度的特征图进行提取，并将提取得到的不同尺度的特征图输入至特征融合层；
15、特征融合层，用于将不同尺度的特征图进行融合，并将融合后的特征图输入至预测层；
16、预测层，用于根据融合后的特征图对每个二维投影图像进行预测，得到每个二维投影图像所包括的待识别目标的二维包围框以及对应的类别置信度。
17、基于上述训练方法的进一步改进，所述特征提取层包括依次连接的第一卷积模块、第一特征提取层、第二特征提取层、第三特征提取层和第四特征提取层；
18、第一卷积模块，用于接收每个二维投影图像，并对每个二维投影图像进行一次卷积操作，将得到的初始特征图输入至第一特征提取层；
19、第一特征提取层，用于对初始特征图进行一次卷积操作和残差卷积操作，得到第一特征图，并将第一特征图输入至第二特征提取层和特征融合层；
20、第二特征提取层，用于对第一特征图进行一次卷积操作和残差卷积操作，得到第二特征图，并将第二特征图输入至第三特征提取层和特征融合层；
21、第三特征提取层，用于对第二特征图进行一次卷积操作和残差卷积操作，得到第三特征图，并将第三特征图输入至第四特征提取层和特征融合层；
22、第四特征提取层，用于对第三特征图进行一次卷积操作、残差卷积操作、空间通道注意力操作和融合操作，得到第四特征图，并将第四特征图输入至特征融合层。
23、基于上述训练方法的进一步改进，第一特征提取层、第二特征提取层和第三特征提取层均包括依次连接的第二卷积模块和第一残差卷积模块；第四特征提取层包括依次连接的第二卷积模块、第一残差卷积模块、空间通道注意力模块和融合模块；
24、第二卷积模块，用于对输入的特征图进行一次卷积操作，并将卷积操作后的特征图输入至第一残差卷积模块；
25、第一残差卷积模块，用于对输入的特征图进行残差卷积操作，并将卷积操作后的特征图输出；
26、空间通道注意力模块，用于对输入的特征图进行空间通道注意力操作，并将空间通道注意力操作后的特征图输入至融合模块；
27、融合模块，用于对空间通道注意力操作后的特征图进行融合，得到第四特征图，并将第四特征图输入至特征融合层。
28、基于上述训练方法的进一步改进，空间通道注意力模块包括依次连接的通道注意力模块和空间注意力模块；
29、通道注意力模块用于基于输入的特征图，得到第一注意力特征图，并且根据第一注意力特征图确定各个通道的权重，基于各个通道的权重和第一注意力特征图得到第二注意力特征图；
30、空间注意力模块接收第二注意力特征图，并根据第二注意力特征图确定各个空间的权重，基于各个空间的权重和第二注意力特征图得到第三注意力特征图，第三注意力特征图作为空间通道注意力操作后的特征图输入至融合模块。
31、基于上述训练方法的进一步改进，特征融合层包括由深到浅融合层和由浅到深融合层；由深到浅融合层包括依次连接的第一采样融合层、第二采样融合层和第三采样融合层；由浅到深融合层包括依次连接的第一卷积融合层、第二卷积融合层和第三卷积融合层；
32、第一采样融合层，用于接收第四特征图和第三特征图并进行融合，得到第一融合特征图；第二采样融合层，用于接收第一融合特征图和第二特征图并进行融合，得到第二融合特征图；第三采样融合层，用于接收第二融合特征图和第一特征图并进行融合，得到第三融合特征图；
33、第一卷积融合层，用于接收第二融合特征图和第三融合特征图并进行融合，得到第四融合特征图；第二卷积融合层，用于接收第四融合特征图和第一融合特征图并进行融合，得到第五融合特征图；第三卷积融合层，用于接收第五融合特征图和第四特征图并进行融合，得到第六融合特征图；
34、将第三融合特征图、第四融合特征图、第五融合特征图和第六融合特征图输入至预测层。
35、基于上述训练方法的进一步改进，预测层包括第一预测层、第二预测层、第三预测层和第四预测层，用于分别接收第三融合特征图、第四融合特征图、第五融合特征图和第六融合特征图，并根据各自的融合特征图得到第一预测结果、第二预测结果、第三预测结果和第四预测结果；
36、预测层还包括平均输出层，平均输出层用于接收第一预测结果、第二预测结果、第三预测结果和第四预测结果，并确定图像目标检测模型的预测结果。
37、基于上述训练方法的进一步改进，所述图像目标检测模型预测二维包围框的损失函数为：
38、
<本文档来自技高网...【技术保护点】
1.一种图像目标检测模型的训练方法，其特征在于，所述训练方法包括：
2.根据权利要求1所述的训练方法，其特征在于，通过以下任意一种投影方法对CT重建图像进行第一预设视角的投影：
3.根据权利要求2所述的训练方法，其特征在于，所述第一预设视角包括XY、XZ和YZ三个方向。
4.根据权利要求1所述的训练方法，其特征在于，所述图像目标检测模型包括特征提取层、特征融合层和预测层；
5.根据权利要求4所述的训练方法，其特征在于，所述特征提取层包括依次连接的第一卷积模块、第一特征提取层、第二特征提取层、第三特征提取层和第四特征提取层；
6.根据权利要求5所述的训练方法，其特征在于，第一特征提取层、第二特征提取层和第三特征提取层均包括依次连接的第二卷积模块和第一残差卷积模块；第四特征提取层包括依次连接的第二卷积模块、第一残差卷积模块、空间通道注意力模块和融合模块；
7.根据权利要求6所述的训练方法，其特征在于，空间通道注意力模块包括依次连接的通道注意力模块和空间注意力模块；
8.根据权利要求4所述的训练方法，其
9.根据权利要求8所述的训练方法，其特征在于，预测层包括第一预测层、第二预测层、第三预测层和第四预测层，用于分别接收第三融合特征图、第四融合特征图、第五融合特征图和第六融合特征图，并根据各自的融合特征图得到第一预测结果、第二预测结果、第三预测结果和第四预测结果；
10.根据权利要求1所述的训练方法，其特征在于，所述图像目标检测模型预测二维包围框的损失函数为：
...【技术特征摘要】
1.一种图像目标检测模型的训练方法，其特征在于，所述训练方法包括：
2.根据权利要求1所述的训练方法，其特征在于，通过以下任意一种投影方法对ct重建图像进行第一预设视角的投影：
3.根据权利要求2所述的训练方法，其特征在于，所述第一预设视角包括xy、xz和yz三个方向。
4.根据权利要求1所述的训练方法，其特征在于，所述图像目标检测模型包括特征提取层、特征融合层和预测层；
5.根据权利要求4所述的训练方法，其特征在于，所述特征提取层包括依次连接的第一卷积模块、第一特征提取层、第二特征提取层、第三特征提取层和第四特征提取层；
6.根据权利要求5所述的训练方法，其特征在于，第一特征提取层、第二特征提取层和第三特征提取层均包括依次连接的第二卷积模块和第一残差卷积模块；第四特征提取层包括依次连接的第二卷积模块、第一残差卷积模块、空间...
【专利技术属性】
技术研发人员：乔建森，张文杰，郑维红，徐圆飞，李保磊，
申请(专利权)人：北京航星机器制造有限公司，
类型：发明
国别省市：
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。