[發明專利]基于改進中心點檢測的安檢X光圖像目標檢測與識別方法

有效

• 申請號: 202011155107.5
• 申請日: 2020-10-26
• 公開（公告）號: CN112232432B
• 公開（公告）日: 2023-04-11
• 發明（設計）人: 宋永紅;吳極;張元林
• 申請（專利權）人: 西安交通大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/82
• 代理公司: 西安智大知識產權代理事務所 61215
• 代理人: 何會俠

1.一種基于改進中心點檢測的安檢X光圖像目標檢測與識別方法，其特征在于：包括如下步驟：

步驟A：在獲取X-Ray安檢機拍攝的X光圖像后，每張圖像中有多個目標，以目標左上角像素點坐標、長寬和類別信息標注出每張X光圖像中的目標，已標注的圖像組成訓練圖像集；

步驟B：搭建CenterNet模型，引入高斯模型對網絡的輸出建模，修改損失函數，得到改進后的CenterNet模型；

步驟C：將步驟A中的訓練圖像集依次混合、旋轉、豎直翻轉進行數據增廣，將增廣后的圖像用R、G、B、灰度、H五個通道來表示，訓練步驟B中的改進后的CenterNet模型，得到適用于安檢X光圖像目標檢測與識別任務的模型；

步驟D：在對一張訓練圖像集之外的安檢X光圖像進行目標檢測與識別時，首先將安檢X光圖像進行預處理，之后將預處理后的圖像輸入步驟C中的適用于安檢X光圖像目標檢測與識別任務的模型，由模型輸出得到安檢X光圖像中目標檢測與識別結果。

2.根據權利要求1所述的一種基于改進中心點檢測的安檢X光圖像目標檢測與識別方法，其特征在于：所述步驟B具體步驟如下：

步驟B01：搭建CenterNet模型，CenterNet模型的主干網絡選取DlA34網絡；CenterNet模型具體描述：CenterNet模型由一個主干網絡和三個全連接檢測頭組成，用主干網絡來提取圖像特征得到特征圖，將特征圖輸入到三個全連接檢測頭中，三個全連接檢測頭分別輸出預測目標的中心點、寬高和中心點的偏置；

步驟B02：采用高斯分布對步驟B01中全連接檢測頭的輸出建立模型，具體地，把每個預測框的寬和高建模為均值和方差的高斯分布，同時采用負對數似然損失，從而得到改進后的CenterNet模型。

3.根據權利要求1所述的一種基于改進中心點檢測的安檢X光圖像目標檢測與識別方法，其特征在于：所述步驟C具體步驟如下：

步驟C01：將步驟A中的訓練圖像集中的圖像X1輸入步驟B中改進后的CenterNet模型進行訓練時，首先進行混合：以預設的概率隨機選取余下訓練圖像集中的一張圖像X2，將圖像X2與圖像X1以固定的透明度進行疊加，得到圖像X3；

步驟C02：再將步驟C01中圖像X3以預設的概率旋轉隨機角度，得到圖像X4；

步驟C03：再將步驟C02中圖像X4以預設的概率進行豎直翻轉，得到圖像X5；

步驟C04：最后，將步驟C03中的圖像X5用R、G、B、灰度、H五個通道來表示，從而得到圖像X6；其中，灰度通道的計算公式：(R*30+G*59+B*11)/100，H通道計算公式如下：

V＝最大值(R,G,B)

如果H＜0那么H＝H+360.

輸出值的范圍：0≤V≤1,0≤S≤1,0≤H≤360.

其中，R表示紅色，G表示綠色，B表示藍色，R，G，B為RGB顏色空間的三種基本色，H表示色相、S表示飽和度、V表示明度，H，S，V用來描述HSV顏色空間；

步驟C05：將步驟C04中的圖像X6，調整為固定大小768*768，然后輸入主干網絡中進行訓練，其中神經網絡的初始學習率設置為7.5e-4，衰減率設置為0.1，學習率分別在訓練圖像集訓練720輪，960輪時進行衰減，一次訓練選取48張安檢X光圖像，訓練圖像集共訓練1120輪，從而得到適用于安檢X光圖像目標檢測與識別任務的模型。

4.根據權利要求1所述的一種基于改進中心點檢測的安檢X光圖像目標檢測與識別方法，其特征在于：所述步驟D具體步驟如下：

步驟D01：在對一張訓練圖像集之外的安檢X光圖像進行目標檢測與識別任務時，先進行預處理，預處理步驟如下：首先將安檢X光圖像Y1用R、G、B、灰度、H五個通道來表示，得到圖像Y2，將圖像Y2的R、G、B、灰度、H像素值由正整數轉成浮點數，然后縮放到[0，1]之間，再將像素值歸一化到標準正態分布，得到圖像Y3，將圖像Y3放縮至固定尺寸，得到圖像Y4；

步驟D02：將圖像Y4輸入步驟C中的適用于安檢X光圖像目標檢測與識別任務的模型，得到圖像中目標的中心點、中心點偏置以及長寬，選出大于設定閾值的中心點，根據選出的中心點的信息、所選中心點對應偏置以及所選中心點對應的長寬信息，從而得到目標的類別以及位置信息，得到檢測結果。