CN109948412B - 基于深度卷积神经网络的违禁物品标识方法 - Google Patents

基于深度卷积神经网络的违禁物品标识方法 Download PDF

Info

Publication number
CN109948412B
CN109948412B CN201811608398.1A CN201811608398A CN109948412B CN 109948412 B CN109948412 B CN 109948412B CN 201811608398 A CN201811608398 A CN 201811608398A CN 109948412 B CN109948412 B CN 109948412B
Authority
CN
China
Prior art keywords
layer
neural network
convolutional neural
deep convolutional
inclusion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811608398.1A
Other languages
English (en)
Other versions
CN109948412A (zh
Inventor
夏鄂
苟麟
梁鸿宇
余顺彬
陈白帆
商行
陈文昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN201811608398.1A priority Critical patent/CN109948412B/zh
Publication of CN109948412A publication Critical patent/CN109948412A/zh
Application granted granted Critical
Publication of CN109948412B publication Critical patent/CN109948412B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

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：
Figure GDA0001992403780000021
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
Figure GDA0001992403780000041
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(ηTT(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：
Figure GDA0001992403780000042
步骤9中Softmax函数公式：
Figure GDA0001992403780000051
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；其中，所述预处理层、三个Inception模块、全连接层和Softmax层串联；三个Inception模块串联，且与所述预处理层连接的Inception模块为第一个Inception模块，第二个Inception模块输入侧与第一个Inception模块输出侧连接，第三个Inception模块的输入侧与第二个Inception模块的输出侧连接；
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；其中第一层即所述预处理层，第二层即第一个Inception模块；
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；所述第三层即第二个Inception模块；
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；所述第四层即第三个Inception模块；
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：
Figure FDA0003699117050000021
CN201811608398.1A 2018-12-27 2018-12-27 基于深度卷积神经网络的违禁物品标识方法 Active CN109948412B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811608398.1A CN109948412B (zh) 2018-12-27 2018-12-27 基于深度卷积神经网络的违禁物品标识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811608398.1A CN109948412B (zh) 2018-12-27 2018-12-27 基于深度卷积神经网络的违禁物品标识方法

Publications (2)

Publication Number Publication Date
CN109948412A CN109948412A (zh) 2019-06-28
CN109948412B true CN109948412B (zh) 2022-09-16

Family

ID=67007335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811608398.1A Active CN109948412B (zh) 2018-12-27 2018-12-27 基于深度卷积神经网络的违禁物品标识方法

Country Status (1)

Country Link
CN (1) CN109948412B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111028160A (zh) * 2019-11-21 2020-04-17 西北工业大学 一种基于卷积神经网络的遥感图像噪声抑制方法
US20230058730A1 (en) * 2019-12-16 2023-02-23 Mekitec Oy Food product monitoring solution
CN117409199B (zh) * 2023-10-19 2024-05-14 中南大学 一种基于云端大数据技术的成长型智慧安检系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107910061A (zh) * 2017-12-01 2018-04-13 中南大学 一种医疗数据处理方法及系统
CN108427958A (zh) * 2018-02-02 2018-08-21 哈尔滨工程大学 基于深度学习的自适应权值卷积神经网络水下声纳图像分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107910061A (zh) * 2017-12-01 2018-04-13 中南大学 一种医疗数据处理方法及系统
CN108427958A (zh) * 2018-02-02 2018-08-21 哈尔滨工程大学 基于深度学习的自适应权值卷积神经网络水下声纳图像分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Restricted Boltzmann Machines and Deep Belief Networks on Multi-Core Processors;Noel Lopes et al.;《The 2012 International Joint Conference on Neural Networks(IJCNN)》;20120730;全文 *
基于深度信念网络的社保卡号码识别方法;杨涛等;《传感器与微系统》;20170705(第08期);全文 *

Also Published As

Publication number Publication date
CN109948412A (zh) 2019-06-28

Similar Documents

Publication Publication Date Title
CN109948412B (zh) 基于深度卷积神经网络的违禁物品标识方法
CN107563433B (zh) 一种基于卷积神经网络的红外小目标检测方法
Lu et al. Object detection based on SSD-ResNet
CN109272500B (zh) 基于自适应卷积神经网络的织物分类方法
CN105825502B (zh) 一种基于显著性指导的词典学习的弱监督图像解析方法
CN107085704A (zh) 基于elm自编码算法的快速人脸表情识别方法
CN109767422A (zh) 基于深度学习的管道检测识别方法、存储介质及机器人
CN104866829A (zh) 一种基于特征学习的跨年龄人脸验证方法
CN109522924A (zh) 一种基于单张照片的阔叶林树种识别方法
CN103366180A (zh) 一种基于自动特征学习的细胞图像分割方法
CN110308151A (zh) 一种基于机器视觉的金属工件表面缺陷识别方法及装置
CN105116397A (zh) 基于mmfa模型的雷达高分辨率距离像目标识别方法
CN108510001B (zh) 一种风力发电机叶片缺陷分类方法及其分类系统
CN109753996B (zh) 基于三维轻量化深度网络的高光谱图像分类方法
CN111353487A (zh) 用于变电站的设备信息提取方法
CN113160139A (zh) 基于注意力的Faster R-CNN网络的钢板表面缺陷检测方法
CN112101487B (zh) 一种细粒度识别模型的压缩方法和设备
CN109461458A (zh) 一种基于生成对抗网络的音频异常检测方法
CN110443303B (zh) 基于图像分割和分类的煤岩显微组分智能识别方法
CN115588112A (zh) 一种基于rfef-yolo目标检测方法
CN110956201B (zh) 一种基于卷积神经网络的图像失真类型分类方法
CN104504391B (zh) 一种基于稀疏特征和马尔科夫随机场的高光谱图像分类方法
CN107516069A (zh) 基于几何重构和多尺度分析的目标识别方法
CN111178405A (zh) 一种融合多种神经网络的相似物体识别方法
CN101408945B (zh) 基于多尺度几何分析的雷达二维像分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant