(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210637263.8 (22)申请日 2022.06.07 (71)申请人 大连东软信息学院 地址 116000 辽宁省大连市甘井 子区软件 园路8号 (72)发明人 张立宁　郭浩南　聂风翔　王博　 周蕴嘉　陈明华　 (74)专利代理 机构 大连至诚专利代理事务所 (特殊普通 合伙) 21242 专利代理师 王丹　陈义华 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/762(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于超参数残差卷积与聚类融合的X光 安检物品识别方法与系统 (57)摘要 本发明公开了一种基于超参数残差卷积与 聚类融合的X光安检物品识别方法及系统， 包括， 基于FasterRCNN目标检测算法创建模型并初始 化， 构建并处理X光安检物品数据集； 改进 FasterRCNN目标检测算法为超参数残差卷积与 聚类融合网络模型架构， 将处理后的X光安检数 据集用于模 型框架内， 调试相关参数对超参数残 差卷积与聚类融合网络模型迭代训练， 得到预期 的测试效果； 将模型封装保存并部署至人工智能 开发板。 本发明可解决X光安检图像中特定物品 识别准确度低、 检测速度慢等问题， 降低因人员 疲劳或注 意力不集中带来的漏报等问题， 提高公 共场所智能化 通行技术。 权利要求书2页 说明书7页 附图3页 CN 114926785 A 2022.08.19 CN 114926785 A 1.一种基于超参数残差卷积与聚类融合的X光 安检物品识别方法， 其特 征在于， 包括 获取X光安检物品的图片数据集， 对图片数据集进行数据增强， 对图片数据集中安检物 品的位置和类别进行 标注及划分， 并将图片数据集划分为训练集、 测试集； 创建Faster  RCNN目标检测模型， Faster  RCNN目标检测模型包括主干网络、 特征提取 网络、 预测网络， 对Faster  RCNN目标检测模型初始化， 将Faster  RCNN目标检测模型的主干 网络VGG16替换为ResNeXt101_vd超参数残差卷积网络， 并将特征提取网络RPN替换为特征 融合金字塔FPN， 通过由iou  loss、 iou  aware、 Matrix  NMS构成的组合型优化函数对预测网 络进行优化； 生成FPN初始锚点框， 基于Kmeans聚类算法、 X光安检物品 的图片数据 集对FPN初始锚点 框进行聚类优化； 训练修改后的Faster  RCNN目标检测模型并对其进行测试， 计算修改后的Faster  RCNN 目标检测模型的泛化能力， 根据泛化能力获选择并保存训练后的Faster  RCNN目标检测模 型； 将保存的Faster  RCNN目标检测模型进行封装， 在人工智能开发板上配置所述模型的 运行环境并进行测试， 检测识别X光 安检物品。 2.根据权利要求1所述的一种基于超参数残差卷积与聚类融合的X光安检物品识别方 法， 其特征在于， 所述特征融合金字塔FPN为首先将ResNeXt101_vd超参数残差卷积网络所 输出的特征矩阵向量作为输入特征， 输入特征经每个特征金字塔卷积输出为输出特征， 输 出特征激活表示为{C2、 C3、 C4、 C5}， {Conv2、 Conv3、 Conv4、 Conv5}为通过ResNeXt 101_vd超 参数残差 卷积网络进行特征提取过程的卷积层组， {C2、 C3、 C4、 C5}与{Conv2、 Conv3、 Conv4、 Conv5}相对应， 设置步长为{4、 8、 16、 32}以及参数， {C2、 C3、 C4、 C5 }通过步长及参数进行横 向特征连接操作后生成新的特征映射{P2、 P3、 P4、 P5}， {P2、 P3、 P4、 P5}与{Conv2、 Conv3、 Conv4、 Conv5}在空间大小上相一 致， 接着在C 5卷积层后加入1x1卷积核。 3.根据权利要求1所述的一种基于超参数残差卷积与聚类融合的X光安检物品识别方 法， 其特征在于， 所述通过由iou  loss、 iou  aware、 Matrix  NMS构成的组合型优化函数对预 测网络进行优化是指 在模型训练时计算预测框与真实框的重合度IoU， 对IoU做取反操作并加入到损失函数 iou loss中， 所述损失函数根据公式(1)进行计算， iou losss＝1‑IoU*IoU               (1) 增加一个新的通道用于在模型训练的同时对IoU进行特殊学习， 所述特殊学习为计算 IoU与当前分类概 率的乘积并将乘积作为检测置信度score， 当score得分或重合度大于某一阈值， 获取对应的预测框， 根据Matrix  NMS极大值抑制 算法利用软化滤除的方式降低预测框的评分、 优化重 叠同类物体的I oU。 4.一种基于超参数残差卷积与聚类融合的X光安检物品识别系统， 其特征在于， 包括模 型和数据集创建模块、 模型训练模块、 部署模块， 模型和数据集创建模块用于创建Faster  RCNN目标检测模型， Faster  RCNN目标检测模 型包括主干网络、 特征提取网络、 预测网络， 对Faster  RCNN目标检测 模型初始化， 获取X光 安检物品的图片数据集， 对图片数据集进行数据增强， 对图片数据集中安检物品的位置和 类别进行 标注及划分， 并将图片数据集划分为训练集、 测试集；权　利　要　求　书 1/2 页 2 CN 114926785 A 2模型训练模块用于将F aster RCNN目标检测模型的主干网络V GG16替换为ResNeXt101_ vd超参数残差卷积网络， 并将特征提取网络RPN替换为特征融合金字塔FPN， 通过由iou   loss、 iou  aware、 Matrix  NMS构成的组合型优化函数对预测网络进行优化； 生成FPN初始锚 点框， 基于Kmeans聚类算法、 X光安检物品的图片数据集对 FPN初始锚点框进 行聚类优化； 训 练修改后的Faster  RCNN目标检测模型并对其进行测试， 计算修改后的Faster  RCNN目标检 测模型的泛化能力， 根据泛化能力获选择并保存训练后的Faster  RCNN目标检测模型； 部署模块用于将保存的Faster  RCNN目标检测模型进行封装， 在人工智能开发板上配 置所述模型的运行环境并进行测试， 检测识别X光 安检物品。权　利　要　求　书 2/2 页 3 CN 114926785 A 3