[发明专利]一种X光安检图像违禁品检测方法、装置及终端设备

说明书

本发明提供了一种X光安检图像违禁品检测方法、装置及终端设备，通过弱监督网络模型中的可变形空洞卷积模块，能够学习待测X光安检图像中违禁品更多的特征，同时扩大感受野，以捕捉小目标并预测被遮挡的违禁品特征，更好地解决了目标多姿态变化、目标被遮挡和目标过小的问题。相比于现有技术，本发明能够将X关安检图像中的违禁品以一种直接、有效的方式呈现出来，通过对X光安检图像的深度学习和计算分类，提高了违禁品检测、标注的准确性，从而更好地辅助安检人员进行安检工作。

技术领域

本发明涉及安全检查领域，尤其涉及一种X光安检图像违禁品检测方法、装置及终端设备。

背景技术

在人们的日常出行中，只要进入到公共交通场所内，都需要通过X光安检机进行安全检查，以确保进入公共场所没有携带违禁物品，发生不必要的安全事故。现如今最常见的X光安检机使用方式是：安检人员对X光安检机所提供的图像内容进行判别工作。但由于进站的人流量大，进站人员所携带的大量行李导致了判别工作十分繁重，增大了违禁品误判、漏判的风险。因此，在不改变安检设备的前提下，需要通过计算机视觉技术对X光安检机提供的图像进行智能判别，从而减缓安检人员的工作压力，更好地辅助安检人员进行安检工作的开展。

现有技术中，常见的计算机视觉技术是通过强监督学习方法的目标检测算法进行检测，一种是使用SSD和YOLO系列算法进行一阶段的目标检测，还有一种是使用R-CNN、FastR-CNN、Faster R-CNN和Mask R-CNN等算法。进行先提取候选框再进行回归定位的二阶段目标检测。两种方法都需要使用大量进行预处理过的数据进行算法训练，从而达到候选框显示检测结果的目的。然而，在真实使用环境中，存在X光安检机成像效果与自然图像差别大、安检目标数量过多、以及背景复杂且存在遮挡的情况，这导致数据的预处理难度增加，难以获取足量的预处理数据，导致该强监督算法在安检图像处理中的运用。

因此，目前市面上需要一种直接、有效的安检图像处理策略，解决在处理X光安检机的安检图像中由于算法训练难度大而带来的图像判别准确率低的问题。

发明内容

本发明实施例提供一种X光安检图像违禁品检测方法、装置及终端设备，提高了X光安检图像的判别精准度。

为了解决上述问题，本发明一实施例提供一种X光安检图像违禁品检测方法，包括：

将待测X光安检图像输入至含有可变形空洞卷积模块的弱监督网络模型中进行特征提取，获得第一特征图像；其中，所述第一特征图像中的特征属于预设的高度抽象类别特征；

对所述第一特征图像进行上采样操作和归一化操作，获得多组第二特征图像；其中，每组第二特征图像分别对应一组通道特征；

将所述多组第二特征图像分别转化为多组掩码信息，分别对多组掩码信息进行上采样操作后，分别与所述第一特征图像进行像素相乘融合，获得多组第三特征图像；将所述多组第三特征图像输入至CNN模型中，获得多组第一响应值；其中，每组第三特征图像分别对应每组第二特征图像；以及每组第一响应值分别对应每组第三特征图像；

根据所述多组第一响应值与所述多组第二特征图像，结合预设的加权求和算法，获得所述待测X光安检图像的可视化的违禁品区域。

作为上述方案的改进，所述将待测X光安检图像输入至含有可变形空洞卷积模块的弱监督网络模型中进行特征提取，获得第一特征图像，具体为：

根据所述弱监督网络模型，获得待测X光安检图像的内容特征；

根据所述弱监督网络模型中的所述可变形空洞卷积模块，获得待测X光安检图像的外形特征和感受野；

根据所述内容特征、所述外形特征和所述感受野，获得所述第一特征图像。

作为上述方案的改进，所述根据所述弱监督网络模型中的所述可变形空洞卷积模块，获得待测X光安检图像的外形特征和感受野，具体为：