基于深度学习的多视角安检图像自动识别方法技术

本发明专利技术公开了一种基于深度学习的多视角安检图像自动识别方法，将混装有已知各类危险品和非危险品的箱包分别通过安装有多视角探头的安检设备，得到每个箱包多个视角的安检图像并进行标注，得到数据集；然后通过训练集对网络模型进行训练并将网络模型部署在安检设备中。实际检测时，将采集的多视角安检图像输入网络模型，图像在网络模型中依次通过预处理、特征提取、视角变换、特征融合处理，最后将融合后的特征输入分类器进行分类，即得到待检测物体是否含有危险品，如有危险品则判断危险品的类别。本发明专利技术能够解决现有技术因安检角度存在检测盲区导致的错漏检以及人工检查对人员依赖较大及由此带来的系列问题。

【技术实现步骤摘要】

本专利技术涉及安检图像识别技术改进，具体涉及基于深度学习的多视角安检图像自动识别方法，属于安检。

技术介绍

1、随着检测技术进步及公共安全意识提高，安检技术广泛应用于各种重要场所及交通运输枢纽中，机场、车站、政府机构、大型活动场所等公共场合都需要有效的安检措施来预防潜在威胁，其中安检对象通常是人员及其携带物品。将人员携带的箱包、包裹等物品送入传送带通过检查通道的探查后，会形成安检物品的x射线成像。

2、在现有技术中，安检设备的成像是通过固定在检查通道里的一个或者两个相机来进行图像采集而成。在这种情况下，依然存在由于堆叠或是摆放角度原因使物品处于相机检测盲区的情况，导致部分危险品错检漏检，从而影响公共交通运输及群众的生命财产安全。另外，现有的安检模式大部分是人工检查，即由安检人员逐件查看x射线成像图像，人工判断是否存在违禁品。人工检查方式存在以下不足：1、对检查人员的经验依赖较大，不同检查人员的判断识别水平有差异；而且当人工长时间高强度工作时，容易导致用眼疲劳而引发错误判断。2、在交通运输繁忙、人流量较大时，人工检查可能存在忙不过来的情形，导致漏本文档来自技高网...

【技术保护点】

1.基于深度学习的多视角安检图像自动识别方法，其特征在于：按如下步骤进行，

2.根据权利要求1所述的基于深度学习的多视角安检图像自动识别方法，其特征在于：步骤3)中卷积神经网络初始化设置的参数通过预训练得到，预训练利用ViT模型进行；预训练时，设定损失函数阈值以及最大训练次数，并初始化训练参数；通过预训练得到卷积神经网络初始化参数。

3.根据权利要求1所述的基于深度学习的多视角安检图像自动识别方法，其特征在于：步骤5)中特征融合的步骤为，

4.根据权利要求1所述的基于深度学习的多视角安检图像自动识别方法，其特征在于：步骤6)中分类器由全连接层和Soft...

【技术特征摘要】

1.基于深度学习的多视角安检图像自动识别方法，其特征在于：按如下步骤进行，

2.根据权利要求1所述的基于深度学习的多视角安检图像自动识别方法，其特征在于：步骤3)中卷积神经网络初始化设置的参数通过预训练得到，预训练利用vit模型进行；预训练时，设定损失函数阈值以及最大训练次数，并初始化训练参数；通过预训练得到卷积神经网络初始化参数。

3.根据权利要求1所述的基于深度学习的多视角安检图像自动识别方法，其特征在于：步骤5)中特征融合的步骤为，

4.根据权利要求1所述的基于深度学习的多视角安检图像自动识别方法，其特征在于：步骤6)中分类器由全连接层和softmax层构成，全连接层由zx＝(wx)thx表示，其中zx表示全连接层的输出，即每个检测类别的回归值，hx表示步骤5)的输出矩阵展平到一维数组后得到的特征向量，wx表示全连接层的权重矩阵；softmax层表示为其中k是检测类别总数，zi是全连接层输出矩阵zx中第i个类别的数值，pi是检测样本向量z属于第i个类别的概率。

5.根据权利要求1所述的基于深度学习的多视角安检图像自动识别方法，其特征在于：步骤3)中采用resnet与fpn结合的卷积神经网络模型；输入数据包括批大小、连续帧数、每帧中的图像数量、图像通道数、图像长度、图像宽度；resnet包括初始卷...

【专利技术属性】
技术研发人员：冯鹏，朱尧，刘俊杰，
申请(专利权)人：重庆大学，
类型：发明
国别省市：