[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

说明书

本发明公开了一种基于异类别元学习的X光下重叠物体识别方法，本发明采用异类别元学习的方法进行训练，且通过KIOU loss的方式使得预测框快速达到稳定值，还通过逐层识别的方式识别重叠物品。本发明可以对少样本物体进行很好的学习，并且提高了YOLO的训练效率，同时对重叠物体进行分离，提高了重叠物识别准确率，便于安检人员识别重叠物体，极大提高安检识别效率。

技术领域

本发明涉及安全检测领域，特别是涉及一种基于异类别元学习的X光下重叠物体识别方法。

背景技术

在公共安防领域内，使用X光对包内物体进行中经常存在物体堆叠等情况，在多数情况下安检员不能完全确定当前场景下所有物体，需要拦截开包检测进行物体确认，在人流量大的情况下会极大的增加检查增加拥堵程度，影响出行体验，此外安检员检测效率与工作时间劳累程度高度相关，高频率开包检测会使得安检员在后半工作时间内效率低下。

目前目标检测等技术已经拓展到安检领域，其中以YOLO为代表的目标检测框架以及他的改进模型，与以RCNN为基础的检测框架以及他的改进模型被应用于安检领域中X光下危险物识别，在数据足够多的情况下也能识别部分重叠物体。

现有目标检测的技术方案，主要分为2类，一类为单阶段检测，另一类为两阶段检测。其中两阶段检测的方案主要分为以下三步，首先选定可能的框的大小，然后通过滑动窗口对可能框进行匹配，最后通过匹配上的框通过网络再进行识别。单阶段检测以YOLO为例，首先将图片分割为K*K个像素，然后对图像中物体的中心值与K*K的像素进行对应并且对框进行回归得到最终结果。

但是现有技术方案的存在如下缺点：

（1）在安防领域中违禁品多为小样本数据，当目标样本数据数量足够少时，直接训练网络往往效果很差，通过网络通过数据增广或是使用预训练模型的方法或许能提高精度，但是效果有限很难达到预期。

（2）使用元学习可以对模型进行较好的初始化参数在小样本数据集中可以得到很好的效果，但是元学习目前大都应用于图像识别领域，即对图片中某一类物品进行检测。而安检时是同时对多类物品进行检测，因此使用元学习方案对目标检测数据集进行拆分难度大。

（3）目前元学习按照相同类别数进行划分，数据集存在类别数量不同时，便不能进行网络参数的更新，而安检时，进行目标检测中若使用元学习，往往类别数量不同。

（4）YOLOv5 模型中CIOU loss虽然考虑到物体中心位置以及物体的长宽比例，但是在某些任务上中心点并不能很好的反应当前物体的重点部分，甚至在某些任务中可能出现物体标定框的中心点不在物体上。比如弯刀的中心点，以及长柄手枪中心点有很大概率不在物体上，具体见图1-1和图1-2，其中黑点代表物体中心点。

发明内容

为解决上述技术问题，本发明提出了一种基于异类别元学习的X光下重叠物体识别方法。本发明可以对少样本物体进行很好的学习，并且提高了YOLO的训练效率，同时对重叠物体进行分离，提高了重叠物识别准确率，便于安检人员识别重叠物体，极大提高安检识别效率。

本发明的目的通过以下技术方案实现：

一种基于异类别元学习的X光下重叠物体识别方法，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。