[發明專利]一種基于深度學習網絡的槍支圖像識別方法和系統

在審

• 申請號: 202010908251.5
• 申請日: 2020-09-02
• 公開（公告）號: CN112036494A
• 公開（公告）日: 2020-12-04
• 發明（設計）人: 周志飛;王曉琳;張剛;崔斌;李軼昳;沈玉杰;馬新和
• 申請（專利權）人: 公安部物證鑒定中心
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京紀凱知識產權代理有限公司 11245
• 代理人: 趙悅

1.一種基于深度學習網絡的槍支圖像識別方法，其特征在于，包括以下步驟：

S1構建槍支圖像數據集，并對所述槍支圖像數據集中圖槍支圖像進行預處理；

S2基于Resnet18網絡建立槍支識別網絡模型，所述槍支識別網絡模型由若干段組成；

S3輸入槍支類型已知的槍支圖像，對所述槍支識別網絡模型進行訓練，得到各槍支類別對應的權重；

S4將待測槍支圖像輸入經過訓練的槍支識別網絡模型，獲得最終槍支類別。

2.如權利要求1所述的基于深度學習網絡的槍支圖像識別方法，其特征在于，所述步驟S1中預處理過程包括：將槍支圖像粗分為整槍、槍支部件和標記錯誤圖片，并剔除槍支部件和標記錯誤圖片。

3.如權利要求1所述的基于深度學習網絡的槍支圖像識別方法，其特征在于，所述步驟S2中建立槍支識別網絡模型中的段的步驟包括：將輸入的槍支圖像分為本體分支和殘差分支兩部分，對分入本體分支的所述槍支圖像分別進行3×3卷積，批標準化和第一ReLU非線性激活，將得到的特征圖像輸入下一層網絡，所述特征圖像再次經過3×3卷積和批標準化操作后獲得經過處理的本體分支特征圖；對分入本體分支的所述槍支圖像分別進行1×1卷積和批標準化，與所述經過處理的本體分支特征圖一起進行第二ReLU非線性激活，將所述第二ReLU非線性激活輸出的特征圖輸入本體分支和殘差分支兩部分，對分入本體分支的特征圖分別進行3×3卷積，批標準化及第三ReLU非線性激活，將其輸出結果送入下一層網絡，再次進行3×3卷積和批標準化處理，并將處理結果與分入本體分支的特征圖合并，進行第四ReLU非線性激活，從而生成支識別網絡模型中的段。

4.如權利要求3所述的基于深度學習網絡的槍支圖像識別方法，其特征在于，所述槍支識別網絡模型由依次相連的四個段組成。

5.如權利要求1-4任一項所述的基于深度學習網絡的槍支圖像識別方法，其特征在于，所述步驟S3中，槍支類型已知的槍支圖像經過以下步驟后輸入所述槍支識別網絡模型：首先去除圖像上的干擾信息，優化圖像的分辨率；其次，對所述圖像進行剪裁及翻轉，并將所述圖像拆分成訓練集和測試集；最后，對所述圖像分別進行7×7卷積，批標準化，ReLU激活及3×3最大池化的操作。

6.如權利要求5所述的基于深度學習網絡的槍支圖像識別方法，其特征在于，所述步驟S3中對所述槍支識別網絡模型進行訓練的過程包括：采用所述訓練集對所述槍支識別網絡模型進行訓練，以使其聯合損失函數最小，從而獲得所述槍支識別網絡模型中各槍支類型所占的權重，通過所述測試集測試訓練結果的準確性，保存訓練中最高識別精度的槍支識別模型中各槍支類型所占的權重，作為下一次訓練模型的初始值。

7.如權利要求6所述的基于深度學習網絡的槍支圖像識別方法，其特征在于，所述聯合損失函數為四個softmax損失函數，所述四個softmax損失函數分別約束槍支的左右朝向，槍支的大類劃分，槍支的原始ID和槍支的合并ID，所述原始ID是槍支圖像的原始標簽，合并ID是指槍支圖像剔除錯誤標記，進行數據清洗之后的圖像標簽。

8.如權利要求1-4任一項所述的基于深度學習網絡的槍支圖像識別方法，其特征在于，所述步驟S4的具體過程為：對所述槍支識別網絡模型輸出的槍支的二維特征圖在池化層進行全局平均池化，然后進入全連接層，所述全連接層把所述池化層的二維特征圖平鋪成一維的特征向量，并通過softmax損失函數約束，輸出槍支型號標簽。

9.一種基于深度學習網絡的槍支圖像識別系統，其特征在于，包括：

圖像預處理模塊，用于構建槍支圖像數據集，并對所述槍支圖像數據集中圖槍支圖像進行預處理；

建模模塊，用于基于Resnet18網絡建立槍支識別網絡模型，所述槍支識別網絡模型由若干段組成；

訓練模塊，用于輸入槍支類型已知的槍支圖像，對所述槍支識別網絡模型進行訓練，得到各槍支類別對應的權重；

結果輸出模塊，用于將待測槍支圖像輸入經過訓練的槍支識別網絡模型，獲得最終槍支類別。