毫米波雷达安检仪设备成像及模型训练方法、装置、设备及介质制造方法及图纸

本申请实施例提供了毫米波雷达安检仪设备成像及模型训练方法、装置、设备及介质，基于毫米波雷达对第一样本被检对象进行扫描得到的样本毫米波原始数据和与其对应的样本雷达三维体素数据对AI成像网络进行训练；基于AI成像网络输出的样本预测雷达三维体素数据和第一样本被检对象的样本异物标注增强图像对AI增强网络进行训练；后续再利用毫米波雷达对第二样本被检对象进行扫描得到的样本毫米波原始数据和第二样本被检对象的样本异物标注增强图像对AI成像网络和AI增强网络进行训练，得到训练后的毫米波雷达安检仪设备成像模型。通过采用分级预训练+整体微调的训练方法，降低网络训练难度，加快网络收敛，减少训练资源消耗。

【技术实现步骤摘要】

本申请涉及毫米波雷达安检仪设备成像，特别是涉及毫米波雷达安检仪设备成像及模型训练方法、装置、设备及介质。

技术介绍

1、随着互联网技术的快速发展，检测设备越来越智能化，目前常用的检测设备为毫米波检测设备，毫米波检测设备可以利用毫米波的穿透性对被检对象进行检测。但是，毫米波检测设备采集的毫米波原始数据并不能够直接应用于对象检测，需要先利用傅里叶变换对毫米波原始数据进行处理，得到毫米波图像，后续才能利用毫米波图像进行对象检测。

技术实现思路

1、本申请实施例的目的在于提供一种毫米波雷达安检仪设备成像及模型训练方法、装置、设备及介质，以实现基于毫米波原始数据得到智能增强图像，从而便于后续的对象检测。

2、具体技术方案如下：

3、第一方面，本申请实施例提供了一种毫米波雷达安检仪设备成像模型训练方法，所述方法包括：

4、获取毫米波雷达对第一样本被检对象进行扫描得到的第一样本毫米波原始数据、所述第一样本毫米波原始数据对应的第一样本雷达三维体素数据和待训练的毫米波雷达安检仪设备成像模型，本文档来自技高网...

【技术保护点】

1.一种毫米波雷达安检仪设备成像模型训练方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述将所述第一样本毫米波原始数据作为输入、所述第一样本雷达三维体素数据作为标签，对所述AI成像网络进行训练，包括：

3.根据权利要求2所述的方法，其特征在于，所述AI成像网络为全卷积网络，所述全卷积网络包括k层卷积层，所述将所述第一样本毫米波原始数据输入到所述AI成像网络中，得到第一样本预测雷达三维体素数据，包括：

4.根据权利要求2所述的方法，其特征在于，所述根据所述第一样本预测雷达三维体素数据和所述第一样本雷达三维体素数据确定所述AI...

【技术特征摘要】

1.一种毫米波雷达安检仪设备成像模型训练方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述将所述第一样本毫米波原始数据作为输入、所述第一样本雷达三维体素数据作为标签，对所述ai成像网络进行训练，包括：

3.根据权利要求2所述的方法，其特征在于，所述ai成像网络为全卷积网络，所述全卷积网络包括k层卷积层，所述将所述第一样本毫米波原始数据输入到所述ai成像网络中，得到第一样本预测雷达三维体素数据，包括：

4.根据权利要求2所述的方法，其特征在于，所述根据所述第一样本预测雷达三维体素数据和所述第一样本雷达三维体素数据确定所述ai成像网络的损失，包括：

5.根据权利要求1所述的方法，其特征在于，所述将所述第一样本预测雷达三维体素数据作为输入、所述第一样本异物标注增强图像作为标签，对所述ai增强网络进行训练，包括：

6.根据权利要求5所述的方法，其特征在于，所述根据所述第一样本预测异物标注增强图像和所述第一样本异物标注增强图像确定所述ai增强网络的损失，包括：

7.根据权利要求1所述的方法，其特征在于，所述将所述第二样本毫米波原始数据作为输入、所述第二样本异物标注增强图像作为标签，对所述ai成像网络和所述ai增强网络进行训练，得到训练后的毫米波雷达安检仪设备成像模型，包括：

8.一种毫米波雷达安检仪设备成像方法，其特征在于，所述方法包括：

9.根据权利要求8所述的方法，其特征在于，所述ai增强网络包括图像分割子网络及注意力机制子网络；

10.根据权利要求8或9所述的方法，其特征在于，所述ai成像网...

【专利技术属性】
技术研发人员：徐一兼，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：