一种基于深度学习的太赫兹图像识别方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110390329A(43)申请公布日2019.10.29(21)申请号201910621428.0(22)申请日2019.07.10(71)申请人博微太赫兹信息科技有限公司地址230088安徽省合肥市高新区香樟大道199号(72)发明人罗美林郭林胡其枫卜伟华张华坤唐红强查文锦汪潮(74)专利代理机构合肥昊晟德专利代理事务所(普通合伙)34153代理人顾炜烨(51)Int.Cl.G06K9/32(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图2页(54)发明名称一种基于深度学习的太赫兹图像识别方法及系统(57)摘要本发明公开了一种基于深度学习的太赫兹图像识别方法及系统，属于太赫兹图像识别技术领域，包括以下步骤：S1：设计并训练卷积神经网络；S2：检测太赫兹原始图像中的危险目标信息；S3：对目标信息进行结构化处理；S4：将图像信息显示出来。在所述步骤S1中，在对太赫兹原始图像存在的危险目标进行检测前将所述卷积神经网络的权重文件载入检测设备。本发明实现了自动、高效的检测过程，有效地提高了安检速度和精度，可大大减少人工判图的时间，能够减少工作人员的数量；能够对大量信息进行有效过滤，保留有效信息，剔除冗余报警信息，将完整且简洁的检测结果显示，有效减少工作人员的工作量。CN110390329ACN110390329A权利要求书1/2页1.一种基于深度学习的太赫兹图像识别方法，其特征在于，包括以下步骤：S1：设计并训练卷积神经网络设计一个卷积神经网络，该卷积神经网络的主干网络结构为VGG16网络结构，并将VGG16网络结构的全连接层替换为卷积层，再增加四个卷积层，形成所述卷积神经网络结构，然后对该卷积神经网络进行训练，得到该卷积神经网络的权重文件；S2：检测太赫兹原始图像中的危险目标信息接收太赫兹原始图像，利用由卷积神经网络训练形成的权重文件对太赫兹原始图像存在的危险目标进行检测，得到危险目标信息；S3：对目标信息进行结构化处理对多幅太赫兹原始图像的目标信息进行结构化处理，形成结构化后的目标综合信息；S4：将图像信息显示出来将目标综合信息叠加到某一幅太赫兹原始图像中，将叠加目标综合信息的所述太赫兹图像与光学特写图像实时地显示在界面上。2.根据权利要求1所述的一种基于深度学习的太赫兹图像识别方法，其特征在于，在所述步骤S1中，对卷积神经网络训练的过程包括以下步骤：S101：采集大量的由检测设备形成的太赫兹原始图像样本；S102：对太赫兹原始图像样本进行预处理；S103：将预处理过后的太赫兹图像样本送入卷积神经网络进行训练；S104：得到所述卷积神经网络的权重文件。3.根据权利要求2所述的一种基于深度学习的太赫兹图像识别方法，其特征在于：在所述步骤S102中，预处理工作为对太赫兹原始图像样本进行随机翻转，随机大小的裁剪以及色度、饱和度、亮度的随机调节。4.根据权利要求3所述的一种基于深度学习的太赫兹图像识别方法，其特征在于：在所述步骤S103中，卷积神经网络的各级结构如下：第1层为两个步长为1，卷积核为3x3的卷积层，特征维度为64；第2层为一个步长为2，池化核大小为2x2的池化层，特征维度为64；第3层为两个步长为1，卷积核为3x3的卷积层，特征维度为128；第4层为一个步长为2，池化核大小为2x2的池化层，特征维度为128；第5层为三个步长为1，卷积核为3x3的卷积层，特征维度为256；第6层为一个步长为2，池化核大小为2x2的池化层，特征维度为256；第7层为三个步长为1，卷积核为3x3的卷积层，特征维度为512；第8层为一个步长为2，池化核大小为2x2的池化层，特征维度为512；第9层为三个步长为1，卷积核为3x3的卷积层，特征维度为512；第10层为一个步长为1，池化核大小为3x3的池化层，特征维度为512；第11层为两个步长为1，卷积核分别为3x3的卷积层，特征维度均为1024；第12层为一个步长为1，卷积核为1x1的卷积层，特征维度为256；第13层为一个步长为2，池化核大小为3x3的反卷积层，特征维度为512；第14层为一个步长为1，池化核大小为1x1的反卷积层，特征维度为128；第15层为一个步长为2，池化核大小为3x3的反卷积层，特征维度为256；2CN110390329A权利要求书2/2页第16层为一个步长为1，池化核大小为1x1的反卷积层，特征维度为128；第17层为一个步长为2，池化核大小为3x3的反卷积层，特征维度为256；第18层为一个步长为1，池化核大小为3x3的反卷积层，特征维度为18。5.根据权利要求1所述的一种基于深度学习的太赫兹