CN119295886A 基于多尺度特征融合的X-ray图像违禁品检测方法 （齐鲁工业大学(山东省科学院)）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN119295886A(43)申请公布日2025.01.10

(21)申请号202411844794.X

(22)申请日2024.12.16

(71)申请人齐鲁工业大学(山东省科学院)

地址250353山东省济南市长清区大学路

3501号

申请人山东省人工智能研究院

山东省计算中心(国家超级计算济

南中心)

山东大学

浙江大华技术股份有限公司

哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)

合肥工业大学

(74)专利代理机构山东知圣律师事务所37262专利代理师纪艳艳

(51)Int.CI.

GO6V10/80(2022.01)

GO6V10/44(2022.01)

GO6V10/774(2022.01)

GO6V10/82(2022.01)

GO6V20/62(2022.01)

GO6N3/0464(2023.01)

GO6N3/08(2023.01)

(72)发明人高赞刘文秋马春杰

聂礼强

吴建龙朱树磊金恒

殷俊

汪萌

权利要求书3页

说明书8页附图3页

(54)发明名称

基于多尺度特征融合的X-ray图像违禁品检

测方法

(57)摘要

CN119295886A本发明涉及一种基于多尺度特征融合的X-ray图像违禁品检测方法，属于图像处理技术领域。其包括以下步骤：获取X-ray违禁品数据集，并将数据集划分为训练集和测试集；构建基于多尺度特征融合的X-ray图像违禁品目标检测模型，所述模型包括图像分支、自适应高低通滤波器模块、文本分支、Neck层和Head头；训练集中图像输入到模型中对模型进行训练；采用损失函数对模型进行优化，得到训练好的模型；测试集中图像输入到训练好的模型中，得到违禁品检测结果。本发明通过图像文本的联合训练，在实时监

CN119295886A

糊问题。

获取

获取X-ray违禁品数据集，并将X-ray违

禁品数据集划分为训练集和测试集；

构建基于多尺度特征融合的X-ray图像违禁品目标检测模型，所述模型包括图像分支、自适应高低通滤波器模块、文本分支、Neck层和Head头；训练集中X-ray图像输入到模型中对模型进行训练；

采用损失函数对模型进行优化，得到训练好的模型；

测试集中X-ray图像输入到训练好的模型中，得到违禁品检测结果。

CN119295886A权利要求书1/3页

2

1.一种基于多尺度特征融合的X-ray图像违禁品检测方法，其特征在于，包括以下步

骤：

S1.获取X-ray违禁品数据集，并将X-ray违禁品数据集划分为训练集和测试集；

S2.构建基于多尺度特征融合的X-ray图像违禁品目标检测模型，所述模型包括图像分支、自适应高低通滤波器模块、文本分支、Neck层和Head头；训练集中X-ray图像输入到模型中对模型进行训练；

S3.采用损失函数对模型进行优化，得到训练好的模型；

S4.测试集中X-ray图像输入到训练好的模型中，得到违禁品检测结果。

2.根据权利要求1所述的基于多尺度特征融合的X-ray图像违禁品检测方法，其特征在于，步骤S1包括：

获取具有N张数据图片的X-ray违禁品数据集D,每张图片xn的组成如下：

其中，n表示图像的个数，yn表示与该数据集中类别数量一致的向量，索引yn,c表示出现在数据集中的指定类，Yn,c=1表示该类别出现在xn中，Yn,c=0表示未出现在xn中，Xn,c表示图像中不同类别对应的半透明子图像，Cf视为总违禁品目标物体类别，Cb表示图像中存在的所有与违禁品不相关的物体，称为背景类，Cb=C-Cf,C表示该数据集的类别数；Yn,c表示图像xn中违禁品目标物体类别是否存在，1表示存在，0表示不存在；Cf表示总违禁品类别Cf中的单个违禁品目标物体类别；Xn,c表示图像xn中的单个违禁品目标物体类别；Cb表示总背景类Cb中的单个背景类；Xn,c,表示图像xn中的单个背景类别。

3.根据权利要求1所述的基于多尺度特征融合的X-ray图像违禁品检测方法，其特征在于，步骤S2,在图像分支中，训练集X-ray图像输入到改进的YOLOv8的骨干网络进行特征提取得到多尺度特征，具体为：

所述改进的YOLOv8的骨干网络中采用YOL011的C3k2结构替换C2f结构，在骨干网络的最后一层SPPF模块之后