CN109001833A - 一种基于深度学习的太赫兹危险品检测方法 - Google Patents

Abstract

一种基于深度学习的太赫兹危险品检测方法，属于危险品检测方法领域，其特征在于：构建危险品样本图像数据库，将图像处理成适合训练和测试的相同大小灰度图像；训练CNN神经网络模型，生成最终网络模型并进行测试；进行危险品检测，采用太赫兹设备采集待检测物体的太赫兹图像，用CNN神经网络模型对采集的待检测物体的太赫兹图像进行检测，获得检测结果；同时将采集到的待检测物体的太赫兹图像加入危险品样本图像数据库。通过CNN神经网络直接对样本图像进行训练和学习，降低了选择网络参数的复杂度，能够直接学习样本图像数据的显著特征，因此能够解决图像分类、模式识别；提高安检人员的工作效率，减少工作人员的工作量，适用于较大人流的安检。

Description

一种基于深度学习的太赫兹危险品检测方法

技术领域

本发明属于危险品检测方法领域，尤其涉及一种基于深度学习的太赫兹危险品检测方法。

背景技术

极端组织和极端人员对公共安全的严重威胁成为了各国安全部门面临的严峻难题。我国的公共安全形势同样不容乐观，也出现了诸多以报复社会为目的的重大公共安全事件。公共安全是涉及人民群众生命、健康、财产安全切身利益的重大问题。各类公共安全事件更，呈现出突发性、隐蔽性、复杂性等许多新特点。在重要的公共场所和公共交通场站对人员进行安全检查是预防公共安全事件最重要的手段之一，目前通用的安检方式(金属安检门配合手持式金属探测器、人工手检)效率低下、检测物品范围下、侵犯隐私多种弊端，在人流量相对较大的场合更是形同虚设。

首先，在太赫兹波段，很多分子存在1THz以上的特殊吸收频率，因此利用太赫兹光谱可对物质种类和成分进行鉴别，可用于安检过程中爆炸物、毒品、生化等危险品的检测；其次，太赫兹辐射对于很多非金属物、非极性物质，如衣物、纸箱、塑料等常见遮挡物及包装材料具有很强的穿透力，可直接探测到包裹或覆盖的危险品。太赫兹辐射的光子能量低，没有X射线的致电离性质，不会对物品及人员造成损害，非常适用于人体安检。

目前所使用的危险品检测系统为驻足式检测系统，例如金属探测器和X光检测仪等，此类系统通常需要安保人员对可疑人员逐一进行检测，当人流量过大，或需要检测较大范围，或同时对多目标进行检测时，该类系统由于检测危险品的效率低下。传统的机器学习模型通常仅含一层的非线性变换，其共性在于仅含单个将原始输入信号转换到特定问题空间特征的简单结构。现有的检测方法，对于太赫兹图像的危险品目标检测漏检率的错误率较高，不适合太赫兹图像中的危险品的目标检测。

发明内容

本发明旨在解决上述问题，提供一种基于深度学习的太赫兹危险品检测方法。

本发明所述的基于深度学习的太赫兹危险品检测方法，方法如下：

构建危险品样本图像数据库，将危险品进行分类，搜集并标记对应的危险品；同时根据太赫兹检测危险品得到的太赫兹图像，搜集危险品的样品库，添加负样本图像，然将图像处理成适合训练和测试的相同大小灰度图像；

训练CNN神经网络模型，设计和测试CNN网络模型，然后调整参数后对样本图像重新分组，交叉验证实验结果，最后生成最终网络模型并进行测试；

进行危险品检测，采用太赫兹设备采集待检测物体的太赫兹图像，用CNN神经网络模型对采集的待检测物体的太赫兹图像进行检测，获得检测结果；同时将采集到的待检测物体的太赫兹图像加入危险品样本图像数据库。

本发明所述的基于深度学习的太赫兹危险品检测方法，所述构件危险品样本图像数据库的方法如下：

拍摄搜集的危险品，将危险品藏匿到待检测物体不同的区域，进行图像拍摄，采集训练的正样本图像和负样本图像；

将所得正样本图像和负样本图像裁剪进行归一化，归一化成不同规格大小的样本图像；

将归一化的样本图像进行分组，并添加对应的标签，正样本图像的标签是1，负样本图像的标签是0；

将标记好的正样本图像和负样本图像加入样本图像数据库中。

本发明所述的基于深度学习的太赫兹危险品检测方法，所述训练CNN神经网络模型的方法如下：

设计CNN神经网络，包括有输入层、卷积层和采样层，分别为：

输入层：输入层没有输入值，只有一个输出向量，这个向量的大小就是样本图像图片的大小；

卷积层：卷积层的输入或者来源于输入层，或者来源于采样层，卷积层的每一个特征图都有一个大小相同的卷积核；

采样层：采样层是对上一层的特征图进行一个采样处理，即对上一层特征图的相邻小区域进行聚合统计；

CNN神经网络参数优化，使用卷积核和可加偏置对原始图像进行卷积运算得到层特征图；然后将卷积层特征图中像素求和，并添加权值和偏置，通过Sigmoid激活函数生成采样层特征图；用同样的方法计算后续的采样层和卷积层；最终将这些计算数值相连，得到输出向量；

分组训练CNN神经网络，在CNN训练过程中，将所有样本图像进行分组，每训练一组样本图像调整一次网络结构的权值，依次迭代。

本发明所述的基于深度学习的太赫兹危险品检测方法，所述进行危险品检测的步骤为：

采用太赫兹设备采集待检测物体的太赫兹图像；

对太赫兹图像采用高斯滤波，进行平滑去噪，获得相对清晰的图像；并对图像进行灰度拉伸增强待检测区域；

对增强后的太赫兹图像首先进行二值化，然后进行边缘检测，获取待检测物体的轮廓区域，去除太赫兹图像中的背景区域，缩小危险品的检测区域；

采用经训练的CNN神经网络模型对定位后的待检测区域进行危险物品检测；

获取检测结果，同时将采集到的待检测物体的太赫兹图像加入太赫兹危险品样本图像库，用于后续的神经网络模型的训练，丰富样本图像库。

本发明所述的基于深度学习的太赫兹危险品检测方法，所述样本图像的规格为8*8和或16*16。

本发明所述的基于深度学习的太赫兹危险品检测方法，所述迭代的最大次数为1000。

本发明所述的基于深度学习的太赫兹危险品检测方法，通过CNN神经网络直接对样本图像进行训练和学习，并不需要人为选择特征，同时共享权重这一特性有效的减少网络结构中参数的数量级，降低了选择网络参数的复杂度，因而计算速度也有了比较大的提高；深度学习模型能够直接学习大量样本图像数据的显著特征，因此能够解决图像分类、模式识别；结合太赫兹安检成像设备的平台设计，结合安检流程，通过标准的数据通信协议进行多种设备的平台集成，解决现有金属安检门和手持式金属探测器技术落后、人体触摸侵犯隐私的问题，提高目标检测的检测率，提高安检人员的工作效率，减少工作人员的工作量，适用于较大人流的安检。

附图说明

图1为本发明所述基于深度学习的太赫兹危险品检测方法流程示意图；

图2为CNN神经网络结构图。

具体实施方式

下面结合附图及实施例对本发明所述基于深度学习的太赫兹危险品检测方法进行详细说明。

如图1所示，本实施例中的待检测物为人体，基于深度学习的太赫兹危险品检测方法，方法包括如下步骤：

1、构建危险品样本图像数据库，将危险品进行分类，搜集并标记对应的危险品；同时根据太赫兹检测危险品得到的太赫兹图像，搜集危险品的样品库，添加负样本图像，然将图像处理成适合训练和测试的相同大小灰度图像；

2、训练CNN神经网络模型，设计和测试CNN网络模型，然后调整学习率、batsize和迭代次数这些参数后对样本图像重新分组，交叉验证实验结果，最后生成最终网络模型并进行测试；

3、进行危险品检测，采用太赫兹设备采集待检测物体的太赫兹图像，采用步骤2中得到的CNN神经网络模型对采集的待检测物体的太赫兹图像进行检测，获得检测结果；同时将采集到的待检测物体的太赫兹图像加入步骤1所述的危险品样本图像数据库。

其中，步骤1所述构件危险品样本图像数据库的方法如下：

将国家安检部门规定的危险物品进行分类，比如常见的粉末、管制刀具、易燃易爆、金属等物品，搜集并标记对应的危险品；然后拍摄搜集的危险品，将危险品藏匿到人体不同的区域，进行图像拍摄，采集训练的正样本图像和负样本图像；

将所得正样本图像和负样本图像裁剪进行归一化，归一化成8*8、16*16规格大小的样本图像；

将归一化的样本图像进行分组，并添加对应的标签，正样本图像的标签是1，负样本图像的标签是0；

将标记好的正样本图像和负样本图像加入样本图像数据库中。

步骤2所述训练CNN神经网络模型的具体步骤为：

如图2所示，设计CNN神经网络中样本图像规格为16*16、五层的神经网络，包括有输入层、卷积层和采样层，分别为：

输入层：输入层没有输入值，只有一个输出向量，这个向量的大小就是样本图像图片的大小，即一个16*16矩阵；

卷积层：卷积层的输入或者来源于输入层，或者来源于采样层，卷积层的每一个特征图都有一个大小相同的卷积核，即3*3的卷积核；

采样层：采样层是对上一层的特征图进行一个采样处理，即对上一层特征图的相邻小区域进行聚合统计；

CNN神经网络参数优化，使用卷积核和可加偏置对原始图像进行卷积运算得到C1层特征图；然后将C1卷积层特征图中每四个像素求和，并添加权值和偏置，通过Sigmoid激活函数生成S2采样层特征图；用同样的方法计算后续的采样层和卷积层；最终将这些计算数值相连，得到输出向量；

分组训练CNN神经网络，在CNN训练过程中，将所有样本图像进行分组，每组50个样本图像，每训练一组样本图像调整一次网络结构的权值，依次迭代，迭代的最大次数为1000。

步骤3所述进行危险品检测的方法如下：

采用太赫兹设备采集待检测人体的太赫兹图像；

对太赫兹图像采用高斯滤波，进行平滑去噪，获得相对清晰的图像；对图像进行灰度拉伸：计算图像的均值n和方差Δ,获取图像拉伸的最小值

k＝m+n*Δ

其中P(x，y)为图像的像素值；

其中I′(x，y)为增强后的图像。

对增强后的太赫兹图像首先进行二值化，然后进行边缘检测，获取人体的轮廓区域，去除太赫兹图像中的背景区域，缩小危险品的检测区域；

采用经训练的CNN神经网络模型对定位后的人体区域进行危险物品检测；

获取检测结果，同时将采集到的人体的太赫兹图像加入太赫兹危险品样本图像库，用于后续的神经网络模型的训练，丰富样本图像库。

太赫兹这种全新的技术手段，解决了传统技术所无法实现的快速准确探测人体携带隐匿危险物品的问题，对打击暴恐、报复社会等危害性极强的行为具有重要意义，其成功应用可形成对犯罪分子的思想震慑，可以从源头上减少此类案件的发生。被动式太赫兹人体安检系统采用了最先进的安检技术，已经具有了完全取代现有的其他人体安检设备的技术优势。从应用地点来说，所有的机场、火车站、客运码头、体育场馆等设施都可以配备数量与客流量相符合的安检系统，仅在公共交通领域，被动式太赫兹人体安检系统的潜在市场规模就可达到数十亿甚至百亿的规模。太赫兹安检技术的成功推广将带动整条太赫兹产业链，包括元器件制造、模块制造、系统研发、系统集成等一系列上下游产业极大促进我国太赫兹技术的进步；同时还将极大促进安检安防行业中各类高新技术的运用，带动新技术引领的新型公共安全产业。

Claims (6)

1.一种基于深度学习的太赫兹危险品检测方法，其特征在于：方法如下：

构建危险品样本图像数据库，将危险品进行分类，搜集并标记对应的危险品；同时根据太赫兹检测危险品得到的太赫兹图像，搜集危险品的样品库，添加负样本图像，然将图像处理成适合训练和测试的相同大小灰度图像；

训练CNN神经网络模型，设计和测试CNN网络模型，然后调整参数后对样本图像重新分组，交叉验证实验结果，最后生成最终网络模型并进行测试；

进行危险品检测，采用太赫兹设备采集待检测物体的太赫兹图像，用CNN神经网络模型对采集的待检测物体的太赫兹图像进行检测，获得检测结果；同时将采集到的待检测物体的太赫兹图像加入危险品样本图像数据库。

2.根据权利要求1所述的基于深度学习的太赫兹危险品检测方法，其特征在于：所述构件危险品样本图像数据库的方法如下：

拍摄搜集的危险品，将危险品藏匿到待检测物体不同的区域，进行图像拍摄，采集训练的正样本图像和负样本图像；

将所得正样本图像和负样本图像裁剪进行归一化，归一化成不同规格大小的样本图像；

将归一化的样本图像进行分组，并添加对应的标签，正样本图像的标签是1，负样本图像的标签是0；

将标记好的正样本图像和负样本图像加入样本图像数据库中。

3.根据权利要求2所述的基于深度学习的太赫兹危险品检测方法，其特征在于：所述训练CNN神经网络模型的方法如下：

设计CNN神经网络，包括有输入层、卷积层和采样层，分别为：

输入层：输入层没有输入值，只有一个输出向量，这个向量的大小就是样本图像图片的大小；

卷积层：卷积层的输入或者来源于输入层，或者来源于采样层，卷积层的每一个特征图都有一个大小相同的卷积核；

采样层：采样层是对上一层的特征图进行一个采样处理，即对上一层特征图的相邻小区域进行聚合统计；

CNN神经网络参数优化，使用卷积核和可加偏置对原始图像进行卷积运算得到层特征图；然后将卷积层特征图中像素求和，并添加权值和偏置，通过Sigmoid激活函数生成采样层特征图；用同样的方法计算后续的采样层和卷积层；最终将这些计算数值相连，得到输出向量；

分组训练CNN神经网络，在CNN训练过程中，将所有样本图像进行分组，每训练一组样本图像调整一次网络结构的权值，依次迭代。

4.根据权利要求3所述的基于深度学习的太赫兹危险品检测方法，其特征在于：所述进行危险品检测的方法如下：

采用太赫兹设备采集待检测物体的太赫兹图像；

对太赫兹图像采用高斯滤波，进行平滑去噪，获得相对清晰的图像；并对图像进行灰度拉伸增强待检测区域；

对增强后的太赫兹图像首先进行二值化，然后进行边缘检测，获取待检测物体的轮廓区域，去除太赫兹图像中的背景区域，缩小危险品的检测区域；

采用经训练的CNN神经网络模型对定位后的待检测区域进行危险物品检测；

获取检测结果，同时将采集到的待检测物体的太赫兹图像加入太赫兹危险品样本图像库，用于后续的神经网络模型的训练，丰富样本图像库。

5.根据权利要求4所述的基于深度学习的太赫兹危险品检测方法，其特征在于：所述样本图像的规格为8*8和或16*16。

6.根据权利要求5所述的基于深度学习的太赫兹危险品检测方法，其特征在于：所述迭代的最大次数为1000。