1.毫米波SAR人体安检图像违禁品检测方法,其特征在于:包括:
S1、采集人体安检图像,构建数据集;
S2、对数据集中的目标进行标注,得到标注好的数据集;
S3、基于步骤S1的数据集对FSRCNN模型进行迭代训练,得到训练好的FSRCNN模型,将步骤S2中标注好的数据集输入训练好的FSRCNN模型中,得到超分辨重建图像;
S4、基于改进的YOLOv5s算法对超分辨重建图像进行训练,当损失函数最小时,得到违禁品检测模型;损失函数为:其中,、分别为对应顶点的距离,,,和分别为真实框左上角和右下角,和分别为预测框左上角和右下角,w、h分别为输入的超分辨重建图像的宽度、高度;
S5、将待检测人体安检图像输入训练好的FSRCNN模型进行超分辨重建,将超分辨重建图像输入违禁品检测模型,得到检测结果。
2.根据权利要求1所述的毫米波SAR人体安检图像违禁品检测方法,其特征在于:步骤S2中使用LabelImg图像标注软件,按照PASCAL VOC数据格式对数据集中的目标进行矩形边界标注。
3.根据权利要求1所述的毫米波SAR人体安检图像违禁品检测方法,其特征在于:步骤S3中FSRCNN模型的结构包括特征提取层、收缩层、非线性特征映射层、扩大层、反卷积层,特征提取层从输入的数据集中提取有用特征,特征提取层卷积核大小为5,输出通道数为d,收缩层通过一个1×1的卷积核将特征通道从d降低到s,每个非线性特征映射层是3×3的卷积核,经非线性特征映射层对图像特征进行细化和增强,扩大层是一个1×1的卷积层,用于拓展特征通道数从s回到d,反卷积层使用ConvTranspose2d卷积降低分辨率的特征图上采样到高分辨率。
4.根据权利要求1所述的毫米波SAR人体安检图像违禁品检测方法,其特征在于:步骤S3中基于步骤S1的数据集对FSRCNN模型进行迭代训练使用Adam算法进行优化训练,当损失函数MSE达到最小或到达迭代总次数时,停止训练,损失函数MSE用来衡量超分辨重建图像与原始高分辨率图像之间的误差,计算公式为:其中,是原始图像中的像素值,是FSRCNN模型预测的超分辨重建图像中的像素值,n为数据集的样本数量。
5.毫米波SAR人体安检图像违禁品检测装置,其特征在于:包括:
数据采集单元,用于采集人体安检图像,构建数据集;
数据标注单元,用于对数据集中的目标进行标注,得到标注好的数据集;
超分辨重建单元,用于基于数据采集单元的数据集对FSRCNN模型进行迭代训练,得到训练好的FSRCNN模型,将数据标注单元中标注好的数据集输入训练好的FSRCNN模型中,得到超分辨重建图像;
模型训练单元,用于基于改进的YOLOv5s算法对超分辨重建图像进行训练,当损失函数最小时,得到违禁品检测模型;损失函数为:其中,、分别为对应顶点的距离,,,和分别为真实框左上角和右下角,和分别为预测框左上角和右下角,w、h分别为输入的超分辨重建图像的宽度、高度;
模型检测单元,用于将待检测人体安检图像输入训练好的FSRCNN模型进行超分辨重建,将超分辨重建图像输入违禁品检测模型,得到检测结果。
6.根据权利要求5所述的毫米波SAR人体安检图像违禁品检测装置,其特征在于:所述数据标注单元中使用LabelImg图像标注软件,按照PASCAL VOC数据格式对数据集中的目标进行矩形边界标注。
7.根据权利要求5所述的毫米波SAR人体安检图像违禁品检测装置,其特征在于:所述超分辨重建单元中FSRCNN模型的结构包括特征提取层、收缩层、非线性特征映射层、扩大层、反卷积层,特征提取层从输入的数据集中提取有用特征,特征提取层卷积核大小为5,输出通道数为d,收缩层通过一个1×1的卷积核将特征通道从d降低到s,每个非线性特征映射层是3×3的卷积核,经非线性特征映射层对图像特征进行细化和增强,扩大层是一个1×1的卷积层,用于拓展特征通道数从s回到d,反卷积层使用ConvTranspose2d卷积降低分辨率的特征图上采样到高分辨率。
8.根据权利要求5所述的毫米波SAR人体安检图像违禁品检测装置,其特征在于:所述超分辨重建单元中基于数据采集单元的数据集对FSRCNN模型进行迭代训练使用Adam算法进行优化训练,当损失函数MSE达到最小或到达迭代次数时,停止训练,损失函数MSE用来衡量超分辨重建图像与原始高分辨率图像之间的误差,计算公式为:其中,是原始图像中的像素值,是FSRCNN模型预测的超分辨重建图像中的像素值,n为数据集的样本数量。