CN111951226A - 一种基于x光图像的多尺度违禁品检测系统及方法 - Google Patents
一种基于x光图像的多尺度违禁品检测系统及方法 Download PDFInfo
- Publication number
- CN111951226A CN111951226A CN202010701643.4A CN202010701643A CN111951226A CN 111951226 A CN111951226 A CN 111951226A CN 202010701643 A CN202010701643 A CN 202010701643A CN 111951226 A CN111951226 A CN 111951226A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolution
- contraband
- feature map
- scale
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims description 18
- 230000004927 fusion Effects 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000007689 inspection Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000003384 imaging method Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 9
- 230000002401 inhibitory effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 6
- 230000005764 inhibitory process Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 101100400452 Caenorhabditis elegans map-2 gene Proteins 0.000 claims description 2
- 230000001629 suppression Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V5/00—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- High Energy & Nuclear Physics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于X光图像的多尺度违禁品检测方法,包括:以一阶段目标检测算法SSD为基础,构建基础目标检测框架;增加特征提取模块:多尺度特征图融合策略MF、空洞多视野卷积模块DCM和小卷积非对称模块ATM;融合入分类与定位层,得到最后的检测结果。本发明针对X光安检图像违禁品智能安检问题,提出了适合X光安检图像特点的网络模型,重点解决了违禁品遮挡和小尺度物品检测困难的技术问题。
Description
技术领域
本发明涉及人工智能与计算机图形学技术领域,特别涉及一种基于X光图像的多尺度违禁品检测系统及方法。
背景技术
安全是当前国民发展的基石,X光安检是公共安全防御的一道重要防线。我国对于X光安检的需求庞大,然而目前安检领域仍采用人工排查方式,通过X光对物品进行透视扫描,进而发现隐藏在行李中的违禁品。安检人员作为一个压力密集型的职业长期处于高压的工作环境,身体与精神的双重疲劳往往会造成漏检、错检、忘检违禁品等人为事故。
在人工智能快速发展的今天,由机器辅助人工实现智能安检对提高安检员的工作效率具有重要意义。当前的X光成像技术趋于成熟,安检设备研发也逐渐规范化、一致化。从计算机视觉角度出发,X光安检图像的处理不仅要获得违禁品的属性信息,而且要获知违禁品的位置信息。传统的图像处理技术采用手动提取特征方式,并采用浅层神经网络、SVM、Softmax等分类器完成X光安检图像分类任务。但目前的技术手段,仍然无法应对安检图像的极端特点。
发明内容
本发明目的在于提供一种基于X光图像的多尺度违禁品检测方法和系统,重点解决违禁品遮挡和小尺度物品检测困难的技术问题。
本发明一个实施例提供一种基于X光图像的多尺度违禁品检测方法,以一阶段目标检测算法SSD(Single Shot MultiBox Detector)为基础,构建基础目标检测框架;增加特征提取模块:多尺度特征图融合策略MF(Fusion strategy of multi-scale featuremap)、空洞多视野卷积模块DCM(Dilated Convolution Multi-View Module)和小卷积非对称模块ATM(Asymmetrical Tiny Convolution Module);融合入分类与定位层,得到最后的检测结果。
进一步地,所述多尺度特征图融合策略MF,通过融合高层特征图和低层特征图以提高在背景干扰情况下违禁品的检测精度;
所述空洞多视野卷积模块DCM,通过提供局部与全局之间的上下文特征信息来解决物品遮挡问题;
所述小卷积非对称模块ATM,通过学习细节特征以识别小尺度违禁品。
进一步地,所述构建基础目标检测框架具体为:
获取X光图像,输入到预训练好的分类网络中来获得不同大小的特征映射;
抽取Conv4_3层、FC7层、Conv8_2层、Conv9_2层、Conv10_2层和Conv11_2层的特征图;
将Conv4_3层和FC7层分别进行采样并增加特征提取模块,获得新的特征图;
将所述特征图和所述新的特征图进行分类与定位,生成多个初步符合条件的默认框;
将所述默认框进行结合,通过非极大值抑制NMS(Non-Maximum Suppression)方法来抑制掉一部分重叠或者不正确的默认框,生成最终的默认框集合,融合入分类与定位层,得到最后的检测结果。
进一步地,所述多尺度特征图融合策略MF具体为:
将不同尺度的特征图进行参数共享,用于学习安检图像背景特征和违禁品前景特性;
对高层语义特征FC7层进行卷积和双线性插值法的上采样,获得特征图FC7_2;
将所述特征图FC7_2与conv4_3层进行融合形成第一特征图,以学习低层关联特征;
对低层特征信息conv4_3层进行卷积和3×3卷积的下采样,获得特征图conv4_3_2;
将所述特征图conv4_3_2与FC7层进行融合形成第二特征图,以补充语义信息。
进一步地,所述空洞多视野卷积模块DCM具体为:
第一层采取1×1卷积将特征学习任务进行分组;
第二层采用不同尺寸的卷积,学习较低层像素特征中不同质地的违禁品的特征;
第三层加入同卷积核不同膨胀率的空洞卷积:3×3(R=1)卷积、3×3(R=2)卷积和3×3(R=3)卷积,分别获得3×3,7×7,11×11的学习视野,编码特征空间中长距离语义信息,从全局的语义信息对质地相近的违禁品轮廓信息进行判断;
利用直联卷积保留前层特征,最后,将各通道特征融合,完成对MF输出的特征图2在全局视野下遮挡违禁品的特征学习。
进一步地,所述小卷积非对称模块ATM具体为:
第一层采取1×1卷积进行分组卷积;
第二层采取1×3、3×1非对称卷积核将通道关系和空间关系解耦,学习多尺度多方向的违禁品信息,补充小目标的局部特征;
第三层采用膨胀率分别为R=1、R=2、R=3且卷积核为3×3的空洞卷积,在前一层的局部特征上关联到更广的视野,防止小目标在信息传递时特征丢失;
利用直联卷积保留前层特征,最后,将各通道特征融合,完成对MF输出的特征图1在全局视野下小目标违禁品的特征学习。
本发明一个实施例还提供一种基于X光图像的多尺度违禁品检测系统,包括X光成像模块、检测模型模块和分类定位模块;
所述X光成像模块用于得到物品的X图像视频序列,然后经过模数转换得到数字图片,并将得到的数字图片传递至检测模型模块;
所述检测模型模块用于进行图片训练,构建基础目标检测框架,并将基础目标检测框架下生成的特征图和默认框传递至分类定位模块;
所述分类定位模块对所述特征图和所述默认框进行分类与定位。
进一步地,所述构建基础目标检测框架具体为:
获取所述X光成像模块的数字图像;
抽取Conv4_3层、FC7层、Conv8_2层、Conv9_2层、Conv10_2层和Conv11_2层的特征图;
将Conv4_3层和FC7层分别进行采样并增加特征提取模块,获得新的特征图;
将所述特征图和所述新的特征图进行分类与定位,生成多个初步符合条件的默认框;
将所述默认框进行结合,通过非极大值抑制NMS方法来抑制掉一部分重叠或者不正确的默认框,生成最终的默认框集合。
进一步地,所述特征提取模块包括:多尺度特征图融合策略MF、空洞多视野卷积模块DCM和小卷积非对称模块ATM;
所述多尺度特征图融合策略MF,通过融合高层特征图和低层特征图以提高在背景干扰情况下违禁品的检测精度;
所述空洞多视野卷积模块DCM,通过提供局部与全局之间的上下文特征信息来解决物品遮挡问题;
所述小卷积非对称模块ATM,通过学习细节特征以识别小尺度违禁品。
与现有技术相比,本发明实施例的有益效果在于:
本发明公开了一种基于X光图像的多尺度违禁品检测方法和系统,以一阶段目标检测算法SSD为基础,构建基础目标检测框架;增加特征提取模块:多尺度特征图融合策略MF、空洞多视野卷积模块DCM和小卷积非对称模块ATM;最后融合入分类与定位层,得到最后的检测结果。其中,多尺度特征图融合策略MF、空洞多视野卷积模块DCM和小卷积非对称模块ATM可以逐一解决X射线安检图像中小尺度违禁品识别、遮挡违禁品识别、识别中的背景干扰等现实问题。并行的分组网络提高效率。用1×1、3×3等小卷积降低由加深大尺度卷积网络带来的计算量,采用1×3和3×1这类非对称卷积将通道与空间关系解耦,学习抽象高层特征,并将网络参数从n×n减少至2×n,提高了运算效率。重点解决了违禁品遮挡和小尺度物品检测困难的技术问题。
附图说明
图1是本发明某一实施例提供的一种基于X光图像的多尺度违禁品检测方法流程示意图;
图2是本发明另一实施例提供的一种基于X光图像的多尺度违禁品检测方法流程示意图;
图3是本发明某一实施例提供的一种基于X光图像的多尺度违禁品检测方法中基础目标检测框架构建流程示意图;
图4是本发明某一实施例提供的一种基于X光图像的多尺度违禁品检测方法中多尺度特征图融合策略MF的结构图;
图5是本发明某一实施例提供的一种基于X光图像的多尺度违禁品检测方法中空洞多视野卷积模块DCM的网络结构图;
图6是本发明某一实施例提供的一种基于X光图像的多尺度违禁品检测方法中小卷积非对称模块ATM的网络结构图;
图7是本发明某一实施例提供的一种基于X光图像的多尺度违禁品检测方法的仿真结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
请参阅图1。
本发明一个实施例提供一种基于X光图像的多尺度违禁品检测方法,包括:
步骤S1,以一阶段目标检测算法SSD(Single Shot MultiBox Detector)为基础,构建基础目标检测框架;
步骤S2,增加特征提取模块:多尺度特征图融合策略MF(Fusion strategy ofmulti-scale feature map)、空洞多视野卷积模块DCM(Dilated Convolution Multi-ViewModule)和小卷积非对称模块ATM(Asymmetrical Tiny Convolution Module);
步骤S3,融合入分类与定位层,得到最后的检测结果。
进一步地,所述多尺度特征图融合策略MF,通过融合高层特征图和低层特征图以提高在背景干扰情况下违禁品的检测精度;
所述空洞多视野卷积模块DCM,通过提供局部与全局之间的上下文特征信息来解决物品遮挡问题;
所述小卷积非对称模块ATM,通过学习细节特征以识别小尺度违禁品。
请参阅图2和图3。
在一个实施例中,所述构建基础目标检测框架(非对称卷积多视野神经网络结构ACMNet)具体为:
步骤S101,获取X光图像,输入到预训练好的分类网络中来获得不同大小的特征映射;
步骤S102,抽取Conv4_3层、FC7层、Conv8_2层、Conv9_2层、Conv10_2层和Conv11_2层的特征图;
步骤S103,将Conv4_3层和FC7层分别进行采样并增加特征提取模块,获得新的特征图;
步骤S104,将所述特征图和所述新的特征图进行分类与定位,生成多个初步符合条件的默认框;
步骤S105,将所述默认框进行结合,通过非极大值抑制NMS(Non-MaximumSuppression)方法来抑制掉一部分重叠或者不正确的默认框,生成最终的默认框集合,融合入分类与定位层,得到最后的检测结果。
请参阅图2和图4。
由于浅层特征只能帮助模型识别未被干扰的违禁品,当非违禁品背景对违禁品目标存在特征学习干扰时,需要添加深层的强语义特征才能更好地完成检测任务。现有的SSD模型直接将各层特征单独送入分类与定位层,信息得不到交融。本发明通过多尺度特征图融合策略MF将不同尺度的特征图进行参数共享,充分学习安检图像背景特征与违禁品前景特征。
在一个实施例中,所述多尺度特征图融合策略MF具体为:
将不同尺度的特征图进行参数共享,用于学习安检图像背景特征和违禁品前景特性;
对高层语义特征FC7层进行卷积和双线性插值法的上采样,获得特征图FC7_2;
将所述特征图FC7_2与conv4_3层进行融合形成第一特征图,以学习低层关联特征;
对低层特征信息conv4_3层进行卷积和3×3卷积的下采样,获得特征图conv4_3_2;
将所述特征图conv4_3_2与FC7层进行融合形成第二特征图,以补充语义信息。
其中,上采样实际上是一个统称,在下采样的过程中,我们把一张图片的特征提取出来,实际上是把图片的关键部分提取出来的,图片的分辨率就降低了,可以说图片缩小了;在上采样过程中,要恢复图片的大小,提高图片的分辨率,就要用到一些方法,任何可以让图片变成高分辨率的技术都可以称为上采样。
其中,双线性插值是插值算法中的一种,是线性插值的扩展;利用原图像中目标点四周的四个真实存在的像素值来共同决定目标图中的一个像素值,其核心思想是在两个方向分别进行一次线性插值。
请参阅图2和图5。
由于X光成像的颜色受物体的原子核数量影响,高密度金属呈现较深的蓝色,低密度金属呈现较浅的蓝色,塑料质地的刀柄呈现橘黄色。当不同质地的违禁品之间存在遮挡关系时,高密度违禁品会遮盖低密度违禁品导致算法模型漏检;当相近质地的违禁品存在遮挡关系时,两者变得不易区分,造成模型误检。传统卷积神经网络对局部特征敏感,无法考虑目标在全局中的位置关系。本发明设计空洞多视野卷积模块DCM,以解决传统卷积中出现的视野缺陷,提高对遮挡违禁品的检测精度。
在一个实施例中,所述空洞多视野卷积模块DCM具体为:
第一层采取1×1卷积将特征学习任务进行分组;
第二层采用不同尺寸的卷积,学习较低层像素特征中不同质地的违禁品的特征;
第三层加入同卷积核不同膨胀率的空洞卷积:3×3(R=1)卷积、3×3(R=2)卷积和3×3(R=3)卷积,分别获得3×3,7×7,11×11的学习视野,编码特征空间中长距离语义信息,从全局的语义信息对质地相近的违禁品轮廓信息进行判断;
利用直联卷积保留前层特征,最后,将各通道特征融合,完成对MF输出的第二特征图在全局视野下遮挡违禁品的特征学习。
请参阅图2和图6。
小尺度物品检测的难点主要是来源于:(1)大尺度卷积核无法细致学习小尺度目标特征;(2)随着网络的加深,全局视野下的局部小目标信息丢失。本发明设计小卷积非对称模块ATM,采用非对称小卷积核进行多尺度违禁品识别,保证安检图像中小目标在被检测时在网络的最高层依旧保持较高的分辨率;采用空洞卷积捕捉小目标在全局视野下的位置,可以降低小目标的漏检率。
在一个实施例中,所述小卷积非对称模块ATM具体为:
第一层采取1×1卷积进行分组卷积;
第二层采取1×3、3×1非对称卷积核将通道关系和空间关系解耦,学习多尺度多方向的违禁品信息,补充小目标的局部特征;
第三层采用膨胀率分别为R=1、R=2、R=3且卷积核为3×3的空洞卷积,在前一层的局部特征上关联到更广的视野,防止小目标在信息传递时特征丢失;
利用直联卷积保留前层特征,最后,将各通道特征融合,完成对MF输出的第一特征图在全局视野下小目标违禁品的特征学习。
请参阅图7。
本发明某一实施例提供的一种基于X光图像的多尺度违禁品检测方法的仿真结果图,图片中“fork0.80”的数字0.80指的是概率值,即获得这个结果的置信度,数值越高,说明结果越可信。
本发明一个实施例还提供一种基于X光图像的多尺度违禁品检测系统,包括X光成像模块、检测模型模块和分类定位模块;
所述X光成像模块用于得到物品的X图像视频序列,然后经过模数转换得到数字图片,并将得到的数字图片传递至检测模型模块;
所述检测模型模块用于进行图片训练,构建基础目标检测框架,并将基础目标检测框架下生成的特征图和默认框传递至分类定位模块;
所述分类定位模块对所述特征图和所述默认框进行分类与定位。
进一步地,所述构建基础目标检测框架具体为:
获取所述X光成像模块的数字图像;
抽取Conv4_3层、FC7层、Conv8_2层、Conv9_2层、Conv10_2层和Conv11_2层的特征图;
将Conv4_3层和FC7层分别进行采样并增加特征提取模块,获得新的特征图;
将所述特征图和所述新的特征图进行分类与定位,生成多个初步符合条件的默认框;
将所述默认框进行结合,通过非极大值抑制NMS方法来抑制掉一部分重叠或者不正确的默认框,生成最终的默认框集合。
进一步地,所述特征提取模块包括:多尺度特征图融合策略MF、空洞多视野卷积模块DCM和小卷积非对称模块ATM;
所述多尺度特征图融合策略MF,通过融合高层特征图和低层特征图以提高在背景干扰情况下违禁品的检测精度;
所述空洞多视野卷积模块DCM,通过提供局部与全局之间的上下文特征信息来解决物品遮挡问题;
所述小卷积非对称模块ATM,通过学习细节特征以识别小尺度违禁品。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种基于X光图像的多尺度违禁品检测方法,其特征在于,包括:
以一阶段目标检测算法SSD为基础,构建基础目标检测框架;
增加特征提取模块:多尺度特征图融合策略MF、空洞多视野卷积模块DCM和小卷积非对称模块ATM;
融合入分类与定位层,得到最后的检测结果。
2.根据权利要求1所述的基于X光图像的多尺度违禁品检测方法,其特征在于,
所述多尺度特征图融合策略MF,通过融合高层特征图和低层特征图以提高在背景干扰情况下违禁品的检测精度;
所述空洞多视野卷积模块DCM,通过提供局部与全局之间的上下文特征信息来解决物品遮挡问题;
所述小卷积非对称模块ATM,通过学习细节特征以识别小尺度违禁品。
3.根据权利要求1所述的基于X光图像的多尺度违禁品检测方法,其特征在于,所述构建基础目标检测框架具体为:
获取X光图像,输入到预训练好的分类网络中来获得不同大小的特征映射;
抽取Conv4_3层、FC7层、Conv8_2层、Conv9_2层、Conv10_2层和Conv11_2层的特征图;
将Conv4_3层和FC7层分别进行采样并增加特征提取模块,获得新的特征图;
将所述特征图和所述新的特征图进行分类与定位,生成多个初步符合条件的默认框;
将所述默认框进行结合,通过非极大值抑制NMS方法来抑制掉一部分重叠或者不正确的默认框,生成最终的默认框集合,融合入分类与定位层,得到最后的检测结果。
4.根据权利要求1所述的基于X光图像的多尺度违禁品检测方法,其特征在于,所述多尺度特征图融合策略MF具体为:
将不同尺度的特征图进行参数共享,用于学习安检图像背景特征和违禁品前景特性;
对高层语义特征FC7层进行卷积和双线性插值法的上采样,获得特征图FC7_2;
将所述特征图FC7_2与conv4_3层进行融合形成第一特征图,以学习低层关联特征;
对低层特征信息conv4_3层进行卷积和3×3卷积的下采样,获得特征图conv4_3_2;
将所述特征图conv4_3_2与FC7层进行融合形成第二特征图,以补充语义信息。
5.根据权利要求1所述的基于X光图像的多尺度违禁品检测方法,其特征在于,所述空洞多视野卷积模块DCM具体为:
第一层采取1×1卷积将特征学习任务进行分组;
第二层采用不同尺寸的卷积,学习较低层像素特征中不同质地的违禁品的特征;
第三层加入同卷积核不同膨胀率的空洞卷积:3×3(R=1)卷积、3×3(R=2)卷积和3×3(R=3)卷积,分别获得3×3,7×7,11×11的学习视野,编码特征空间中长距离语义信息,从全局的语义信息对质地相近的违禁品轮廓信息进行判断;
利用直联卷积保留前层特征,最后,将各通道特征融合,完成对MF输出的特征图2在全局视野下遮挡违禁品的特征学习。
6.根据权利要求1所述的基于X光图像的多尺度违禁品检测方法,其特征在于,所述小卷积非对称模块ATM具体为:
第一层采取1×1卷积进行分组卷积;
第二层采取1×3、3×1非对称卷积核将通道关系和空间关系解耦,学习多尺度多方向的违禁品信息,补充小目标的局部特征;
第三层采用膨胀率分别为R=1、R=2、R=3且卷积核为3×3的空洞卷积,在前一层的局部特征上关联到更广的视野,防止小目标在信息传递时特征丢失;
利用直联卷积保留前层特征,最后,将各通道特征融合,完成对MF输出的特征图1在全局视野下小目标违禁品的特征学习。
7.一种基于X光图像的多尺度违禁品检测系统,其特征在于,包括X光成像模块、检测模型模块和分类定位模块;
所述X光成像模块用于得到物品的X图像视频序列,然后经过模数转换得到数字图片,并将得到的数字图片传递至检测模型模块;
所述检测模型模块用于进行图片训练,构建基础目标检测框架,并将基础目标检测框架下生成的特征图和默认框传递至分类定位模块;
所述分类定位模块对所述特征图和所述默认框进行分类与定位。
8.根据权利要求7所述的基于X光图像的多尺度违禁品检测系统,其特征在于,所述构建基础目标检测框架具体为:
获取所述X光成像模块的数字图像;
抽取Conv4_3层、FC7层、Conv8_2层、Conv9_2层、Conv10_2层和Conv11_2层的特征图;
将Conv4_3层和FC7层分别进行采样并增加特征提取模块,获得新的特征图;
将所述特征图和所述新的特征图进行分类与定位,生成多个初步符合条件的默认框;
将所述默认框进行结合,通过非极大值抑制NMS方法来抑制掉一部分重叠或者不正确的默认框,生成最终的默认框集合。
9.根据权利要求8所述的基于X光图像的多尺度违禁品检测系统,其特征在于,所述特征提取模块包括:多尺度特征图融合策略MF、空洞多视野卷积模块DCM和小卷积非对称模块ATM;
所述多尺度特征图融合策略MF,通过融合高层特征图和低层特征图以提高在背景干扰情况下违禁品的检测精度;
所述空洞多视野卷积模块DCM,通过提供局部与全局之间的上下文特征信息来解决物品遮挡问题;
所述小卷积非对称模块ATM,通过学习细节特征以识别小尺度违禁品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010701643.4A CN111951226A (zh) | 2020-07-20 | 2020-07-20 | 一种基于x光图像的多尺度违禁品检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010701643.4A CN111951226A (zh) | 2020-07-20 | 2020-07-20 | 一种基于x光图像的多尺度违禁品检测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111951226A true CN111951226A (zh) | 2020-11-17 |
Family
ID=73341168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010701643.4A Pending CN111951226A (zh) | 2020-07-20 | 2020-07-20 | 一种基于x光图像的多尺度违禁品检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951226A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313130A (zh) * | 2021-07-02 | 2021-08-27 | 昆明理工大学 | 一种基于遮挡的安检图像危险品检测方法及系统 |
CN113657493A (zh) * | 2021-08-17 | 2021-11-16 | 北京理工大学 | 基于风格特征通道注意力的x光安检图像违禁品检测方法 |
CN113706497A (zh) * | 2021-08-24 | 2021-11-26 | 南京金盾公共安全技术研究院有限公司 | 一种违禁品智能识别装置和系统 |
CN114494891A (zh) * | 2022-04-15 | 2022-05-13 | 中国科学院微电子研究所 | 一种基于多尺度并行检测的危险品识别装置和方法 |
-
2020
- 2020-07-20 CN CN202010701643.4A patent/CN111951226A/zh active Pending
Non-Patent Citations (1)
Title |
---|
张友康等: "X 光安检图像多尺度违禁品检测", 《信号处理》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313130A (zh) * | 2021-07-02 | 2021-08-27 | 昆明理工大学 | 一种基于遮挡的安检图像危险品检测方法及系统 |
CN113657493A (zh) * | 2021-08-17 | 2021-11-16 | 北京理工大学 | 基于风格特征通道注意力的x光安检图像违禁品检测方法 |
CN113706497A (zh) * | 2021-08-24 | 2021-11-26 | 南京金盾公共安全技术研究院有限公司 | 一种违禁品智能识别装置和系统 |
CN113706497B (zh) * | 2021-08-24 | 2024-04-09 | 南京金盾公共安全技术研究院有限公司 | 一种违禁品智能识别装置和系统 |
CN114494891A (zh) * | 2022-04-15 | 2022-05-13 | 中国科学院微电子研究所 | 一种基于多尺度并行检测的危险品识别装置和方法 |
CN114494891B (zh) * | 2022-04-15 | 2022-07-22 | 中国科学院微电子研究所 | 一种基于多尺度并行检测的危险品识别装置和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135366B (zh) | 基于多尺度生成对抗网络的遮挡行人重识别方法 | |
CN111951226A (zh) | 一种基于x光图像的多尺度违禁品检测系统及方法 | |
CN108898610A (zh) | 一种基于mask-RCNN的物体轮廓提取方法 | |
CN112288008B (zh) | 一种基于深度学习的马赛克多光谱图像伪装目标检测方法 | |
CN109712127A (zh) | 一种用于机巡视频流的输电线路故障检测方法 | |
CN113469050A (zh) | 基于图像细分类的火焰检测方法 | |
CN112950477A (zh) | 一种基于双路径处理的高分辨率显著性目标检测方法 | |
CN116485709A (zh) | 一种基于YOLOv5改进算法的桥梁混凝土裂缝检测方法 | |
CN113888461A (zh) | 基于深度学习的小五金件缺陷检测方法、系统及设备 | |
CN114612476B (zh) | 一种基于全分辨率混合注意力机制的图像篡改检测方法 | |
CN114612769A (zh) | 一种融入局部结构信息的集成感知红外成像舰船检测方法 | |
CN114399734A (zh) | 一种基于视觉信息的森林火灾预警方法 | |
Han et al. | A method based on multi-convolution layers joint and generative adversarial networks for vehicle detection | |
CN112329764A (zh) | 一种基于tv-l1模型的红外弱小目标检测方法 | |
Daogang et al. | Anomaly identification of critical power plant facilities based on YOLOX-CBAM | |
CN116704316A (zh) | 基于阴影图像重构的变电站渗漏油检测方法、系统及介质 | |
CN114445726B (zh) | 一种基于深度学习的样本库建立方法和装置 | |
CN115240057A (zh) | 一种基于深度学习的架空输电线路监拍图像检测方法 | |
Tang et al. | Research on feature enhancement for small object detection | |
CN116310668A (zh) | 基于双流密集超分辨率的显著性目标检测算法 | |
Zhao et al. | Improved YOLOv5s Network for Multi-scale safety Helmet Detection | |
CN111882545B (zh) | 基于双向信息传递及特征融合的织物疵点检测方法 | |
Sun et al. | Intelligent Site Detection Based on Improved YOLO Algorithm | |
CN115700737A (zh) | 一种基于视频监控的溢油检测方法 | |
Cao et al. | Infrared dim target detection via hand-crafted features and deep information combination |
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 |