[发明专利]一种用于安检检测识别管制刀具的方法

说明书

本发明公开了一种用于安检检测识别管制刀具的方法，具体按照以下步骤实施：步骤1、对图像A进行归一化处理，得到图像B；步骤2、对图像B采用SSD‑ResNet101模型、特征融合方法、池化及Relu函数进行处理，得到特征图C；步骤3、采用尺度计算公式计算特征图C的默认框；采用Jaccard Overlap匹配策略、模型训练，将默认框与目标框进行匹配，得到预测框；步骤4、采用非极大值抑制算法筛选最后的预测框集合，得到检测结果。本发明对X射线管制刀具危险品检测识别精度高，安检实时性强。

技术领域

本发明属于图像检测与识别，X射线图像危险品识别技术领域，具体涉及一种用于安检检测识别管制刀具的方法。

背景技术

精准的管制物品自动检测技术是安检领域一个主要的研究方向，现有基于深度学习的目标检测算法对安检图片中管制刀具检测存在部分小目标误检、漏检等问题，整体检测效果不佳。2016年，Akcay S在文献中第一次将深度卷积网络应用到X射线危险品的检测当中，近几年基于CNN的目标检测算法主要分为两类：单阶段检测和两阶段检测。

两阶段检测主要有：R-CNN、Fast RCNN、Faster RCNN、R-FCN、FPN等。这类检测算法较传统方法提高了检测精度，但计算量大，检测速度较慢。单阶段检测算法主要有YOLO和SSD。其中YOLO提高了检测速度，但算法的检测精度较低。SSD算法较其它算法有良好的性能体现，检测精度和速度平衡，鲁棒性较强，在小目标检测领域应用较为成熟，但也有不足之处。2017年Fu Cheng-Yang等人提出的DSSD算法，改进了SSD，提高了算法的检测精度，但检测速度慢。

发明内容

本发明的目的是提供一种用于安检检测识别管制刀具的方法，对X射线管制刀具危险品检测识别精度高，安检实时性强。

本发明所采用的技术方案是，一种用于安检检测识别管制刀具的方法，具体按照以下步骤实施：

步骤1、对图像A进行归一化处理，得到图像B；

步骤2、对图像B采用SSD-ResNet101模型、特征融合方法、池化及Relu函数进行处理，得到特征图C；

步骤3、采用尺度计算公式计算特征图C的默认框；采用Jaccard Overlap匹配策略、模型训练，将默认框与目标框进行匹配，得到预测框；

步骤4、采用非极大值抑制算法筛选最后的预测框集合，得到检测结果。

本发明的特点还在于：

步骤1的具体过程如下：

采用如下公式对图像A进行归一化处理：

式中，y_i表示归一化处理结果；x_i表示输入的图像矩阵；μ为x_i的均值；σ²为x_i的方差；ε为一正数，一般为0.0001；γ为拉升参数；β为偏移参数。

步骤2具体过程如下：

将图像B输入SSD-ResNet101网络；在C1层采用512个3×3卷积核对图像B进行卷积操作，输出C1层特征图作为C2层的输入；在C2层使用1×1×1024的卷积核进行卷积操作，输出C2层特征图作为C3层的输入；在C3层使用512个3×3卷积核进行卷积操作，输出C3层特征图；对C1层特征图引入C2层特征图，并用Relu函数进行增强，得到C4层特征图；对C2层特征图引入C3层特征图，并用Relu函数进行增强，得到C5层特征图；将C4层特征图及C5层特征图进行融合，并用Relu函数进行增强，输出C6层特征图作为C7层的输入；