[发明专利]一种基于深度学习的太赫兹危险品检测方法

说明书

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。

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。