【技术实现步骤摘要】
本专利技术属于图像处理，更进一步涉及图像识别中的一种基于深度学习模型的x光涉烟包裹检测方法。本专利技术可用于检测包裹中是否存在烟草制品。
技术介绍
1、随着科技的不断进步，在复杂的背景下高效、准确地识别烟草制品仍然是一个极具挑战性的任务。涉烟包裹x光筛查是一种人工检查程序，其中x射线成像系统捕获行李包内的物品的扫描图像，使操作员能够确保其中不含任何隐藏的违禁物品。传统的目标筛查过程依赖于人类对x射线成像的推断，同时烟草制品在形状、颜色、包装等方面差异巨大，使操作员更难快速定位它们。另一方面，针对涉烟包裹的x光检测识别研究较少，由于非法烟草制品的制作工艺日益精细化，它们的形状可能会与合法物品相似，如香烟盒与其他小型盒子。这种相似性使得传统的形状识别技术在实际应用中可能出现误判的情况，将合法物品误判为烟草制品，所以现有的目标检测网络并不适用于检测包裹中是否存在烟草制品的识别场景。
2、广东邦华智能安防科技有限公司在其申请的专利文献“基于深度学习模型的物流包裹违禁品识别方法”(专利申请号cn 202211392547.1，申请公布...
【技术保护点】
1.一种基于深度学习模型的X光涉烟包裹检测方法，其特征在于，生成X光烟草目标的训练集，构建由基于注意力机制的特征提取模块和多尺度信息融合的特征增强模块组成的涉烟包裹检测网络，该检测方法的步骤包括如下：
2.根据权利要求1所述的基于深度学习模型的X光涉烟包裹检测方法，其特征在于，步骤1中所述生成X光烟草目标训练集指的是：生成至少1000张分辨率的X光涉烟包裹图像样本集，每张X光涉烟包裹图像中含有一个包裹目标，该包裹中至少包含一条十盒装的香烟；采用基于CNN自监督学习的方法，对每个样本依次进行去噪、去模糊处理后，使用外接矩形框对每张图像中的条装香烟所在位置的各...
【技术特征摘要】
1.一种基于深度学习模型的x光涉烟包裹检测方法，其特征在于，生成x光烟草目标的训练集，构建由基于注意力机制的特征提取模块和多尺度信息融合的特征增强模块组成的涉烟包裹检测网络，该检测方法的步骤包括如下：
2.根据权利要求1所述的基于深度学习模型的x光涉烟包裹检测方法，其特征在于，步骤1中所述生成x光烟草目标训练集指的是：生成至少1000张分辨率的x光涉烟包裹图像样本集，每张x光涉烟包裹图像中含有一个包裹目标，该包裹中至少包含一条十盒装的香烟；采用基于cnn自监督学习的方法，对每个样本依次进行去噪、去模糊处理后，使用外接矩形框对每张图像中的条装香烟所在位置的各顶点坐标进行标注，生成该条装香烟对应的标注文件；将图像样本集与所有标注文件组成训练集。
3.根据权利要求1所述的基于深度学习模型的x光涉烟包裹检测方法，其特征在于，x光涉烟包裹图像样本集包括三类：第一类样本图像分别包括，包裹中横置、竖放、斜放条装香烟的样本集；第二类样本图像的包裹中条状香烟被其他物品部分遮挡的图像或包裹中的条装香烟与其他物品完全重叠的样本图像；第三类样本图像包括不同尺寸涉烟包裹的样本图像。
4.根据权利要求1所述的基于深度学习模型的x光涉烟包裹检测方法，其特征在于，步骤2中所述特征提取模块的结构依次由分组操作层，水平自适应池化层，垂直自适应池化层，第一卷积层，第二卷积层，组归一化层以及softmax层级联组成；将分组操作层分组的个数设置为32；将水平自适应池化层，垂直自适应池化层的池化核大小均设置为1×1；将第一、第二卷积层的卷积核个数均设置为1，卷积核大小依次为1×1和3×3；将组归一化层的组数设置为32；softmax层采用sigmoid激活函数实现。
5.根据权利要求1所述的基于深度学习模型的x光涉烟包裹检测方法，其特征在于，步骤2中所述特征加权模块是由两条支路并联组成：第一条支路的结构依次由第一平均池化层，sigmoid激活层，第一重参数化层，第一组归一化层，第二平均池化层，softmax层，sigmoid层以及第二重参数化层级联组成；设...
【专利技术属性】
技术研发人员：高宝红，吴家骥，朱汉宁，乔浪超，马彦泽，冯文涛，屈檀，陈少宏，林泽毅，
申请(专利权)人：中国烟草总公司陕西省公司，
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。