CN108198227A - 基于x光安检机图像的违禁品智能识别方法 - Google Patents

Abstract

本发明公开了一种基于X光安检机图像的违禁品智能识别方法，包括建立用于训练的数据集；训练统一的违禁品识别模型，包括形状分类模型和颜色分类模型；利用形状分类模型检测待检测图片，输出形状检测结果；根据检测结果经过计算，输入颜色分类模型，输出颜色检测结果；使用形状检测结果和颜色检测结果，计算存在危险物的概率及位置；对比可检测危险物的模型和待检测图像，标注危险物种类并输出。本发明由机器智能识别代替人工实现危险物的识别，节省了人工成本，实现最大利润化。

Description

基于X光安检机图像的违禁品智能识别方法

技术领域

本发明涉及一种基于X光安检机图像的违禁品智能识别方法。

背景技术

X光安检仪又称安检机、行李安检仪，是借助于输送带将被检查行李送入X射线检查通道而完成检查的电子设备，主要设置在地铁、机场、博物馆、政府机关等需要安检的场所。其检测原理：行李进入X射线检查通道，将阻挡包裹检测传感器，检测信号被送往系统控制部分，产生X射线触发信号，触发X射线源发射X射线束。一束经过准直器的扇形X射线束穿过输送带上的被检物品，X射线被被检物品吸收，最后轰击安装在通道内的双能量半导体探测器。探测器把X射线转变为信号，这些很弱的信号被放大，并送到信号处理机箱做进一步处理。安检机根据收到的信号，在荧屏上呈现不同颜色的影像。简单来说，橙色代表有机物，例如食品、塑料等；书本、陶瓷等显示为绿色；金属则显示为蓝色。

目前高准确率的图像识别多用卷积神经网络实现，卷积神经网络与普通神经网络的区别在于，卷积神经网络包含了一个由卷积层和子采样层构成的特征抽取器。在卷积神经网络的卷积层中，一个神经元只与部分邻层神经元连接。在CNN的一个卷积层中，通常包含若干个特征平面(featureMap)，每个特征平面由一些矩形排列的神经元组成，同一特征平面的神经元共享权值，这里共享的权值就是卷积核。卷积核一般以随机小数矩阵的形式初始化，在网络的训练过程中卷积核将学习得到合理的权值。共享权值(卷积核)带来的直接好处是减少网络各层之间的连接，同时又降低了过拟合的风险。池化(pooling)，通常有均值池化(mean pooling)和最大值池化(max pooling)两种形式。池化可以看作一种特殊的卷积过程。卷积和池化大大简化了模型复杂度，减少了模型的参数。

目前对于安检机生成的图像都是有安检员来查看，存在如下缺点：

安检员需要训练，只有经过严格训练的安检员才能快速识别违禁品；

每台安检机都需要配备1-2个安检员来查看图像，费时费力；

安检机设置场所多为24小时开放场所，就需要安检员一直查看安检机的图像，必然会造成疲劳，人在疲劳的情况下注意力和判断力都会减弱，会影响对违禁品的判别，甚至会影响公共安全。

综上所述，当前基于卷积神经网络训练的模型有一定局限性，违禁品多种多样，场景也复杂多变，这就需要设计的卷积神经网络模型的层数要足够多，训练集样本数要足够大，才能保证准确率。

发明内容

本发明为了解决上述问题，提出了一种基于X光安检机图像的违禁品智能识别方法，本发明通过机器识别来实现自动化，通过统一模型来实现多种违禁品的通用识别。

为了实现上述目的，本发明采用如下技术方案：

一种基于X光安检机图像的违禁品智能识别方法，包括以下步骤：

建立用于训练的数据集；

训练统一的违禁品识别模型，包括形状分类模型和颜色分类模型；

利用形状分类模型检测待检测图片，输出形状检测结果；

根据检测结果经过计算，输入颜色分类模型，输出颜色检测结果；

使用形状检测结果和颜色检测结果，计算存在危险物的概率及位置；

对比可检测危险物的模型和待检测图像，标注危险物种类并输出。

进一步的，将形状模型和颜色模型统一到一个模型中实现违禁品的识别，将形状模型输出的数据处理后输入到颜色模型中，将颜色模型输出的数据和形状模型输出的数据进行计算，得出区域和违禁品的概率。

进一步的，建立用于训练的训练集的具体过程包括：

对收集的原始X光安检机形成的图片进行裁剪，以图片中违禁品为中心裁剪成矩形，矩形框标注违禁品位置，并进行分类和利用文件描述；

读取裁切后的图片，每张图片随机读取N个像素的Lab颜色空间上的值，输出到描述文件。

更进一步的，分类按照刀状、枪支状、圆柱状、瓶状和球状。

更进一步的，描述文件的内容包括文件名、违禁品矩形框左上角坐标和违禁品矩形框右下角坐标。

进一步的，训练形状分类模型包括以下步骤：

构建卷积神经网络结构包括输入层、卷积层、激活层、池化层、全连接层和输出层；

输入层为训练集，激活层采用Relu函数，输出层采用softmax函数；

导入建立的训练集进行训练，输出训练后的模型。

进一步的，在颜色空间下采用最近邻分类算法进行分类。

进一步的，训练颜色分类模型包括以下步骤：

读取数据进行Z-score归一化处理；

按照设定比例分割训练集，一部分为验证集，另一部分为训练集；

距离度量采用Lab颜色空间的色差距离；

使用验证集调优K值。

进一步的，统一模型的使用步骤包括：

读取待检测图片，输入到形状分类模型中，输出结果为多组数据，每组数数据代表在某位置检测到形状，每组数据中包括此形状的位置坐标和可能为每种形状的概率；

读取每一组数据中的坐标位置，计算其颜色在Lab各分量上的平均值，输入到颜色分类器中，输出最可能的颜色；

结合形状分类器中输出的每组数据取概率最高的两种图形的概率和颜色分类计属于违禁品的概率。

进一步的，根据输出的违禁品概率，按照概率高低依次设置告警级别输出可能的违禁品种类和告警级别。以提示安检员做针对性的处理。

告警级别包括但不限于必须核查、一般性核查、建议人工核查和正常。

与现有技术相比，本发明的有益效果为：

1、本发明由机器智能识别代替人工实现危险物的识别，节省了人工成本，实现最大利润化。

2、本发明机器智能识别不会有人工识别出现的疲劳以致错误识别，某些情况下的识别率还会比人工高，可降低安全隐患，维护公共安全。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为本发明违禁物形状分类模型训练流程图；

图2为本发明违禁物颜色分类模型训练流程图；

图3为本发明违禁物识别模型使用流程图。

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在本发明中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本发明各部件或元件结构关系而确定的关系词，并非特指本发明中任一部件或元件，不能理解为对本发明的限制。

本发明中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本发明中的具体含义，不能理解为对本发明的限制。

一种用于X光安检机图像的危险物智能识别方法，其主要解决的问题是使用机器识别危险物代替人工识别，节省成本。由于机器不会产生疲劳，所以不会有人工识别的局限性。

同时机器识别采用颜色分类模型和形状分类模型，来实现模型的统一，解决传统卷积神经网络模型的局限性，在不需要很深的卷积神经网络和较小的数据量下即可做到快速、准确，增加了安检的效率和准确性。

主要采用了以下技术手段：

建立形状分类模型

根据国家发布的相关法律法规，违禁品的形状大致分为以下几类：刀状(如匕首、管制刀具)，枪支状，圆柱状(如易燃易爆品的盛放装置)，瓶装(如白酒、化妆品)，球状(如烟雾弹、礼花弹)。使用卷积神经网络建立用于识别以上几类图像的模型，其优点是准确率高，对于直接用卷积神经网络来识别违禁品可减少网络模型的深度和训练样本的数量。

建立颜色分类模型

X光安检机生成的图像颜色比较单一，适合使用颜色进行分类。主要颜色有四种橙色、蓝色、绿色和红色，橙色主要为有机物，可能为汽油、化妆品等易燃易爆物品，蓝色主要为金属，可能为管制刀具和枪械一类，绿色为混合物，有可能是爆竹、雷管一类的爆炸物，红色是穿不透的物体呈现的颜色，多为重金属和厚的物体，这种为违禁品的可能性不大。颜色空间描述采用Lab均匀颜色空间，在这种颜色空间中两种颜色的色差ΔC定义为：

此种颜色空间下采用最近邻(kNN，k-NearestNeighbor)分类算法，可以准确区分颜色，没有阈值分类法识别率低，有时甚至无法找到明显区分阈值的问题，也没有SVM在多分类问题下效果不佳的缺点。

建立统一模型

将形状模型和颜色模型统一到一个模型中实现违禁品的识别，将形状模型输出的数据处理后输入到颜色模型中，将颜色模型输出的数据和形状模型输出的数据进行计算，得出哪些区域是何种违禁品的概率。

设置告警级别

因目前的识别算法存在一定几率的误报，所以将告警级别划分：必须核查、一般性核查、建议人工核查、正常。以上划分基于统一模式输出的违禁品概率。这样有利于人工复查的效率，保证违禁品安全检查的准确。

一种基于X光安检机图像的违禁品智能识别方法，包括以下步骤：

a.建立用于训练的数据集；

b.训练统一的违禁品识别模型，包括形状分类模型和颜色分类模型；

c.使用形状分类模型检测待检测图片，输出形状检测结果；

d.使用检测结果经过计算，输入颜色分类模型，输出颜色检测结果；

e.使用形状检测结果和颜色检测结果，计算存在危险物的概率及位置；

d.导入可检测危险物的模型和待检测图像，标注危险物种类并输出；

建立用于训练的训练集包括以下步骤：

a.对收集的原始X光安检机形成的图片进行裁剪，以图片中违禁品为中心裁剪成矩形，按照刀状，枪支状，圆柱状，瓶状或球状进行分类，矩形框标注违禁品位置，并输出描述文件，文件内容格式为“文件名-违禁品矩形框左上角坐标-违禁品矩形框右下角坐标”；

b.读取上述裁切后的图片，每张图片随机读取N个像素的Lab颜色空间上的值，输出到描述文件中，文件内容为“颜色-L分量值-a分量值-b分量值”；

训练形状分类模型包括以下步骤：

a.构建卷积神经网络结构包括输入层、卷积层、激活层、池化层、全连接层和输出层；

b.输入层为训练集，激活层采用Relu函数，输出层采用softmax函数；

c.导入建立的训练集进行训练，输出训练后的模型。

训练颜色分类模型包括以下步骤：

a.读取数据进行Z-score归一化处理，及均值为0，标准差为1；

b.按照8:2分割训练集。20％作为验证集，80％为训练集；

c.距离度量采用Lab颜色空间的色差距离ΔC；

d.使用验证集调优K值；

统一模型的使用步骤包括：

a.读取待检测图片，输入到形状分类模型中，输出结果为多组数据，每组数数据代表在某位置检测到形状，每组数据中包括此形状的位置坐标和可能为每种形状的概率；

b.读取每一组数据中的坐标位置，计算其颜色在Lab各分量上的平均值，输入到颜色分类器中，输出最可能的颜色；

c.结合形状分类器中输出的每组数据取概率最高的两种图形的概率和颜色分类计属于违禁品的概率；

根据输出的违禁品概率，按照概率高低依次告警级别为必须核查、一般性核查、建议人工核查、正常，输出可能的违禁品种类和告警级别，提示安检员做针对性的处理。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于X光安检机图像的违禁品智能识别方法，其特征是：包括以下步骤：

建立用于训练的数据集；

训练统一的违禁品识别模型，包括形状分类模型和颜色分类模型；

利用形状分类模型检测待检测图片，输出形状检测结果；

根据检测结果经过计算，输入颜色分类模型，输出颜色检测结果；

使用形状检测结果和颜色检测结果，计算存在危险物的概率及位置；

对比可检测危险物的模型和待检测图像，标注危险物种类并输出。

2.如权利要求1所述的一种基于X光安检机图像的违禁品智能识别方法，其特征是：将形状模型和颜色模型统一到一个模型中实现违禁品的识别，将形状模型输出的数据处理后输入到颜色模型中，将颜色模型输出的数据和形状模型输出的数据进行计算，得出区域和违禁品的概率。

3.如权利要求1所述的一种基于X光安检机图像的违禁品智能识别方法，其特征是：建立用于训练的训练集的具体过程包括：

对收集的原始X光安检机形成的图片进行裁剪，以图片中违禁品为中心裁剪成矩形，矩形框标注违禁品位置，并进行分类和利用文件描述；

读取裁切后的图片，每张图片随机读取N个像素的Lab颜色空间上的值，输出到描述文件。

4.如权利要求3所述的一种基于X光安检机图像的违禁品智能识别方法，其特征是：分类按照刀状、枪支状、圆柱状、瓶状和球状。

5.如权利要求3所述的一种基于X光安检机图像的违禁品智能识别方法，其特征是：描述文件的内容包括文件名、违禁品矩形框左上角坐标和违禁品矩形框右下角坐标。

6.如权利要求1所述的一种基于X光安检机图像的违禁品智能识别方法，其特征是：训练形状分类模型包括以下步骤：

构建卷积神经网络结构包括输入层、卷积层、激活层、池化层、全连接层和输出层；

输入层为训练集，激活层采用Relu函数，输出层采用softmax函数；

导入建立的训练集进行训练，输出训练后的模型。

7.如权利要求1所述的一种基于X光安检机图像的违禁品智能识别方法，其特征是：在颜色空间下采用最近邻分类算法进行分类。

8.如权利要求7所述的一种基于X光安检机图像的违禁品智能识别方法，其特征是：训练颜色分类模型包括以下步骤：

读取数据进行Z-score归一化处理；

按照设定比例分割训练集，一部分为验证集，另一部分为训练集；

距离度量采用Lab颜色空间的色差距离；

使用验证集调优最近邻分类算法的K值。

9.如权利要求1所述的一种基于X光安检机图像的违禁品智能识别方法，其特征是：统一模型的使用步骤包括：

读取待检测图片，输入到形状分类模型中，输出结果为多组数据，每组数数据代表在某位置检测到形状，每组数据中包括此形状的位置坐标和可能为每种形状的概率；

读取每一组数据中的坐标位置，计算其颜色在Lab各分量上的平均值，输入到颜色分类器中，输出最可能的颜色；

结合形状分类器中输出的每组数据取概率最高的两种图形的概率和颜色分类计属于违禁品的概率。

10.如权利要求1所述的一种基于X光安检机图像的违禁品智能识别方法，其特征是：根据输出的违禁品概率，按照概率高低依次设置告警级别输出可能的违禁品种类和告警级别。以提示安检员做针对性的处理。