【技术实现步骤摘要】
本专利技术涉及x光违禁品检测的，尤其是指一种基于改进fcos网络的x光安检双视角检测方法。
技术介绍
1、x光安检技术在公共交通场所和物流快递等领域的安全检查中发挥着重要作用。然而，目前大部分安检工作仍然依赖于人工操作，这容易受到各种不稳定因素的影响，导致效率低且容易漏检或误检违禁品。因此，基于深度学习的x光安检图像检测方法具有极大的潜在价值。然而，x光安检图像存在着诸如物品堆叠、背景杂乱和违禁品多尺度等问题，这给检测工作带来了严重的干扰，成为当前x光安检技术发展的瓶颈之一。
2、在此背景下，引入双视角检测成为了解决x光安检图像干扰的一种新方法。通过利用多个视角获取的x光图像，可以更全面地观察被检物体的各个方面，从而提高检测准确性。双视角检测不仅能够减轻图像堆叠和背景杂乱带来的影响，还能够弥补单一视角检测可能存在的盲区，进一步提升检测性能。
3、现有的x光安检图像检测方法主要采用深度学习算法，包括双阶段或单阶段检测算法。这些算法通常首先采集行李包裹的x光安检图片，并对图像进行预处理，包括色彩空间转换、尺寸调整等。然后，通过人工标注的方式为图像添加物品标签信息，构建安检数据集。接着，将数据集分为训练集和测试集，将训练集输入到深度学习网络中进行训练，以得到检测模型。最后，使用测试集验证网络的检测性能。
4、然而，传统的深度学习算法主要针对可见光谱图像设计，不能直接应用于x光安检图像。x光安检图像的成像原理与可见光谱图像存在明显差异，因此传统的检测算法往往面临噪声大、边缘模糊、背景复杂和物品堆叠等问
5、因此，针对现有x光安检图像检测中存在的问题，需要设计面向违禁品安检的新型深度识别网络，结合双视角检测技术。这种新型网络能够更好地利用多个视角的信息，克服x光安检图像的干扰，提高检测准确性和效率，从而更好地满足安检工作的需求。
技术实现思路
1、本专利技术主要是针对现有技术对于多对象堆叠的x光图像检测精度不高以及单视角检测利用图像信息不充分的问题，提出了一种基于改进fcos网络的x光安检双视角检测方法，可实现x光图像的快速准确检测，降低工作成本，提高检测效率和智能安检系统的检测精度。
2、为了实现上述目的，本专利技术提供的技术方案为：基于改进fcos网络的x光安检双视角检测方法，该方法是基于改进fcos网络实现双视角x光安检中违禁品的精准检测，fcos网络的改进在于新增了图像编码器、hsv引导编码器和多尺度融合编码器，图像编码器将输入的x光俯视图和x光侧视图的色彩空间由rgb转为hsv再进行特征提取和融合，用于提高fcos网络对于待检测目标的识别敏感度；hsv引导编码器通过将图像编码器提取到的hsv引导特征与输入的原始x光俯视图和侧视图分别进行融合，降低x光图像中背景的混叠干扰和提高fcos网络对于违禁品的识别能力；多尺度融合编码器用于提取俯视角和侧视角的多尺度特征，并将两个视角的多尺度特征进行融合，增强fcos网络对于不同尺寸待检测目标的识别能力；
3、所述x光安检双视角检测方法的具体实施，包括：
4、采集传输带上待检测对象的x光俯视图和x光侧视图；
5、利用已训练好的改进fcos网络对x光俯视图和x光侧视图进行以下处理：
6、将x光俯视图和x光侧视图输入图像编码器先进行色彩空间变换，得到俯视角hsv图像t和侧视角hsv图像s，将俯视角hsv图像t和侧视角hsv图像s进行特征提取并融合，得到hsv引导特征e；
7、由hsv引导编码器将hsv引导特征e与x光俯视图进行特征融合和编码，得到俯视角引导特征g；将hsv引导特征e与x光侧视图进行特征融合和编码，得到侧视角引导特征b；
8、由多尺度融合编码器对俯视角引导特征g和侧视角引导特征b进行特征提取和融合，得到全局多尺度特征m；
9、将全局多尺度特征m输入到改进fcos网络的特征提取主干网络，得到主干特征，再将主干特征输入到改进fcos网络的预测模块进行目标的定位及分类，最终输出检测信息并标注在x光图像中。
10、进一步，采集x光俯视图和x光侧视图包括以下操作：
11、将待检测对象置于托盘中，托盘由传输带运至检测区时，多视角x光射线仪通过对象正上方和传输带行进方向右侧面发射x光射线束对待检测对象进行扫描，x光射线束穿过待检测对象后到达接收器，通过计算机程序渲染得到待检测对象的x光俯视图和x光侧视图。
12、进一步，所述改进fcos网络包括：
13、图像编码器，划分有用于根据x光俯视图和x光侧视图计算俯视角hsv图像和侧视角hsv图像的色彩空间转换模块和用于根据俯视角hsv图像和侧视角hsv图像计算hsv引导特征的图像编码模块；
14、hsv引导编码器，划分有用于融合hsv引导特征与x光俯视图并编码计算俯视角引导特征的俯视角引导模块和用于融合hsv引导特征与x光侧视图并编码计算侧视角引导特征的侧视角引导模块；
15、多尺度融合编码器，划分有用于根据俯视角引导特征提取俯视角多尺度特征的俯视角多尺度模块、用于根据侧视角引导特征提取侧视角多尺度特征的侧视角多尺度模块和用于根据俯视角多尺度特征和侧视角多尺度特征计算全局多尺度特征的交叉注意力模块；
16、特征提取主干网络，由5个计算层和残差结构组成；
17、预测模块，由4个线性卷积层、relu激活函数和group normalization组成，使用group normalization能有效增加网络鲁棒性。
18、进一步，所述色彩空间转换模块通过色彩空间变换将输入的x光俯视图变换为俯视角hsv图像，将输入的x光侧视图变换为侧视角hsv图像，计算过程如下：
19、t＝trans(x)
20、s＝trans(y)
21、式中，x为输入的x光俯视图，y为输入的x光侧视图，trans()表示色彩空间变换将rgb通道变换为hsv通道，t为俯视角hsv图像，s为侧视角hsv图像；
22、所述图像编码模块由多个卷积层、门控卷积层、池化层、批处理归一化层和非线性激活层组成，将色彩空间转换模块输出的俯视角hsv图像t和侧视角hsv图像s作为输入，通过计算最终得到hsv引导特征e，其计算过程如下：
23、fac＝σ(wac·s+bac)
24、e＝σ(we·t+ue·(fac⊙avgpool(t))+be)
25、式中，wac和we表示卷积核参数，bac和be表示偏移距离，σ表示非线性激活，fac表示门控特征图，ue表示门控卷积核的门控核，⊙表示逐元素相乘，avgpool表示平均池化操作，该hsv引导特征e提高了fcos网络对于违禁品的识别敏感度。
26、进一步，所述俯视角引导模块由多个卷积层、门控卷积层、批处理归一化层和非线性激活层组成，得到hsv引导特征后，俯视角引导模块输入hsv引导特征和本文档来自技高网...
【技术保护点】
1.基于改进FCOS网络的X光安检双视角检测方法，其特征在于，该方法是基于改进FCOS网络实现双视角X光安检中违禁品的精准检测，FCOS网络的改进在于新增了图像编码器、HSV引导编码器和多尺度融合编码器，图像编码器将输入的X光俯视图和X光侧视图的色彩空间由RGB转为HSV再进行特征提取和融合，用于提高FCOS网络对于待检测目标的识别敏感度；HSV引导编码器通过将图像编码器提取到的HSV引导特征与输入的原始X光俯视图和侧视图分别进行融合，降低X光图像中背景的混叠干扰和提高FCOS网络对于违禁品的识别能力；多尺度融合编码器用于提取俯视角和侧视角的多尺度特征，并将两个视角的多尺度特征进行融合，增强FCOS网络对于不同尺寸待检测目标的识别能力；
2.根据权利要求1所述的基于改进FCOS网络的X光安检双视角检测方法，其特征在于，采集X光俯视图和X光侧视图包括以下操作：
3.根据权利要求1所述的基于改进FCOS网络的X光安检双视角检测方法，其特征在于，所述改进FCOS网络包括：
4.根据权利要求3所述的基于改进FCOS网络的X光安检双视角检测方法，其特征在
5.根据权利要求3所述的基于改进FCOS网络的X光安检双视角检测方法，其特征在于，所述俯视角引导模块由多个卷积层、门控卷积层、批处理归一化层和非线性激活层组成，得到HSV引导特征后，俯视角引导模块输入HSV引导特征和X光俯视图，经过计算最终得到俯视角引导特征G，计算如下：
6.根据权利要求3所述的基于改进FCOS网络的X光安检双视角检测方法，其特征在于，所述俯视角多尺度模块将将俯视角引导特征G作为输入通过多层卷积层提取俯视角多尺度特征I，其计算表示如下：
...【技术特征摘要】
1.基于改进fcos网络的x光安检双视角检测方法，其特征在于，该方法是基于改进fcos网络实现双视角x光安检中违禁品的精准检测，fcos网络的改进在于新增了图像编码器、hsv引导编码器和多尺度融合编码器，图像编码器将输入的x光俯视图和x光侧视图的色彩空间由rgb转为hsv再进行特征提取和融合，用于提高fcos网络对于待检测目标的识别敏感度；hsv引导编码器通过将图像编码器提取到的hsv引导特征与输入的原始x光俯视图和侧视图分别进行融合，降低x光图像中背景的混叠干扰和提高fcos网络对于违禁品的识别能力；多尺度融合编码器用于提取俯视角和侧视角的多尺度特征，并将两个视角的多尺度特征进行融合，增强fcos网络对于不同尺寸待检测目标的识别能力；
2.根据权利要求1所述的基于改进fcos网络的x光安检双视角检测方法，其特征在于，采集x光俯视图和x光侧视图包括以下操作：
3.根据权利要...
【专利技术属性】
技术研发人员：高红霞，林润泽，唐灏霖，黄耀斌，李筱萌，
申请(专利权)人：华南理工大学，
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。