[发明专利]一种基于异类别元学习的X光下重叠物体识别方法

权利要求书

1.一种基于异类别元学习的X光下重叠物体识别方法，其特征在于，包括如下步骤：

S1、通过若干元学习数据集，采用异类别元学习的方式训练得到YOLOv5模型的初始化参数θ_n；

S2、对YOLOv5加载初始化参数θ_n，并且使用目标数据集进行训练得到训练好的YOLOv5_meta模型，其中，YOLOv5中回归框CIOU loss中的原中心点回归方法改为重心点回归方法；

S3、采用YOLOv5_meta模型对原始图像中物品进行识别，并逐层识别出物品后，去除识别出的物品的相关区块，直至没有待识别的物品；

步骤S1包括如下步骤：

步骤一、将收集到的数据集划分为目标数据集以及N个元学习数据集，将每个元学习数据集划分为一个子任务，子任务的类别数量不完全相同，并且将每一个任务均划分为训练集N_{_i_train}以及测试集N_{_i_test}；所述目标数据集包含多类别待检测危险物品的数据集；所述元学习数据集即包含的数据与目标数据集不同的数据集；

步骤二、针对子任务一，初始化YOLOv5模型参数为θ₀，使用任务一的训练集N_{_1_train}，对YOLOv5模型进行训练，使用训练损失对YOLOv5模型参数更新为θ_{_1_train}；

步骤三、使用子任务一的测试集N_{_1_test}对使用θ_{_1_train}参数下的YOLOv5模型进行测试，计算此时损失loss₁以及此时损失梯度gard₁，使用学习率对参数θ₀更新为θ₁，更新公式如下：

θ₁＝θ₀-α×gard₁

                   (1)

步骤四、将θ₁依照检测层与前置层进行拆分，检测层的数量为根据子任务一的元学习数据集中物品类别数量进行更改的，并保持与元学习数据集中物品类别数量一致；前置层即检测层之外的部分，层数固定不变，即有：

其中θ_{forword_layer1}表示任务一的YOLOv5模型的前置层中θ1对应的参数；θ_{Detect_layer1}表示任务一的YOLOv5模型的检测层中θ1对应的参数；

步骤五、针对任务二，设此时任务二检测类别与任务一不相同，初始化YOLOv5模型参数为θ_{_2_init}，此时θ_{_2_init}参数为：

其中，θ_{forword_layer1}沿用上一层前置层中θ₁对应的参数；

θ_{Detect_layer2_init}为任务二中检测层初始参数；

步骤六、使用任务二训练集N_{_2_train}，对YOLOv5模型进行训练，使用训练任务二损失对模型参数更新为θ_{_2_train}；

步骤七、使用任务二测试集N_{_2_test}对使用θ_{_2_train}参数下的YOLOv5模型进行测试，计算此时损失loss₂以及此时损失梯度gard₂，使用学习率对参数θ₁更新为θ₂，更新公式如下：

θ₂＝θ₁-α×gard₂

                   (3)

步骤八、将θ₂依照检测层与前置层进行拆分，即

其中θ_{forword_layer2}表示任务二的YOLOv5模型的前置层中θ₂对应的参数；θ_{Detect_layer2}表示任务二中YOLOv5模型的检测层中θ₂对应的参数；

步骤九、迭代重复步骤五至步骤八直到将N个任务全部学习自定义次数，并且得到参数θ_n，此时参数θ_n即为异类别元学习后YOLOv5模型的初始化参数；

步骤S2中，重心点回归方法中，重心确定公式如下：

其中，x₀，y₀，分别代表图像重心位置的x轴和y轴坐标；f(x_i，y_j)代表在x＝i，y＝j时点的密度；m表示x轴的像素点数量，n表示y轴的像素点数量；

其中，color₁、color₂、color₃、color₄分别代表橙色orange、绿色green、蓝色blue和黑色black，设定当颜色最浅时则取得当前颜色物体密度最小值；min(color₁)代表当前密度最小的橙色物体的密度，max(color₁)代表当前密度最大的橙色物体；RGB()函数代表取当前物体颜色的RGB值，f(x_i,y_j)_color表示x＝i，y＝j的点的颜色，其中α₁、α₂、α₃和α₄分别代表最浅橙色物体的密度值、最浅绿色物体的密度值、最浅蓝色物体的密度值、最浅黑色物体的密度值，β₁、β₂、β₃和β₄分别代表橙色密度的比例因子、绿色密度的比例因子、蓝色密度的比例因子和黑色密度的比例因子；

density()表示密度；

重心点回归方法的重心回归损失KIOU loss如下：

其中，KIOU loss表示重心回归损失；D_c表示标签框对角线距离，D_k表示标签框与预测框重心点距离，h_r表示真实框高度，h_p表示预测框高度，w_r表示真实框宽度，w_p表示预测框宽度；当标签框重心与预测框重心点一致时D_k距离为0，仅对宽高比例进行回归，当预测框与真实框宽高一致时后置项为0；IOU表示目标框∩预测框以及目标框∪预测框，abs()表示取绝对值。