[發明專利]安檢圖像分類模型訓練方法、安檢圖像分類方法及裝置

在審

• 申請號: 202111575378.0
• 申請日: 2021-12-22
• 公開（公告）號: CN113963220A
• 公開（公告）日: 2022-01-21
• 發明（設計）人: 閆瑞海
• 申請（專利權）人: 熵基科技股份有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/46;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市深佳知識產權代理事務所(普通合伙) 44285
• 代理人: 吳欣蔚

1.一種安檢圖像分類模型訓練方法，其特征在于，安檢圖像分類模型包括第一網絡結構和第二網絡結構；

所述安檢圖像分類模型的訓練過程，包括：

獲取已標注分類結果標簽的安檢訓練圖像；

利用所述第一網絡結構提取所述安檢訓練圖像的特征圖，并基于提取的特征圖預測安檢訓練圖像的第一分類結果；

基于所述第一分類結果及所述安檢訓練圖像標注的分類結果標簽，計算第一網絡結構的第一損失；

利用所述第二網絡結構對所述第一網絡結構提取的特征圖進行形狀特征提取，得到形狀特征圖，并基于所述形狀特征圖預測安檢訓練圖像的第二分類結果；

基于所述第二分類結果及所述安檢訓練圖像標注的分類結果標簽，計算第二網絡結構的第二損失；

基于所述第一損失及所述第二損失，計算安檢圖像分類模型的總損失，并基于所述總損失調整所述安檢圖像分類模型的網絡參數，直至達到設定訓練結束條件為止，得到訓練后的安檢圖像分類模型。

2.根據權利要求1所述的方法，其特征在于，所述第二網絡結構包括形狀特征提取層；

利用所述第二網絡結構對所述第一網絡結構提取的特征圖進行形狀特征提取，包括：

利用所述形狀特征提取層對所述第一網絡結構提取的特征圖進行形狀特征提取，其中，所述形狀特征提取層，利用邊緣檢測算子對所述第一網絡結構提取的特征圖進行形狀特征提取。

3.根據權利要求2所述的方法，其特征在于，所述邊緣檢測算子包括Sobel算子；

利用邊緣檢測算子對所述第一網絡結構提取的特征圖進行形狀特征提取，包括：

利用Sobel算子對所述第一網絡結構提取的特征圖進行水平方向形狀特征提取，得到水平形狀特征圖；

利用Sobel算子對所述第一網絡結構提取的特征圖進行豎直方向形狀特征提取，得到豎直形狀特征圖；

綜合所述水平形狀特征圖及所述豎直形狀特征圖，得到最終的形狀特征圖。

4.根據權利要求1所述的方法，其特征在于，所述第一網絡結構包括卷積神經網絡，所述卷積神經網絡包括多層特征提取層；

利用所述第一網絡結構提取所述安檢訓練圖像的特征圖，并基于提取的特征圖預測安檢訓練圖像的第一分類結果，包括：

將所述安檢訓練圖像輸入卷積神經網絡中，得到卷積神經網絡各層輸出的特征圖，并基于卷積神經網絡最后一層特征提取層輸出的特征圖預測安檢訓練圖像的第一分類結果。

5.根據權利要求4所述的方法，其特征在于，利用所述第二網絡結構對所述第一網絡結構提取的特征圖進行形狀特征提取，包括：

選擇所述卷積神經網絡中任一特征提取層輸出的特征圖，作為目標特征圖；

利用所述第二網絡結構對所述目標特征圖進行形狀特征提取。

6.根據權利要求5所述的方法，其特征在于，所述卷積神經網絡為殘差網絡，其中，所述殘差網絡的池化層中包含模糊濾波器，所述殘差網絡中包括多層卷積層；

選擇所述卷積神經網絡中任一特征提取層輸出的特征圖，作為目標特征圖，包括：

在所述殘差網絡的前N層中選擇任一卷積層輸出的特征圖，作為目標特征圖，其中，N為所述殘差網絡中所有卷積層個數的一半。

7.根據權利要求6所述的方法，其特征在于，所述模糊濾波器包括以下任意一種：低通濾波器及中值濾波器。

8.一種安檢圖像分類方法，其特征在于，包括：

獲取待識別的安檢圖像；

利用權利要求1-7任一項安檢圖像分類模型訓練方法所訓練得到的安檢圖像分類模型對所述安檢圖像進行分類，得到分類結果。