[发明专利]目标检测网络训练及检测方法、装置、终端及存储介质

说明书

本申请提供一种目标检测网络训练及检测方法、装置、终端及存储介质，目标检测网络训练方法包括：获取源域图像集和目标域图像集；通过初始检测网络对第一扫描图像和第二扫描图像分别进行检测，得到第一扫描图像的目标预测信息、第一预测域分类标签、第二预测域分类标签以及第二扫描图像的第一预测域分类标签和第二预测域分类标签；基于同一第一扫描图像的预测信息和对应的标注的真实信息以及同一第二扫描图像的预测信息和对应的标注的真实信息构建损失函数；基于损失函数对初始检测网络进行迭代训练，得到目标检测网络。本申请通过源域图像集和目标域图像集训练得到目标检测网络，可以提高目标检测网络的准确性。

技术领域

本申请涉及图像识别技术领域，特别是涉及一种目标检测网络训练及检测方法、装置、终端及存储介质。

背景技术

X光安检机正广泛应用于铁路、机场、码头、政府机关、物流等需要安全检查的重要场所，随着计算机技术和智能图像处理技术的发展，利用目标检测算法辅助安检员识别危险品可以有效地提高安检效率，还能减少由于安检员的视觉疲劳而造成的漏报和误报问题。根据不同的场景需求，X光安检机使用的射线源不完全相同，而不同的射线源成像的物体颜色也会有所差异，对于现有检测技术而言，很难有效地将不同射线源成像的图片适配于同一个算法，这就要求目标检测算法能够适用于不同射线源X光安检机的危险品检测任务。

发明内容

本申请主要解决的技术问题是提供一种目标检测网络训练及检测方法、装置、终端及存储介质，解决现有技术中目标检测网络难以对不同射线源对应的扫描图像进行危险品检测的问题。

为解决上述技术问题，本申请采用的第一个技术方案是：提供一种目标检测网络训练方法，目标检测网络训练方法包括：获取源域图像集和目标域图像集，源域图像集包括多张标注有目标真实信息以及第一真实域分类标签和第二真实域分类标签的第一扫描图像；目标域图像集包括多张标注有第一真实域分类标签和第二真实域分类标签且未标注目标信息的第二扫描图像；第一扫描图像和第二扫描图像分别基于不同的射线源扫描；通过构建的初始检测网络对第一扫描图像和第二扫描图像分别进行检测，得到第一扫描图像的目标预测信息、第一预测域分类标签、第二预测域分类标签以及第二扫描图像的第一预测域分类标签和第二预测域分类标签；基于同一第一扫描图像的目标预测信息与标注的目标真实信息、同一第一扫描图像的第一预测域分类标签与标注的第一真实域分类标签和第二预测域分类标签与标注的第二真实域分类标签以及同一第二扫描图像的第一预测域分类标签与标注的第一真实域分类标签和第二预测域分类标签与标注的第二真实域分类标签标签构建损失函数；基于损失函数对初始检测网络进行迭代训练，得到目标检测网络。

其中，构建初始检测网络的步骤包括：基于初始目标检测网络、初始图像特征域分类网络和初始目标特征域分类网络构建初始检测网络；其中，初始目标检测网络包括顺次连接的初始特征提取模块、初始特征聚合模块和初始目标预测模块；初始特征提取模块与初始图像特征域分类网络连接，初始特征聚合模块与初始目标特征域分类网络连接。

其中，基于损失函数对初始检测网络进行迭代训练，得到目标检测网络，包括：基于损失函数对初始检测网络中的初始目标检测网络、初始图像特征域分类网络和初始目标特征域分类网络中的权重进行修正，得到目标检测网络、图像特征域分类网络和目标特征域分类网络；去除图像特征域分类网络和目标特征域分类网络，保留目标检测网络。

其中，第一扫描图像和第二扫描图像为不同射线源的X射线对应的扫描图像；目标预测信息包括目标预测位置和目标预测类别；通过构建的初始检测网络对第一扫描图像和第二扫描图像分别进行检测，得到第一扫描图像的目标预测信息、第一预测域分类标签、第二预测域分类标签以及第二扫描图像的第一预测域分类标签和第二预测域分类标签，之前还包括：将第一扫描图像和第二扫描图像的尺寸调整至第一预设尺寸；并对第一扫描图像和第二扫描图像进行归一化处理，得到对应的预处理扫描图像。

其中，初始特征提取模块与初始图像特征域分类网络之间设置有第一梯度反转层；和/或初始特征聚合模块与初始目标特征域分类网络之间设置有第二梯度反转层。