[发明专利]一种基于GuidedAnchor优化的刀具图像智能检测方法

说明书

本发明公开了一种基于Guided Anchor优化的刀具图像图像智能检测方法。采集安检X射线刀具图片并添加标签；以Guided Anchor替代Faster‑RCNN中的RPN部分，以Double Head‑RCNN代替Faster‑RCNN的末端输出部分，建立深度学习网络模型；随机划分为训练集和测试集；训练集数据增强后对Faster‑RCNN+Guided Anchor+Double Head‑RCNN网络结构的深度学习网络模型进行训练，然后采用测试集测试调整，针对待测图像输入固化后的检测模型，输出获得检测结果。本发明能够实现安检X射线刀具图像的自动检测，具有较高的准确率，并且具有稳定性好，抗干扰能力强，通用性高等优点，具有良好的鲁棒性，能够应用于智能安检系统。

技术领域

本发明涉及了一种刀具智能检测的方法，尤其是涉及了一种基于Guided Anchor优化的刀具图像智能检测方法。

背景技术

在城市地铁的卡口，一般都会设置X射线安检设备进行违禁物品的检测。违禁物品中又以刀具为主，种类繁多、形状各异。传统的安检方式主要依靠安检员观察X射线图像的物品形状和材质颜色来判断是否存在刀具，一方面耗时耗力，另一方面对安检人员自身的经验和工作状态有很高的要求。因此，如果能够通过深度学习方法实现对X射线图像中刀具的自动检测，对于实现智能安检具有重要意义。借助卷积神经网络对安检机器得到的X射线图像及逆行自动化检测，也是亟需解决的难题之一。

发明内容

为了解决背景技术中的问题，本发明提出了一种基于Guided Anchor优化的刀具图像智能检测方法，能准确检测X射线图像中的刀具并具有良好稳定性。

本发明的技术方案包括以下步骤：

1)采集安检X射线刀具图片，对每一安检X射线刀具图片制作对应的样本标签文件；

2)建立改进的深度学习网络模型；

3)将获得的所有安检X射线刀具图片及其对应的样本标注文件构成数据集，并将数据集随机划分为训练集和测试集；

4)对训练集进行数据增强；

5)利用训练集对Faster-RCNN+Guided Anchor+Double Head-RCNN网络结构组成的深度学习网络模型进行初步训练，获得初步训练后的安检X射线刀具检测模型；

6)采用测试集测试初步训练后的安检X射线刀具检测模型的性能，根据测试结果调整训练参数与检测置信度阈值，优化处理后获得固化后的安检X射线刀具检测模型；

7)针对待测图像输入固化后的安检X射线刀具检测模型，输出获得检测结果。

所述的安检X射线刀具样本图片是装有刀具的包裹通过安检X射线机采集获得的图片。

所述步骤2)中，改进的深度学习网络模型具体是：以Guided Anchor(自指导锚点生成)替代Faster-RCNN中的RPN部分，以Double Head-RCNN代替Faster-RCNN的末端输出部分，建立深度学习网络模型；

在Faster-RCNN的骨干网络采用ResNet50，同时并且利用FPN特征金字塔网络将ResNet50网络框架模型的第二特征提取阶段到第五特征提取阶段输出进行插值融合产生特征图组，将特征图组输入到Guided Anchor中。

本发明中，将Faster-RCNN的原始RPN部分被Guided Anchor替代，使模型在生成预测anchor时同时对anchor的位置和形状进行预测，寻找更高质量的anchor。将Faster-RCNN的原始末端输出被替换成Double Head-RCNN。