CN109948412A - 基于深度卷积神经网络的违禁物品标识方法 - Google Patents

Abstract

本发明公开了一种基于深度卷积神经网络的违禁物品标识方法，搭建一个具有三层Inception模块和一层BP神经网络的深度卷积神经网络。以违禁物品样本数据利用SGD随机梯度下降对三个Inception模块进行训练，获取违禁物品样本数据的高阶抽象特征，再通过BP对深度卷积神经网络参数进行优化，从而完成深度卷积神经网络的训练。将训练好的深度卷积神经网络应用到当前违禁物品样本数据，通过输出Softmax层便可获得违禁物品的种类。本发明可以识别各类不同有特定形状的违禁物品，提高安检的安全性。

Description

基于深度卷积神经网络的违禁物品标识方法

技术领域

本发明涉及深度学习领域，特别是一种基于深度卷积神经网络的违禁物品识别标识方法。

背景技术

行李安检机在各个汽车站、火车站、飞机场、高安全要求场所都必须应用。目前行李安检机能做到的仅是对行李用X射线进行透视，然后靠安检员用肉眼进行识别，全程人工，费时费力。

违禁物品的识别是指根据采样行李安检机输出视频数据获取安检过程中行李箱物品相关的信息，如关于违禁物品的种类包括管制刀具以外的，可能危及旅客人身安全的菜刀、餐刀、屠宰刀、斧子等利器、钝器；射钉枪、防卫器、弓、弩等其他器具；瓶状物的识别，计算出该行李箱内是否含违禁物品并标识。

传统的识别方式主要是靠人工识别，这种现状已经持续很久了。人工识别费事费力，因长时间工作会让人注意力不集中而造成一些失误。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种基于深度卷积神经网络的违禁物品识别标识方法，提高识别准确性和效率。

为解决上述技术问题，本发明所采用的技术方案是：一种基于深度卷积神经网络的违禁物品识别标识方法，包括以下步骤：

1)采集X射线或X光下违禁物品的图像数据作为数据集，将数据集以 0.2:0.8的比例划分为测试集和训练集；

2)搭建深度卷积神经网络结构模型，所述深度卷积神经网络结构模型由一个预处理层、三个Inception模块、全连接层和Softmax层来构成一个深度置信网络，即DBN；

3)初始化所述深度置信网络DBN；

4)将训练集作为训练样本输入到深度卷积神经网络结构模型第一层预处理层；

5)第一层预处理层训练后，固定网络参数，数据样本经过第一层抽取初步的特征数据，用于第二层的输入；

6)第二层训练后，固定网络参数，将第二层隐含层作为第三层的可视层；数据样本经过第一层预处理层、第二层抽取深层次的特征数据，用做第三层的输入；

7)第三层训练后，固定网络参数，将第三层隐含层作为第四层的可视层；经过第三层的处理，空间信息转化为高阶抽象的特征信息，用于第四层的输入；

8)第四层训练后，固定网络参数，将第四层隐含层作为输出层的可视层；经过第四层的处理，特征信息尺寸继续降低，通道深度增加，用于输出层的输入；

9)输出层利用全连接层连接第四层输出的所有特征，通过BP算法训练全连接层使损失函数达到最小，然后将全连接层输出送给Softmax分类器输出识别结果；

10)经过训练，完成构建基于深度卷积神经网络的违禁物品识别模型，将未学习的X射线检测数据输入识别模型，用来识别违禁物品。

所述DBN的最底层为用于监督训练的BP网络。

步骤3)中，采用ReLU激活函数初始化所述深度卷积神经网络结构模型。

所述ReLU激活函数的导数为：

与现有技术相比，本发明所具有的有益效果为：本发明可以快速、准确地识别各类不同有特定形状的违禁物品，提高安检的安全性。

附图说明

图1为本发明深度网络构建流程图1；

图2为本发明深度网络构建流程图2；

图3为本发明违禁物品识别主流程图。

具体实施方式

本发明的方法包括以下步骤：

步骤1：采集关于X射线或X光下检测违禁物品的相关数据作为用于训练和测试的数据；

步骤2：搭建深度卷积神经网络结构模型，所述的模型由一个预处理层、三个Inception模块、全连接层和Softmax层来构成一个深度置信网络，即DBN；

步骤3：初始化步骤2中的模型；

步骤4：将步骤1中预处理后的数据作为训练样本输入到模型第一层预处理层，输入数据空间尺寸降低，输出通道增加，第一层是由2个卷积层、2个池化层和2个LRN交替的普通结构；

步骤5：第一层预处理层训练后，固定网络参数，数据样本经过第一层抽取初步的特征数据，用于第二层Inception(3a)层的输入；

步骤6：第二层Inception(3a)训练后，固定网络参数，将第二层Inception(3a) 隐含层作为第三个Inception(3b)的可视层；数据样本经过第一层预处理层、第二层Inception(3a)抽取深层次的特征数据，用于第三层Inception(3b)层的输入；

步骤7：第三层Inception(3b)训练后，固定网络参数，将第三层Inception(3b) 隐含层作为第四层Inception(4a)的可视层；经过Inception(3b)模块的处理，空间信息转化为高阶抽象的特征信息，用于Inception(4a)层的输入。

步骤8：第四层Inception(4a)训练后，固定网络参数，将第四层Inception(4a) 隐含层作为输出层的可视层；经过Inception(4a)模块的处理，特征信息尺寸继续降低，通道深度增加，用于输出层的输入。

步骤8：输出层利用全连接层连接Inception(4a)输出的所有特征，通过BP 算法训练全连接层使损失函数达到最小，然后将全连接层输出送给Softmax分类器输出识别结果。

步骤9：经过训练，完成构建基于深度卷积神经网络的违禁物品识别模型，将未学习的X射线检测数据输入预测模型，用来识别违禁物品。

步骤1中，关于违禁物品的种类包括管制刀具以外，还包括可能危及旅客人身安全的菜刀、餐刀、屠宰刀、斧子等利器、钝器以及射钉枪、防卫器、弓、弩等其他器具；瓶状物的识别。

步骤2中，在DBN的最底层还包括一个用于监督训练的BP网络。

在执行上述步骤五、六、七、八时，在全连接(FC)调节到最优以后，保持模型不变，保证固定网络参数。

步骤4中，为解决反向传播时只会在绝对值X较小的地方梯度比较大，而别的部分梯度很快接近为0的问题，选择ReLU激活函数合理地初始化参数。

步骤4中，ReLU导数很简单

在执行上述步骤五、六、七、八时，构建三个Inception层时，FactorizingConvolutions(「卷积分解」)是一种降维方式，通过减少计算量实现，同样参数情况下加深网络。作用位置是Inception层内部。

在执行上述步骤五、六、七、八时，残差网络过深的时候会出现不稳定的现象，原始残差网络论文中提出一种处理方式是，将网络的训练分为两个阶段，第一个阶段用先用比较低的学习率进行，这样可以缓解不稳定的问题。

在执行上述步骤五、六、七、八时，在三层Inception层的构建中，1*1+3*3 卷积操作和3*3+1*1卷及操作两个顺序交换使用，计算一个不对称数据增加数据量。

步骤9中，Softmax中指数分布函数：

p(y；η)＝b(y)exp(η^TT(y)-a(η))

η称为分布的自然参数，T(y)是充分统计量，当参数a、b、T都固定的时候，就定义了一个以η为参数的函数族。

步骤9中，输出种类为K种时回归输出：

步骤9中Softmax函数公式：

P表示样本向量x属于第j个分类的概率,其中j＝1,2,3,…,k。

Claims (4)

1.一种基于深度卷积神经网络的违禁物品识别标识方法，其特征在于，包括以下步骤：

1)采集X射线或X光下违禁物品的图像数据作为数据集，将数据集以0.2：0.8的比例划分为测试集和训练集；

2)搭建深度卷积神经网络结构模型，所述深度卷积神经网络结构模型由一个预处理层、三个Inception模块、全连接层和Softmax层来构成一个深度置信网络，即DBN；

3)初始化所述深度置信网络DBN；

4)将训练集作为训练样本输入到深度卷积神经网络结构模型第一层预处理层；

5)第一层预处理层训练后，固定网络参数，数据样本经过第一层抽取初步的特征数据，用于第二层的输入；

6)第二层训练后，固定网络参数，将第二层隐含层作为第三层的可视层；数据样本经过第一层预处理层、第二层抽取深层次的特征数据，用做第三层的输入；

7)第三层训练后，固定网络参数，将第三层隐含层作为第四层的可视层；经过第三层的处理，空间信息转化为高阶抽象的特征信息，用于第四层的输入；

8)第四层训练后，固定网络参数，将第四层隐含层作为输出层的可视层；经过第四层的处理，特征信息尺寸继续降低，通道深度增加，用于输出层的输入；

9)输出层利用全连接层连接第四层输出的所有特征，通过BP算法训练全连接层使损失函数达到最小，然后将全连接层输出送给Softmax分类器输出识别结果；

10)经过训练，完成构建基于深度卷积神经网络的违禁物品识别模型，将未学习的X射线检测数据输入识别模型，用来识别违禁物品。

2.根据权利要求1所述的基于深度卷积神经网络的违禁物品识别标识方法，其特征在于，所述DBN的最底层为用于监督训练的BP网络。

3.根据权利要求1所述的基于深度卷积神经网络的违禁物品识别标识方法，其特征在于，步骤3)中，采用ReLU激活函数初始化所述深度卷积神经网络结构模型。

4.根据权利要求3所述的基于深度卷积神经网络的违禁物品识别标识方法，其特征在于，所述ReLU激活函数的导数为：