[发明专利]基于深度卷积神经网络的违禁物品标识方法

摘要

本发明公开了一种基于深度卷积神经网络的违禁物品标识方法，搭建一个具有三层Inception模块和一层BP神经网络的深度卷积神经网络。以违禁物品样本数据利用SGD随机梯度下降对三个Inception模块进行训练，获取违禁物品样本数据的高阶抽象特征，再通过BP对深度卷积神经网络参数进行优化，从而完成深度卷积神经网络的训练。将训练好的深度卷积神经网络应用到当前违禁物品样本数据，通过输出Softmax层便可获得违禁物品的种类。本发明可以识别各类不同有特定形状的违禁物品，提高安检的安全性。

主权项

1.一种基于深度卷积神经网络的违禁物品识别标识方法，其特征在于，包括以下步骤：1)采集X射线或X光下违禁物品的图像数据作为数据集，将数据集以0.2：0.8的比例划分为测试集和训练集；2)搭建深度卷积神经网络结构模型，所述深度卷积神经网络结构模型由一个预处理层、三个Inception模块、全连接层和Softmax层来构成一个深度置信网络，即DBN；3)初始化所述深度置信网络DBN；4)将训练集作为训练样本输入到深度卷积神经网络结构模型第一层预处理层；5)第一层预处理层训练后，固定网络参数，数据样本经过第一层抽取初步的特征数据，用于第二层的输入；6)第二层训练后，固定网络参数，将第二层隐含层作为第三层的可视层；数据样本经过第一层预处理层、第二层抽取深层次的特征数据，用做第三层的输入；7)第三层训练后，固定网络参数，将第三层隐含层作为第四层的可视层；经过第三层的处理，空间信息转化为高阶抽象的特征信息，用于第四层的输入；8)第四层训练后，固定网络参数，将第四层隐含层作为输出层的可视层；经过第四层的处理，特征信息尺寸继续降低，通道深度增加，用于输出层的输入；9)输出层利用全连接层连接第四层输出的所有特征，通过BP算法训练全连接层使损失函数达到最小，然后将全连接层输出送给Softmax分类器输出识别结果；10)经过训练，完成构建基于深度卷积神经网络的违禁物品识别模型，将未学习的X射线检测数据输入识别模型，用来识别违禁物品。