[發明專利]一種實時危險物品語義分割方法、裝置及存儲裝置

在審

• 申請號: 201911121145.6
• 申請日: 2019-11-15
• 公開（公告）號: CN111062252A
• 公開（公告）日: 2020-04-24
• 發明（設計）人: 付建海;熊劍平;趙詩云
• 申請（專利權）人: 浙江大華技術股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06T3/40;G06T5/40;G06T7/11
• 代理公司: 深圳市威世博知識產權代理事務所(普通合伙) 44280
• 代理人: 唐雙

本發明公開了一種實時危險物品語義分割方法、裝置和存儲裝置。該實時危險物品語義分割方法包括：獲取X光視頻幀圖像，對所述X光視頻幀圖像進行包裹切割，以獲得切包圖像；將所述切包圖像輸入訓練好的雙支U?Net網絡模型中進行語義分割，以對所述切包圖像中的危險物品進行分類和標識。通過上述方式，本發明能夠提高安檢過程中危險物品的檢測精度，同時又對包裹中的危險物品類別和危險物品在包裹中的具體位置直接呈現，便于快速確定包裹中的危險物品。

技術領域

本申請涉及屬于X光安檢圖像檢測和深度學習技術領域，特別是涉及一種實時危險物品語義分割方法、裝置及存儲裝置。

背景技術

目前國內大部分安檢機都是采用人工檢查的方式，消耗了大量的人力物力，隨著人工智能的發展，人工智能算法已經廣泛應用于各行各業。在安檢行業，通過分析安檢圖像，可以進行違禁品識別并自動報警，有效減少了安檢人員的工作壓力，降低了人為因素導致的漏檢誤檢問題。

目前利用深度學習方法進行x光機的目標檢測，主要有如下幾種方案：方案一，利用大中小3個尺度訓練的方式，通過淺層網絡檢測小物體，深層網絡檢測大物體的方式進行目標檢測。提高了尺度覆蓋范圍，減少了漏檢現象。

方案二，通過卷積神經網絡(Convolutional Neural Networks，簡稱CNN)模型，構建注意力機制模型，對于違禁物品目標注意力圖中的噪聲和背景信息干擾進行抑制，利用抑制后的違禁品目標注意力圖獲取違禁品目標檢測圖。

方案三，通過安檢違禁品的姿態差異對于原始安檢違禁品x光圖進行分類，構建生成式對抗網絡將已經分類的原始安檢違禁品x光圖輸入上述生成式對抗網絡當中，分類別生成新安檢違禁品x光圖像，基于目標檢測模型進行分類以及檢測，最終驗證結果。

這些技術均存在的共同問題：僅僅使用目標檢測的2個坐標點信息作為算法的輸入，從而導致預測精度低，并且漏檢嚴重。

因此，如何提高x光機目標檢測的預測精度，并且減少漏檢現象，達到實時性語義分割的效果是人們日益關心的問題。

發明內容

本申請提供一種實時危險物品語義分割方法、裝置及存儲裝置，能夠提高安檢過程中危險物品的檢測精度，同時又對包裹中的危險物品類別和危險物品在包裹中的具體位置直接呈現，便于快速確定包裹中的危險物品。

為解決上述技術問題，本申請采用的一個技術方案是：提供一種實時危險物品語義分割方法，包括：

獲取X光視頻幀圖像，對所述X光視頻幀圖像進行包裹切割，以獲得切包圖像；

將所述切包圖像輸入訓練好的雙支U-Net網絡模型中進行語義分割，以對所述切包圖像中的危險物品進行分類和標識。

為解決上述技術問題，本申請采用的另一個技術方案是：提供一種實時危險物品語義分割裝置，包括：

切包模塊，用于獲取X光視頻幀圖像，對所述X光視頻幀圖像進行包裹切割，以獲得切包圖像；

危險物品分類和分割模塊，用于將所述切包圖像輸入訓練好的雙支U-Net網絡模型中進行語義分割，以對所述切包圖像中的危險物品進行分類和標識。

為解決上述技術問題，本申請采用的再一個技術方案是：提供一種實時危險物品語義分割裝置，包括：

存儲器、以及與所述存儲器耦合的處理器，其中，

所述存儲器存儲有用于實現上述實時危險物品語義分割方法的程序指令；

所述處理器用于執行所述存儲器存儲的所述程序指令。

為解決上述技術問題，本申請采用的再一個技術方案是：提供一種存儲裝置，存儲有能夠實現上述實時危險物品語義分割方法的程序文件。