[发明专利]一种针对重叠问题的X射线安检违禁品检测方法

权利要求书

1.一种针对重叠问题的X射线安检违禁品检测方法，其特征在于，包括

步骤一：将训练集图像输入网络中进行训练：

网络分为特征提取网络和检测网络两个子网络；特征提取网络负责输入的图像到特征图谱的转化，采用ResNet-50-FPN网络作为特征提取网络；

检测网络负责特征图谱到对边界框的预测转化以及训练阶段中损失函数的求取；

在检测网络中，特征图谱经过ATSS层的回归和分类得到第一次预测结果，特征图谱上不同位置的采样点负责对不同位置的目标进行预测，将标签通过ATSS层的标签分配策略为特征图谱上的每一个采样点赋予对应的标签信息；预测的结果分为分类预测和回归预测，其中分类预测是多个类别对应的预测概率值；将预测得到的多类别概率值和标签分配获得的正确类别信息输入到OB模块中，用于生成第二次预测所使用的特征图谱；

在OB模块中，假定重叠的物体不属于同一类别，因此重叠区域的同一采样点所包含的源自不同物体的特征对应不同的类别，求所有采样点预测的多类别概率值对于正确类别的梯度，并反向传播到特征图谱所在的网络层；由于反向传播获取的梯度大小反应了特征图谱的特征与正确目标的相关程度，因此可以作为权重对特征图谱重新加权；采用Sigmoid函数，将权重变换到0到1之间，Sigmoid函数如下：

使用权重对原特征图谱进行加权来增强相关特征，减弱无关特征，生成新的特征图谱x_new如下：

其中x表示特征图谱，y表示预测的多类别置信度，表示分配的类别标签；

考虑到为0的情况下Sigmoid(0)＝0.5，为了使得网络退化后依然有x_new＝x，修改生成公式为：

进一步采用相同方式求取梯度，根据求取的梯度，在原公式中添加一项，用来进一步减弱无关特征：

其中y*表示除正确类别外预测概率最高的类别；

从OB模块输出得到新的特征图谱后，重新输入ATSS层，得到新的预测结果并计算新的预测结果与目标之间的损失函数，损失函数如下：

回归损失L_reg：

L_reg＝G_iou*L_GIoU(P_reg，G_reg)

边界框质量预测损失L_IOU：

L_IOU＝G_iou*L_BCE(P_iou，G_iou)

分类损失L_cls：

L_cls＝L_{FL_loss}(P_cls，G_cls)

其中，L_GIoU为GIoU损失函数，L_BCE为二元交叉熵损失函数，L_{FL_loss}为Focal loss损失函数；P_reg，G_reg，P_iou，G_iou分别为对应标签为前景的采样点的回归预测、实际回归目标、边界框质量预测、边界框实际质量，其中边界框质量的含义为预测的边界框与实际的边界框的相交区域与合并区域的比值，P_cls和G_cls分别为所有采样点的分类预测和实际类别；总的损失函数L如下：

其中，A为正样本数量，B为所有正样本的G_iou之和；

通过损失函数和梯度下降算法对网络参数进行优化，经过多次迭代后获得最终可用于检测的网络；

步骤二：将测试集图像输入训练后网络中进行测试：

测试阶段的OB模块输入只有类别的预测；OB模块设计了一个判断是否有输入的标签的环节，如果没有输入的标签，就用预测的类别概率值中最大的类别代替真实标签进行标签分配，其他的步骤则与训练阶段一致；

假设网络经过训练后已经能正确预测类别，第二次预测的结果通过后处理得到最终的预测的边界框，使用真实的边界框标签与最终的预测的边界框计算mAP用以评价网络性能。