买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：山西卡斯特网络科技有限公司;太原理工大学

摘要：本发明公开了一种基于深度学习的X光安检图像中危险品检测方法，属于安检危险品检测技术领域，目的是提升安检效率和安检质量；技术方案为：构建DenseNet和Yolov3的融合模型，将待检测的X光安检图像或视频处理后加载至所述的融合模型中，并加载预训练得到的权重；利用卷积神经网络作为特征提取器，对加载的图像进行前向传播，提取该加载图像的特征；计算其中包含危险物品的置信度和该危险物品的位置信息；利用非极大化抑制算法去除冗余的预测对象，并对预测结果进行输出；本发明可以自动完成危险物品的识别和预警，提升安检效率和安检质量，提高安检技术水平。

主权项：1.一种基于深度学习的X光安检图像中危险品检测方法，其特征在于，包括以下具体步骤：步骤S1：对待检测的X光安检图像或视频进行加载：步骤S11：对于加载的视频，提取视频帧，转化为图像，并进行加载；步骤S12：将加载的图像进行一定的尺度变换，缩放为固定的大小；步骤S13：对于处理后的图像，将其转化为用于模型计算的数字信号，并将其输入到融合Densenet和Yolov3的深度学习模型中；步骤S2：实现上述模型的定义与加载，并加载预训练得到的权重；步骤S3：利用卷积神经网络作为特征提取器，对加载的图像进行前向传播，提取该加载图像的特征：步骤S31：利用融合了密集连接的Darknet卷积神经网络作为特征提取器，对加载的图像不断地进行卷积和下采样，完成前向传播，提取该加载图像在不同尺度下原始特征；步骤S32：利用FPN网络，对步骤S31中提取的不同尺度下的原始特征，通过横向连接和上采样，得到三种不同尺度和大小的融合特征；步骤S41：将提取到的特征均匀划分的大小相同的网格，每个网格都是一个代表该网格区域特征的向量；每个网格负责对落于其中的对象进行检测；步骤S42：提取每一个网格的特征向量，计算该网格包含每种危险品的置信度，同时设置阈值为0.7，过滤置信度过小的预测；步骤S43：对每个网格，分配三个不同形状的锚框，用于拟合落于该网格内不同形状和大小的危险品；步骤S44：提取每一个网格的特征向量，计算该网格内物品相对于所分配的锚框的偏移，进一步计算出该对象所处的位置bx，by，bw，bhbx＝σtx+cxby＝σty+cy 其中，bx，by分别为所预测对象的边界框在图像中的中心坐标，bw，bh为所预测对象边界框的宽和高，tx，ty分别为所预测对象的边界框的相对于锚框中心坐标的偏移，tw，th分别为所预测对象的边界框的相对于锚框宽和高的偏移；cx，cy为所预测对象的边界框相对于网格左上角的坐标，pw，ph为所分配的锚框的宽和高；最终得到一组边界框列表；步骤S5：对于预测结果进行输出，对于包含危险品的图像，标注包含的危险品的类别和位置信息：步骤S51：利用非极大化抑制NMS算法，去除冗余的预测对象；步骤S52：根据置信度得分进行排序；步骤S53：选择置信度最高的预测边界框添加到最终输出列表中，将其从边界框列表中删除；步骤S54：计算所有边界框的面积；步骤S55：计算置信度最高的边界框与其它候选框的交并比IoU： 其中，boxa即a预测框，在步骤S55中，即为置信度最高的边界框，boxb即为其他预测边界框；步骤S56：设置阈值为0.5，并删除IoU大于该阈值的边界框；步骤S57：重复上述过程，直至边界框列表为空；步骤S58：对于包含危险品的图像，标注预测的危险品的类别和位置信息；若没有检测出危险品，则该图像为不含危险品的正常安检图像。

全文数据：

权利要求：

百度查询： 山西卡斯特网络科技有限公司 太原理工大学 一种基于深度学习的X光安检图像中危险品检测方法