[發明專利]一種X光圖像檢測方法、裝置、電子設備及存儲介質

有效

• 申請號: 201711031545.9
• 申請日: 2017-10-27
• 公開（公告）號: CN107833209B
• 公開（公告）日: 2020-05-26
• 發明（設計）人: 孫海濤;徐陽;付建海
• 申請（專利權）人: 浙江大華技術股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/73;G06N3/08;G01V5/00
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 黃志華

本發明公開了一種X光圖像檢測方法、裝置、電子設備及存儲介質，所述方法包括：將待檢測的第一X光圖像輸入到預先訓練完成的物品檢測模型中，其中所述物品檢測模型中保存有經過神經網絡訓練完成的權重參數文件，所述權重參數文件中包括預測不同類別的物品時，預設數量的頂點對應的坐標權重；基于所述物品檢測模型，確定所述第一X光圖像中包含的每個物品歸屬的第一類別，及每個物品對應的預設數量的頂點的第一坐標，其中所述預設數量為至少四個；根據所述每個物品歸屬的第一類別，及所述每個物品對應的預設數量的頂點的第一坐標，在所述第一X光圖像中對所述每個物品進行標注。本發明實施例中標注的多邊形更接近于物品的真實輪廓。

技術領域

本發明涉及深度學習技術領域，尤其涉及一種X光圖像檢測方法、裝置、電子設備及存儲介質。

背景技術

物品檢測方法主要應用于X光安檢機的物品檢測，如具體用于檢測高鐵、地鐵、飛機等公共場所旅客所帶行包中是否存在物品，使用X光安檢機的目的是能夠輔助安檢人員快速、有效地發現包裹內可能存在的物品，盡可能減少開包檢查。安檢人員通過安檢機屏幕上的X光圖像判斷是否存在物品，但是高鐵、地鐵等場所人流量較大、行包較多以及長時間工作等因素會影響安檢人員判斷的準確度。

隨著深度學習技術不斷發展，安檢系統逐漸采用圖像識別技術自動識別判斷行包中是否存在物品，現有技術中基于深度學習的目標檢測方法主要包括：Faster RCNN(Faster Region Convolutional Neural Networks)、SSD(Single Shot MultiBoxDetector)，YOLO(You Only Look Once)等。以上物品檢測方法在模型訓練過程中是基于圖像樣本中針對物品人工標記的矩形進行訓練的，因此在物品檢測時，以整張圖像作為輸入，經過卷積神經網絡多層卷積計算，在輸出層輸出由每個物品對應的矩形框和每個物品相應的物品標簽。

但是實際的物品存在多種形狀，并且在X光安檢機中擺放方向任意，導致物品的X光圖像形狀任意且多數圖像不規則，若以矩形標注形狀任意的物品，矩形框內會包含較大面積的背景部分，從而導致物品識別率低。

發明內容

本發明提供一種X光圖像檢測方法、裝置、電子設備及存儲介質，用以解決現有技術中存在物品識別率低的問題。

本發明提供一種X光圖像檢測方法，所述方法包括：

將待檢測的第一X光圖像輸入到預先訓練完成的物品檢測模型中，其中所述物品檢測模型中保存有經過神經網絡訓練完成的權重參數文件，所述權重參數文件中包括預測不同類別的物品時，預設數量的頂點對應的坐標權重，其中所述預設數量為至少四個；

基于所述物品檢測模型，確定所述第一X光圖像中包含的每個物品歸屬的第一類別，及每個物品對應的預設數量的頂點的第一坐標；

根據所述每個物品歸屬的第一類別，及所述每個物品對應的預設數量的頂點的第一坐標，在所述第一X光圖像中對所述每個物品進行標注。

進一步地，所述將待檢測的第一X光圖像輸入到預先訓練完成的物品檢測模型中之前，所述方法還包括：

對待檢測的所述第一X光圖像進行預處理；

所述將待檢測的第一X光圖像輸入到預先訓練完成的物品檢測模型中包括：

將預處理后的所述第一X光圖像，輸入到所述物品檢測模型中。

進一步地，基于神經網絡的所述物品檢測模型的訓練過程包括：

針對訓練集中的每個第二X光圖像，獲取所述第二X光圖像中被人工標記的每個物品對應的預設數量的頂點的第二坐標，及每個物品歸屬的第二類別；