(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 202210683874.6 (22)申请日 2022.06.17 (71)申请人 北京师范大学 地址 100875 北京市海淀区新 街口外大街 19号 (72)发明人 孙波　何珺　张迎辉　钟阳财　 刘筠　 (74)专利代理 机构 北京睿智保诚专利代理事务 所(普通合伙) 11732 专利代理师 杜娟 (51)Int.Cl. G06V 10/74(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) (54)发明名称 一种基于自然引导和数据增强的违禁物品 检测方法及系统 (57)摘要 本发明公开了一种基于自然引导和数据增 强的违禁物品检测方法及系统， 应用于X光安全 检查技术领域， 其方法包括以下步骤： S1、 基于原 始目标检测框构造自然图像和X光安检图像的训 练样本对； S2、 通过数据增强策略提升训练样本 对的多样性； S3、 对数据增强策略获得的第一预 测框结果进行分步融合， 得到第二预测框结果 S4、 根据所述第二预测框 结果对违禁物品进行检 测； 通过所述目标检测方法对违禁物品进行检 测， 引入自然 图像为X光安检图像数据集提供外 观特征， 增强模型对违禁品的判别 能力， 提升检 测精度； 通过不同的数据增强策略提升数据集的 多样性， 减低因数据集本身的缺陷带来的影响， 能够大大提高X光违禁物品检测模型的检测性 能。 权利要求书1页 说明书5页 附图1页 CN 114898131 A 2022.08.12 CN 114898131 A 1.一种基于自然引导和数据增强的违 禁物品检测方法， 其特 征在于， 包括以下步骤： S1、 基于原 始目标检测框构造自然图像和X光 安检图像的训练样本对； S2、 通过数据增强策略提升所述训练样本对的多样性； S3、 对所述数据增强策略获得的第一预测框结果进行分步融合， 得到第二预测框结果； S4、 根据所述第二预测框结果对违 禁物品进行检测。 2.根据权利要求1所述的一种基于自然引导和数据增强的违禁物品检测方法， 其特征 在于， 所述 步骤S1包括： S11、 通过原 始目标检测框获取违 禁物品的分类准确度； S12、 基于所述分类准确度判断所述违 禁物品的分类是否存在混淆； S13、 如果存在混淆， 获取存在混淆的类别 信息并确定自然图像的引入类别； S14、 在自然图像样本集中寻找包 含所述引入类别的违 禁物品图像进行样本配对。 3.根据权利要求1所述的一种基于自然引导和数据增强的X光违禁物品检测方法， 其特 征在于， 所述步骤S2具体为： 通过图像金字塔对 所述X光安检图像的尺度进 行校正； 从所述X 光安检图像中提取违禁品投影到其他X光安检图像中； 对所述X光安检图像进行对比度增 强、 亮度增强处 理。 4.根据权利要求1所述的一种基于自然引导和数据增强的违禁物品检测方法， 其特征 在于， 所述 步骤S3具体为： S31、 获取所述数据增强策略的第一预测框结果， 所述第 一预测框结果为预测框位置坐 标以及置信度信息； S32、 将所述第一预测框结果按照置信度降序排列， 去除置信度低于预设阈值的预测 框， 得到参与集成学习的待融合预测框集 合； S33、 分步融合S32中得到的待融合预测框， 得到初步融合预测框与未被融合预测框 。 5.根据权利要求4所述的一种基于自然引导和数据增强的违禁物品检测方法， 其特征 在于， 所述 步骤S33之后还包括： S34、 判断所述初步融合预测框与所述未被融合预测框之间的融合 程度， 如果所述融合 程度大于融合阈值， 执 行步骤S3 5， 否则执 行步骤S3 6； S35、 将所述初步融合预测框与所述未被 融合预测框重新融合， 得到一个次级预测框结 果； S36、 将所述未被融合预测框单独聚类， 得到一个次级预测框结果； S37、 获取 所述次级预测框结果 合集， 作为第二预测框结果。 6.一种基于自然引导和数据增强的违禁物品检测系统， 其特征在于， 包括： 自然引导模 块、 数据增强模块、 策略集成模块、 目标检测模块； 所述自然引导模块构造自然图像和X光 安检图像的训练样本对； 所述数据增强模块 通过数据增强策略提升所述训练样本对的多样性； 所述策略集成模块对所述数据增强策略的第 一预测框结果进行分步融合， 得到第 二预 测框结果； 所述目标检测模块 根据所述第二预测框结果进行违 禁物品检测。权　利　要　求　书 1/1 页 2 CN 114898131 A 2一种基于自然引导和数据增强的违 禁物品检测方 法及系统 技术领域 [0001]本发明涉及X光安全检查技术领域， 更具体的说是涉及一种基于自然引导和数据 增强的违 禁物品检测方法及系统。 背景技术 [0002]X光安全检查在火车、 飞机、 地铁等公共交通场所中发挥着重要作用。 X光安检机将 行李扫描成伪彩色， 安检人员需要根据对各类违禁物品成像的记忆和经验识别出行李中违 禁物品的种类和位置。 然而目前这种安检方式的效率完全依赖于安检人员的经验及工作状 态， 易受环境影响， 导 致漏检、 误检可能性增 加大。 [0003]为了减轻安检人员负担， 提升安全检查效率， 采用计算机自动实现违禁物品检测 变得更加迫切和重要。 随着计算机视觉技术的发展， 目标检测任务常被用于物体的分类与 定位， 这与X光安检图像中识别并定位违禁物品的任务相似。 在现有的深度学习方法中， 通 常采用迁移学习技术， 直接将经典的目标检测 算法迁移到X光安检图像的违禁品检测研究 中， 然而由于X光安检机的成像特殊性， X光安检图像在外观上和自然光图像有很大不同， X 光安检图像丢失了较多的细节信息如颜色、 纹理等， 并且图像重叠、 遮挡严重， 目前常用的 目标检测模型并不适用， 因此， 如何补充X光安检图像中违禁物品信息、 提高模型泛化能力 以及检测性是本领域 技术人员急需解决的技 术问题。 发明内容 [0004]有鉴于此， 本发明提供了一种基于自然引导和数据增强的违禁物品检测方法及系 统 [0005]为了实现上述目的， 本发明提供如下技 术方案： [0006]一种基于自然引导和数据增强的违 禁物品检测方法， 包括以下步骤： [0007]S1、 基于原 始目标检测框构造自然图像和X光 安检图像的训练样本对； [0008]S2、 通过数据增强策略提升所述训练样本对的多样性； [0009]S3、 对所述数据增强策略获得的第一预测框结果进行分步融合， 得到第二预测框 结果； [0010]S4、 根据所述第二预测框结果对违 禁物品进行检测。 [0011]优选的， 所述 步骤S1包括： [0012]S11、 通过原 始目标检测框获取违 禁物品的分类准确度； [0013]S12、 基于所述分类准确度判断所述违 禁物品的分类是否存在混淆； [0014]S13、 如果存在混淆， 获取存在混淆的类别 信息并确定自然图像的引入类别； [0015]S14、 在自然图像样本集中寻找包 含所述引入类别的违 禁物品图像进行样本配对。 [0016]优选的， 所述步骤S2具体为： 通过图像金字塔对所述X光安检图像的尺度进行校 正； 从所述X光安检图像中提取违禁品投影到其他X光安检图像中； 对 所述X光安检图像进 行 对比度增强、 亮度增强处 理。说　明　书 1/5 页 3 CN 114898131 A 3