[發明專利]基于集成深度學習的小樣本太赫茲圖像異物檢測方法

有效

• 申請號: 201910205485.0
• 申請日: 2019-03-18
• 公開（公告）號: CN109948527B
• 公開（公告）日: 2022-12-02
• 發明（設計）人: 楊淑媛;余亞萍;馮志璽;王敏;劉志;徐光穎;王俊驍;高全偉;胡滔;王喆
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V10/46;G06V10/774;G06V10/764
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;王品華

1.一種基于集成深度學習的小樣本太赫茲圖像異物檢測方法，其特征在于，擴增小樣本太赫茲圖像數據集的圖像訓練集，搭建集成深度學習網絡，該方法的具體步驟包括如下：

(1)制作小樣本太赫茲圖像數據集：

(1a)輸入1000個太赫茲圖像，按照標準視覺目標分類VOC數據集格式，制作小樣本太赫茲圖像的數據集；

(1b)對小樣本太赫茲圖像數據集中每個圖像的目標標注其所屬的類別和坐標位置；

(1c)從小樣本太赫茲圖像數據集中隨機選取80％的太赫茲圖像，組成圖像訓練集，將剩余的太赫茲圖像組成圖像測試集；

(2)擴增圖像訓練集：

(2a)利用亮度和對比度公式，分別調整圖像訓練集中每個圖像的亮度和對比度；

(2b)使用合成少數類過采樣技術SMOTE，對擴增后的圖像訓練集中數目只有8個的懷疑物類別的圖像進行二次擴增；

(3)搭建集成深度學習網絡：

(3a)搭建一個由76層的基礎網絡和12層的集成學習網絡組成的集成深度學習網絡；

所述12層的集成學習網絡的結構依次為：輸入層→第一層卷積層→第二層卷積層→第三層卷積層→第四層卷積層→第五層卷積層→第六層卷積層→第七層卷積層→檢測層→三個并聯的弱分類器→強分類器→邏輯斯蒂logistic回歸層；

(3b)設置集成深度學習網絡參數，其中，集成深度學習網絡中12層的集成學習網絡各層的參數如下：

將第一、三、五層卷積層的特征映射圖的總數設置為512，卷積核的尺度設置為1×1個節點；

將第二、四、六層卷積層的特征映射圖的總數設置為1024，卷積核的尺度設置為3×3個節點；

將第七層卷積層的特征映射圖的總數設置為255，卷積核的尺度設置為1×1個節點；

將第一至第七層卷積層的步長均設置為1；

(4)訓練集成深度學習網絡：

(4a)從圖像訓練集中隨機選取一幅圖像輸入到集成深度學習網絡中；

(4b)將所選圖像劃分為3×3的網格單元，利用集成深度學習網絡輸出層的損失值公式，計算每個網格單元中的每個預測目標邊界框的類別信息、位置信息、寬高信息及置信度得分與真實目標的類別信息、位置信息、寬高信息及置信度得分之間的誤差；

(4c)判斷訓練次數是否達到8000次，若是，則得到訓練好的集成深度學習網絡后執行步驟(5)；否則，執行步驟(4a)；

(5)對圖像測試集進行檢測：

(5a)將圖像測試集輸入到訓練好的集成深度學習網絡中，輸出圖像測試集中每個圖像中每個目標的預測邊界框位置、類別和置信度值；

(5b)對每個目標的所有預測邊界框取交集，作為每個目標的最終預測邊界框，將最終預測邊界框的位置、類別、置信度，作為最終的小樣本太赫茲圖像異物檢測的目標信息。

2.根據權利要求1所述的基于集成深度學習的小樣本太赫茲圖像異物檢測方法，其特征在于，步驟(1b)中所述所屬的類別是指五類：人、刀、手機、炸藥、懷疑物。

3.根據權利要求1所述的基于集成深度學習的小樣本太赫茲圖像異物檢測方法，其特征在于，步驟(2a)中所述亮度和對比度公式如下：

g_b(k,l)＝f(k,l)+α

g_d(m,n)＝β×f(m,n)

其中，g_b(k,l)表示圖像訓練集中第b個圖像中第k行第l列像素調整后的亮點，f(k,l)表示圖像訓練集中第b個圖像中第k行第l列像素調整前的亮點，α表示亮度調整因子，該因子為在[0,30]范圍內任意選取的一個值；g_d(m,n)表示圖像訓練集中第d個圖像中第m行第n列像素調整后的對比度，β表示對比度調整因子，該因子為在[0.2,1.8]范圍內任意選取的與α不同的一個值，f(m,n)表示圖像訓練集中第d個圖像中第m行第n列像素調整前的對比度，m、n的取值與k、l對應相等。