[发明专利]一种物品识别模型的训练方法及系统

说明书

本发明属于安检领域，公开了一种物品识别模型的训练方法及系统，其方法包括：获取已标注的原始图像；对原始图像进行数据集增强；将增强后的数据集随机分为训练集和测试集；利用训练集对构建的模型进行训练；利用测试集对训练好的模型进行测试，并统计每种物品的误判率和漏检率；根据误判率和漏检率，对增强后的数据集再次进行数据集增强；通过再次增强后的数据集对训练好的模型进行训练和测试，直至每种物品的误判率和漏检率低于预设阈值。本发明通过渐进的方式来对数据集进行逐渐增强，不仅可利用数据增强来提高识别率，而且可降低人为采集原始图像和标记的工作量，同时可防止出现某一部分的图像数据冗余度过高，影响物品识别模型的训练效果。

技术领域

本发明属于安检技术领域，特别涉及一种物品识别模型的训练方法及系统。

背景技术

为了保证公共交通运输的安全性，x光包裹安检显示系统已经被广泛运用到各个机场和车站。但是，在安检时，通过人工识别的方式，其效率和准确率还是不够高。因为人为观察大量的包裹图像是一个枯燥的工作，因此安检员会在长时间工作中分心，很难保证危险违禁物品在人为安检过程中被漏掉。这种情况催生了各种自动化智能安检机的出现。

一种早期的智能安检系统是基于视觉词袋模型而开发的，这是一种基于模板的图像识别算法。后来包含深度学习的方案在安检机识别中得到了越来越多的尝试。2016年有研究人员将卷积神经网络引入x光安检图像的识别中，将该方法与传统的特征提取结合支持向量机(SVM)进行了比较，发现识别效果取得相当的进步。

随着区域性卷积神经网络(RCNN)的出现，深度学习方法在安检违禁物品智能识别中成为一种流行的算法。基于YOLO(You Only Look Once)和SSD(Single Shot Detection)两种算法架构的深度学习算法获得的网络可以直接输出多个目标以及这些目标的位置，它们在训练到算法实施过程更加的高效，这使得它们也成为安检智能识别中的两种主流算法架构。而这两种目标识别算法架构又是可以基于不同的卷积层阶结构的，为了提高识别的效果，在实际的实施过程中研究人员和工程师们首先尝试的是改进卷积层的结构。尽管这些不同卷积层结构采用了不同的方式来表征图像信息，然后与全连接层的神经元相连，但是在实际测试效果中，可以总结以下特性：卷积层越深，全连接层的维度越大，训练好的网络的识别效果越好，但是训练的时间以及识别算法的运行时间都会增加，收敛的难度也会加大；训练样本越丰富，结果也是越好，但是获取样本的时间人力成本也会增加。

在智能安检机的深度学习中，无论是采用YOLO或者SSD亦或是自行设计的网络，可以确信的是，一个大量的具有充分x光图像样本的数据集是获得良好的训练结果的必要条件。但是，对应x光安检机来说，想要获得包含各种姿态的违禁物品的各种包裹下的扫描图片是非常困难的，因为采集的过程复杂程度较高。而现有的采集数据集的方式是：人为逐渐改变物品的姿态，人为随机组合包裹中的物品，来进行大量的扫描，然后对这些扫描图像逐个人为标注来获得数据集。即使是这样一个巨大的工作量可能还是无法获得一个比较完备的x光图像的数据集，使得训练得到的模型对一些物品的识别率不高，容易出现误检和漏检的情况。

发明内容

本发明的目的是提供一种物品识别模型的训练方法及系统，通过渐进的方式来对数据集进行逐渐增强，不仅可利用数据增强来提高识别率，而且可降低人为采集原始图像和标记的工作量，同时还可防止出现某一部分的图像数据冗余度过高，影响物品识别模型的训练效果。

本发明提供的技术方案如下：

一方面，提供一种物品识别模型的训练方法，包括：

获取已标注标签的原始图像；

对所述原始图像进行数据集增强；

将增强后的数据集随机分为训练样本集和测试样本集；

利用所述训练样本集对构建的物品识别模型进行训练，得到训练好的物品识别模型；