50000張測試圖像(不帶標注，每 個類別150張圖像Kimage化t數(shù)據(jù)集由可變分辨率圖像組成，但是系統(tǒng)需要一個不變的輸 入維度。因此，本發(fā)明降采樣圖像到固定的256*256分辨率。在運里本發(fā)明從Image化t數(shù)據(jù) 集中選擇0.12億張訓(xùn)練圖像作為訓(xùn)練數(shù)據(jù)集，測試數(shù)據(jù)集采用帶有標簽的確認數(shù)據(jù)集。 [00%] 本發(fā)明使用巧巾最流行的卷積神經(jīng)網(wǎng)絡(luò)模型，分別是化ffeNet，VGG和Google化t。 化ffeNet是ILSVRC 2012競賽的冠軍，是卷積神經(jīng)網(wǎng)絡(luò)在圖像分類上的經(jīng)典模型，由5個組 的卷積和3層全連接(2層全連接圖像特征，1層全連接分類特征）組成。VGG和Google化t是 ILSVRC 2014競賽的雙雄，運兩類模型結(jié)構(gòu)的共同特點是網(wǎng)絡(luò)層數(shù)更多，網(wǎng)絡(luò)更深。VGG繼承 了 CaffeNet的框架，給出了 A-E五種配置，卷積層數(shù)從8到16遞增，常用的是VGG16和VGG19。 GoogoleNet的框架與化ffeNet不同，共有22層，其最大的特點就是提升了計算資源的利用 率，在網(wǎng)絡(luò)需要的計算量不變的前提下，可提升網(wǎng)絡(luò)的寬度和深度，并且GoogLeNe使用的參 數(shù)比VGG少12倍，而正確率更高。
[0027] 3)列出中國民航中危險物品類別；
[00%]在中國民用航空運輸中，由于許多危險物品會威脅到飛行安全，因此禁止帶入飛 機。在ImageNet子數(shù)據(jù)集的1000類物品中（ID從巧IjlOOO)，第27類是民航中的危險物品，如 表1所示。
[0029] 表1:民航中危險物品類別
[0030]
[0031]
[0032] 4)將上述危險物品類別中的原始圖像和旋轉(zhuǎn)180度后的圖像輸入上述已訓(xùn)練好的 卷積神經(jīng)網(wǎng)絡(luò)模型，得到top-5測試結(jié)果，實現(xiàn)含有危險物品圖像的分類；
[0033] 將上述危險物品類別中的原始圖像作為訓(xùn)練圖像輸入到上述已訓(xùn)練好的卷積神 經(jīng)網(wǎng)絡(luò)模型，得到top-5測試結(jié)果。本發(fā)明采用常用的top-5分類準確率標準，即輸出概率最 大的5個類別，如果輸出的圖像標注的類別在運5個類別中，表明該圖像分類正確。
[0034] 但有一些圖像，圖1中給出了一些特例，當將運些原始圖像輸入已訓(xùn)練好的卷積神 經(jīng)網(wǎng)絡(luò)模型（比如CaffeNet模型）后，輸出的圖像不能正確分類。但是，如果將原始圖像旋轉(zhuǎn) 180度后再輸入卷積神經(jīng)網(wǎng)絡(luò)模型，圖像就能夠正確分類。比如:槍的圖像標注是第763類， 很明顯，該圖像中含有危險物品，但是，如果將其輸入化ffeNet模型，輸出的top-5測試結(jié)果 分別是512、600、875、473、584，其中沒有763，表明該圖像未被正確識別，而將其旋轉(zhuǎn)180度 后，再輸入化ffeNet模型，輸出的top-5測試結(jié)果分別是763、764、413、902、473.其中第一個 就是763,表明該圖像被正確識別?？蒞看出，旋轉(zhuǎn)圖像可W提高危險物品圖像分類的準確 率。
[0035] 因此，本發(fā)明分別將原始圖像和旋轉(zhuǎn)180后的圖像輸入卷積神經(jīng)網(wǎng)絡(luò)模型，只要一 個輸出的分類結(jié)果是危險物品即可(如圖1(b)所示）。圖2為經(jīng)過CaffeNet模型，旋轉(zhuǎn)前不能 識別而旋轉(zhuǎn)后可W識別的圖像示例。
[0036] 當需要識別危險物品圖像時，可將該圖像輸入上述已訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模 型，如果自動輸出的類別屬于危險物品的類別，表明該圖像為危險物品圖像，提示告警。
[0037] 由于本發(fā)明采用了卷積神經(jīng)網(wǎng)絡(luò)模型，與W前的基于圖像低層特征的方法相比， 分類準確率已經(jīng)有了較大的提高。
[003引表2給出了分別采用化ffeNet、VGG16、VGG19、Google化t四種卷積神經(jīng)網(wǎng)絡(luò)模型， 考慮旋轉(zhuǎn)和不考慮旋轉(zhuǎn)的圖像分類的準確率。為了使對比結(jié)果更直觀，圖3給出了準確率對 比曲線。從表2和圖3中我們可W得到如下結(jié)論：（1)在四種卷積神經(jīng)網(wǎng)絡(luò)模型中，準確率最 局的是Googl e化t，最差的是化f f eNet。（ 2)旋轉(zhuǎn)是提局危險物品識別率的有效方法，無論義 用哪個模型，大部分類別圖像的分類準確率都會得到不同程度的提高。
[0039] 另外，1'〇9_4中1^值即類別的選擇，對于圖像分類準確率有一定影響。圖4選擇了兩 個典型的危險物品圖像類別，一個是413,一個是763。結(jié)果顯示，隨著k值的增加，準確率在 開始的時候有大幅度的增加，但是隨著k值的進一步增加，準確率基本保持不變。因此，k值 的設(shè)置要適中，通常選5。
[0040] 表2:使用四種卷積神經(jīng)網(wǎng)絡(luò)，考慮圖像旋轉(zhuǎn)的top_5準確率的對比數(shù)據(jù)
[0041]
[0042]
【主權(quán)項】
1. 一種基于卷積神經(jīng)網(wǎng)絡(luò)模型的危險物品圖像分類方法，其特征在于：其包括按順序 進行的下列步驟： 1) 在圖形處理器上搭建基于包含多種卷積神經(jīng)網(wǎng)絡(luò)模型的Caffe深度學(xué)習(xí)框架的平 臺； 2) 準備訓(xùn)練數(shù)據(jù)集和帶有標簽的測試數(shù)據(jù)集，并利用上述數(shù)據(jù)集在圖形處理器上訓(xùn)練 上述卷積神經(jīng)網(wǎng)絡(luò)模型； 3) 列出中國民航中危險物品類別； 4) 將上述危險物品類別中的原始圖像和旋轉(zhuǎn)180度后的圖像輸入上述已訓(xùn)練好的卷積 神經(jīng)網(wǎng)絡(luò)模型，得到top-5測試結(jié)果，實現(xiàn)含有危險物品圖像的分類。2. 根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)模型的危險物品圖像分類方法，其特征在 于:在步驟2)中，所述的訓(xùn)練數(shù)據(jù)集是由從ImageNet數(shù)據(jù)集中選擇的0.12億張訓(xùn)練圖像組 成；測試數(shù)據(jù)集采用帶有標簽的確認數(shù)據(jù)集；卷積神經(jīng)網(wǎng)絡(luò)模型采用CaffeNet、VGG和 GoogleNet〇
【專利摘要】一種基于卷積神經(jīng)網(wǎng)絡(luò)模型的危險物品圖像分類方法。其包括在圖形處理器上搭建基于包含多種卷積神經(jīng)網(wǎng)絡(luò)模型的Caffe深度學(xué)習(xí)框架的平臺；準備訓(xùn)練數(shù)據(jù)集和帶有標簽的測試數(shù)據(jù)集，并利用上述數(shù)據(jù)集在圖形處理器上訓(xùn)練上述卷積神經(jīng)網(wǎng)絡(luò)模型；列出中國民航中危險物品類別；將危險物品類別中的原始圖像和旋轉(zhuǎn)180度后的圖像輸入上述已訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型，得到top-5測試結(jié)果，實現(xiàn)含有危險物品圖像的分類。本發(fā)明方法具有智能性強，方法簡單，分類準確，檢測速度快等優(yōu)點，適用于對含有民航危險物品圖像的自動分類。
【IPC分類】G06K9/62, G06N3/08
【公開號】CN105631482
【申請?zhí)枴緾N201610119110
【發(fā)明人】屈景怡, 吳仁彪, 朱威, 李佳怡
【申請人】中國民航大學(xué)
【公開日】2016年6月1日
【申請日】2016年3月3日