[发明专利]基于卷积神经网络的X光安检图像中违禁品自动检测方法

说明书

一种基于卷积神经网络的X光安检图像中违禁品自动检测方法。其包括构建包括数据集A和数据集B的安检图像数据集，数据集A中包含训练集和测试集；在FSSD网络基础上增加了语义丰富模块和残差模块，由此构建成X光安检图像违禁品检测网络；利用数据集B中的违禁品图像训练X光安检图像违禁品检测网络，然后将网络权重加载到网络中，之后利用数据集A中的训练集继续训练，最后利用数据集A中的测试集检测网络性能；在该网络中输入任意一张待检测的X光安检图像，该网络输出的检测结果图中能够自动对其中的违禁品进行正确分类和精准定位等步骤(该网络输出的检测结果图中都能自动显示出其中违禁品的类别和精确位置)。本发明方法能够实现对X光安检图像中违禁品的自动正确分类和精准定位，因此可以减轻安检工作人员的工作压力，提高安检的工作效率。

技术领域

本发明属于X光安检图像中违禁品的检测和计算机视觉技术领域，特别是涉及一种基于卷积神经网络的X光安检图像中违禁品自动检测方法。

背景技术

安检作为公共领域安全的重要保障，在保护人们安全方面发挥着至关重要的作用。在中国，民航、铁路等交通部门每年都会运送大量旅客。大量的交通需求给安检人员带来了巨大的工作压力。以民航安检为例，大多数航空事故都是由人类不安全行为引起的。机场安检工作人员作为一项压力较大的工作，长期高压力的工作环境难免会导致其工作失误，从而影响航空运营的安全。因此，建立可靠的自动安检系统对提高安检工作人员的工作效率具有重要意义。

安检工作人员在对违禁品检测时，其工作过程是首先识别出行李中是否存在违禁品，其次给出违禁品的正确位置。而目前计算机视觉领域中存在的目标检测算法就是解决这样一个问题，即目标在哪的问题。所以利用计算机实现自动安检是行之有效的解决办法。

近年来，随着深度学习，尤其是卷积神经网络的迅猛发展，越来越多的基于卷积神经网络的目标检测方法被提出，并且在目标检测领域取得了惊人的检测效果。但这些基于卷积神经网络的目标检测方法大多用于自然图像中的目标检测。与自然图像不同，安检图像具有背景复杂，违禁品尺寸差异较大等特点，因此，还需针对安检图像的特点，对现有的基于卷积神经网络的目标检测方法进行改进，从而使其更好地检测安检图像中的违禁品。

发明内容

为了解决上述问题，本发明的目的在于提供一种基于卷积神经网络的X光安检图像中违禁品自动检测方法。

为了达到上述目的，本发明提供的基于卷积神经网络的X光安检图像中违禁品自动检测方法包括按顺序进行的下列步骤：

1)构建包括数据集A和数据集B的安检图像数据集，其中数据集A中包含训练集和测试集；

2)在FSSD网络基础上增加了语义丰富模块和残差模块，由此构建成X光安检图像违禁品检测网络；

3)首先利用步骤1)中获得的数据集B中的违禁品图像训练步骤2)中构建的X光安检图像违禁品检测网络，然后将经数据集B训练好的网络权重加载到X光安检图像违禁品检测网络中，之后利用数据集A中的训练集继续训练X光安检图像违禁品检测网络，最后利用数据集A中的测试集测试X光安检图像违禁品检测网络的性能；

4)X光安检图像违禁品检测网络的性能测试合格后，在该网络中输入任意一张待检测的X光安检图像，该网络输出的检测结果图中能够自动对其中的违禁品进行正确分类和精准定位。

在步骤1)中，所述的构建包括数据集A和数据集B的安检图像数据集，其中数据集A中包含训练集和测试集的方法是：

利用X光安检机采集多张包含违禁品的行李的X光安检图像，选择了六类违禁品，分别为：移动电源、打火机、叉子、刀子、手枪和剪刀，由这些X光安检图像构成数据集A；数据集A中的X光安检图像分为简单图像和复杂图像两种，简单图像的特点为背景复杂，只包含一个违禁品；复杂图像的特点为背景复杂，且同时包含两到三个违禁品；所有X光安检图像的大小均为300*300像素；然后在数据集A中分别随机抽取75％的简单图像和75％的复杂图像作为训练集，其余25％的复杂图像作为测试集；