[发明专利]图像样本生成方法、特定场景目标检测方法及其系统

说明书

本发明公开了一种用于深度学习的图像样本生成方法、特定场景目标检测方法及其系统。本发明图像样本生成方法通过获得基于安检场所分析的目标场景的实拍安检图像，获得带标注的目标安检图像，确定待融合图像，将待融合图像以新的融合算法处理后得到新样本，无需现场拍摄大量实拍真实场景下的目标图像，也无需手动对上述复杂环境下实拍图像进行标注，算法简单，即可实现灵活快速生成具有场所针对性的新样本图像，通过对比发现本发明方法得到的新样本与实拍的含有检测目标的图像几乎一致，尤其在彩色图像模式下显示出了更加逼真的效果，标注准确度高，提高了智能安检方法中的目标检测任务的效率以及准确率。

技术领域

本发明属于安检技术领域，具体涉及一种用于深度学习的图像样本生成方法及其系统、特定场景目标检测方法。

背景技术

X射线是比可见光波长还要短的一种电磁辐射，具有比可见光更强的固体、液体穿透能力，甚至能够穿透一定厚度的钢板。当X射线穿过物品时，不同物质组成、不同密度和不同厚度的物品内部结构能够不同程度地吸收X射线，密度、厚度越大，吸收射线越多；密度、厚度越小，吸收射线越少，生成图像的像素值代表物体实物的密度值，所以从物品透射出来的射线强度就能够反映出物品内部结构信息。通常，为了更直观地了解被检测物的物质组成，系统会把透视得到的安检图像进行颜色设定，把属于有机物的物体颜色设定为橙色，把无机物设定为蓝色，把混合物设定为绿色，具体颜色差异则根据物体对X射线的吸收程度而定，吸收程度越高，则颜色就越深，反之颜色就越浅。因此采集到的X射线图像除了具有形状特性还会根据材质显现不同的颜色，在进行物品识别的时候就可以利用上述特性进行分析识别。辐射成像技术是各国广泛使用的安检系统中的主流技术，该技术以射线（如X射线）照射被检测物体，根据探测器接收到的信号，再经过计算机的处理得到被检测物体的射线图像，安检员通过观察X光图像根据常见的违禁品的形状及色带辨别图像中是否有可疑违禁物品。这种人工判读的方法效率低，漏检率高并且有很高的人工成本。

近年来，随着人工智能技术的不断发展，深度学习技术已经在计算机视觉领域的分类、识别、检测、分割、跟踪等任务都取得了突破性的进展。相较于传统的机器视觉方法，深度卷积神经网络在大数据的训练下，从大量数据中学习出有用的特征，具有速度快、精度高、成本低等优势。但是虽然深度学习能达到这种优于传统方法的很大一部分原因是因为深度学习是建立在大量数据的基础上的，特别是在安检领域，深度学习更是需要大量的数据。如何克服深度学习依赖数据集的特点，当前主流的做法就是数据增强，但是并不是一味的增加数据量就能够提升模型的检测性能，还需要受到检测目标的放置角度、背景环境等外界因素影响的难例样本来还原真实场景下的安检图像，训练检测网络才能提高违禁品检出准确率和召回率，这就更加加重了采集数据和标注数据所需的成本。

当前，带标注信息的样本数据主要通过采集大量的现场实拍图像，再由人工手动对现场实拍图像进行信息标注，这样一方面获取大量的现场实拍图像难度比较大，另一方面，还存在标注效率低、人工成本高、人为因素影响大、准确度低的问题，导致难以在短时间内产生训练模型所需的大量标注数据。为了解决上述问题，我公司申请号为“201910228142.6”和“201911221349.7”的发明专利就提供了针对难例模拟真实样本的开发方法，实践中发现上述已有方法仍存在算法复杂，针对不同场景运用不灵活以及样本效果有待进一步提高的问题。

发明内容

本发明所要解决的技术问题是针对背景技术中所涉及到的技术缺陷，提供一种用于深度学习的图像样本生成方法及其系统、特定场景目标检测方法，解决深度学习训练样本数据采集、标注难且数据量大的问题，使用简单算法为违禁品的检测快速提供有效的训练样本，并且能够灵活适应不同场景下的目标检测任务，以提高利用深度学习方法执行安检过程中的目标检测任务的效率以及准确率。

根据本发明的一个方面，提供一种用于深度学习的图像样本生成方法，包括：

S1：对安检场所的待检测物品进行场景组成分析；

S2：获得相应组成比例的目标场景的实拍安检图像，组成场景数据集；