[发明专利]一种基于深度神经网络的安检系统及方法

说明书

本发明公开了一种基于深度神经网络的安检系统及方法，包括X光成像模块、检测模型训练学习模块、物体识别模块和安全管理模块，所述X光成像模块的输出端和物体识别模块的输入端连接，物体识别模块和检测模型训练学习模块双向连接，物体识别模块的输出端和安全管理模块的输入端连接；基于X射线图像的颜色特征分割并合成多平面的检测图像，建立深度神经网络检测模型，并运用大数据对常见物品进行特征训练与学习，实现检测器对旋转、伸缩和变形的物体的识别与分类。

技术领域

本发明属于安检技术领域，具体涉及一种基于深度神经网络的安检系统及方法。

背景技术

随着经济快速发展，高铁，飞机等已经成为了人们日常出行必不可少的交通工具，然而乘客有意或者无意地携带危险品乘坐交通工具却成了交通运输安全的最大威胁。X射线安检机对于危险品安全检测和保障交通运输工具运行安全方面有着重要的作用。但是传统的X射线安检机需要工作人员认真仔细地查看X射线行李图像来判别是否含有危险物品，装置智能化程度低，人工检查所需的成本较高，同时也可能会出现误判漏判情况，从而对人们的安全出行造成极大的威胁，甚至于酿成重大事故。

专利申请公布的“一种违禁品安检自动识别装置”(CN 201710233696.6)将图像由RGB颜色空间转换到HSV颜色空间并复制三份，分为三种颜色进行识别，在优化图像质量后，将三种不同颜色识别后的图案与预存的相应颜色下违禁品模板并行处理，进行SURF特征匹配，匹配率在55％以上则认为行李存在违禁品。

SURF特征匹配主要是将X射线图像与预存的违禁品图像模板中的SURF描述子数量进行匹配，只能识别出相同样式及颜色的物体，对于外形相似物品的检测准确率低(例如玩具手枪和真实枪的形状是一样的)，泛化能力差，类别分类不明确。对于行李物品中旋转，伸缩，变形的物体具有一定的检测能力，但是对于杂乱堆放的行李物品或者重叠在一起的物体难以进行准确的检测和区分。

专利申请公布的“一种X光安检机行李危险品快速自动检测报警装置及方法”(CN201610748757.8)，首先，采用高斯滤波法对图像去噪，其次，使用非线性增强方法进行图像增强和危险品图像分割，最后，对疑似危险品图像进行特征提取和特征分析，若发现危险品则圈出危险品并将图像数据通过网口传输到计算机并将其显示在液晶显示器上，选择设置发出声音和LED灯的闪烁报警。

现有危险品检测技术采用图像处理技术，主要是根据物体颜色进行分割然后对图像物体特征提取分析，在分割的过程中对于不同材质的同一物体不能很好处理，例如：剪刀的尖端为蓝色特征，而把手通常为桔黄色特征，这样分割物体只得到了物体的局部特征导致物体准确率低且物体类别不明确，对于行李物品中旋转，伸缩，变形的物体检测准确率低，并且因为行李物品堆放杂乱，对重叠在一起的物体难以进行准确的检测。

随着人工智能技术的飞速发展，融入深度学习算法的智能化安检机系统将会大大提高安检装置的智能化程序，提高危险物品识别的准确率，同时还能有效减轻安检工作人员的压力，大大提升安检通道的通过效率，减少拥堵，最大程度上保障人们的交通与出行安全。

发明内容

针对现有X射线行李检测技术中存在的物体检测定位准确率低，危险品类别不明确，检测过程智能化程度较低等问题，提出一种基于颜色分割和多平面深度神经网络的X射线智能安检装置和方法，解决日常行李包裹中携带物品的检测与识别问题。基于X射线图像的颜色特征分割并合成多平面的检测图像，建立深度神经网络检测模型，并运用大数据对常见物品进行特征训练与学习，实现检测器对旋转、伸缩和变形的物体的识别与分类。特别对于杂乱堆放、互相缠绕重叠在一起的行李物品进行细致的检测与甄别，深入学习其颜色、外形和纹理特征，以达到准确识别和分类的效果，提高危险物品识别的准确率，提升X射线安检过程的智能程度和安检通道的通过效率，减少拥堵，减轻安检人员的工作强度，最大程度地保障人们的交通出行安全。