[发明专利]基于生成式对抗网络的安检X光违禁品图像数据增强方法

权利要求书

1.一种基于生成式对抗网络的安检X光违禁品图像数据增强方法，其特征在于：所述的基于生成式对抗网络的安检X光违禁品图像数据增强方法包括按顺序进行的下列步骤：

1)对利用X光安检机采集的真实的安检X光违禁品图像进行数据增强，并构成安检X光违禁品图像数据集；

2)对生成式对抗网络模型进行改进而构建成改进生成式对抗网络模型，并对改进生成式对抗网络模型的超参数进行调整；

3)将步骤1)获得的安检X光违禁品图像数据集输入到步骤2)获得的改进生成式对抗网络模型中进行训练，最终获得生成的安检X光违禁品图像，用于扩充安检X光违禁品图像数据集；

在步骤2)中，所述的对生成式对抗网络模型进行改进而构建成改进生成式对抗网络模型，并对改进生成式对抗网络模型的超参数进行调整的方法是：

对生成器与判别器的网络结构进行改进并且选择了一个合适的损失函数，选用反卷积神经网络和卷积神经网络分别作为改进生成式对抗网络模型的生成器和判别器，生成器包括1个全连接层、五个3×3卷积核大小的反卷积层、一个自注意力机制和两个5×5卷积核大小的反卷积层；每个反卷积层中都有批量归一化；除了最后一反卷积层输出的损失函数为tanh，其余反卷积层输出的损失函数为lrelu；判别器包括两个5×5卷积核大小的卷积层、一个自注意力模块、四个3×3卷积核大小的卷积层和一个全连接层；这些卷积层都不包含批量归一化，每层的激活函数都为lrelu；

生成器和判别器的对抗训练是通过最小化损失函数实现的，选择WGAN-GP模型的损失函数，损失函数如式(1)所示：

其中G和D分别为改进生成式对抗网络模型的生成器和判别器；Z为一个均匀分布的随机噪声；λ为惩罚系数；∈符合[0,1]均匀分布；为梯度惩罚的目标；

完成改进生成式对抗网络模型的构建之后，需要进一步对该模型的超参数进行调整，超参数设置如下：批处理大小为36，生成器学习率为0.0001，判别器学习率为0.0004，迭代次数为10000，判别器更新1次生成器更新2次，模型使用Adam优化器；改进生成式对抗网络模型的噪声输入的噪声向量服从标准均匀分布。

2.根据权利要求1所述的基于生成式对抗网络的安检X光违禁品图像数据增强方法，其特征在于：在步骤1)中，所述的对利用X光安检机采集的真实的安检X光违禁品图像进行数据增强，并构成安检X光违禁品图像数据集的方法是：对真实的安检X光违禁品图像进行旋转、翻转而得到增强的安检X光违禁品图像；由所有真实的安检X光违禁品和增强的安检X光违禁品图像构成安检X光违禁品图像数据集。