[发明专利]一种基于FPGA和深度学习的毫米波成像危险物品检测方法

说明书

本发明公开了一种基于FPGA和深度学习的毫米波成像危险物品检测方法，获取毫米波成像图片，标识出图片中的危险物品；构建检测危险物品的深度学习网络模型，利用标注好的毫米波成像图片进行模型训练，得到训练好的检测模型；将训练好的检测模型加载到FPGA平台的检测系统中；使用FPGA检测待测的毫米波图像；利用训练好的检测模型对采集的待测的毫米波图像进行检测；如果待测的图像中含有危险物品，则标记危险物品类别，进行报警，同时标记危险物品的不规则轮廓位置坐标。基于FPGA平台利用Mask R‑CNN物体检测框架训练出来的深度神经网络模型进行实时异物检测；相对于专用集成电路芯片有更好的功能可定制性优势。

技术领域

本发明涉及一种毫米波成像危险物品检测技术，尤其涉及的是一种基于FPGA和深度学习的毫米波成像危险物品检测方法。

背景技术

毫米波泛指频率位于红外和微波之间，在26.5-300GHz波段内的电磁波，它处于宏观电子学向微观光子学的过渡阶段。与微波相比，毫米波拥有更高的带宽特性和分辨能力；与光波相比，毫米波拥有更高的能量转换效率，可以透过一定物质的表面成像；与X射线相比，其电子能量较低，不会对人体组织造成伤害。主动式毫米波成像利用毫米波发射器件对被检人员及携带的物品进行照射，然后用接收天线收集反射或者散射的回波信号，并由信号处理系统进行成像。目前，公共安检口岸如机场、码头、地铁站、火车站等的主要安检设备有X射线人体检查仪和金属探测门等，前者透视能力强但辐射剂量大，会对人体造成极大的伤害；后者主要探测入检人员身上携带的金属物件，对其他危险物品没有响应。使用主动毫米波成像检查仪可以透过衣物对人体直接检查，检测内容不仅包括金属还包括任何会吸收毫米波的物件如毒品、爆炸物以及陶瓷刀等危险物品。

目前基于毫米波成像的安检系统一方面通过检测员的人眼识别危险品，一方面通过架设高性能服务器，利用服务器中的高性能CPU和GPU运行图像识别算法来识别危险品。通过检测员的人眼识别危险品的辨别方法一方面对安检人员的要求较高，安检人员的素质和工作状态直接影响危险物品的检出率；另一方面检测速度较慢，在客流量较大的海关、地铁等场所应用时，显现出很大的不足。依靠CPU和GPU运行图像识别算法来检测危险物品，一方面由于性能不足，无法满足实时检测的要求；另一方面架设服务器需要额外的场地空间，给安检设备的结构设计和现场部署造成麻烦。

使用图像检测来检测毫米波图像中的危险物品，可以实现自动识别，降低了人为因素的影响，提高了检测的速度。传统的图像检测方法依靠被检查物的位置特征、面积特征、颜色特征、形状特征等来实现检测，准确度较差。深度学习神经网络模模仿人类大脑的层次感知系统，通过多层网络学习到本质特征，准确度高于传统的图像检测方法。而且，传统检测方法随着数据量增大检测性能会趋于饱和，深度学习的方法则不同，当数据越来越多时，检测性能会越来越好。

发明内容

本发明所要解决的技术问题在于：现有技术无法精准提取危险物品的不规则外形轮廓，提供了一种基于FPGA和深度学习的毫米波成像危险物品检测方法。

本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

(1)获取毫米波成像图片，标识出图片中的危险物品；

(2)构建检测危险物品的深度学习网络模型，利用标注好的毫米波成像图片进行模型训练，得到训练好的检测模型；

(3)将训练好的检测模型加载到FPGA平台的检测系统中；

(4)使用FPGA检测待测的毫米波图像；

(5)利用训练好的检测模型对采集的待测的毫米波图像进行检测；

(6)如果待测的图像中含有危险物品，则标记危险物品类别，进行报警，同时标记危险物品的不规则轮廓位置坐标。

所述步骤(2)包括以下步骤：