基于同类目标融合数据增广的鲁棒X光图像目标检测方法

1.一种基于同类目标融合数据增广的鲁棒x光图像目标检测方法，其特征在于，其包括如下步骤：

2.如权利要求1所述的基于同类目标融合数据增广的鲁棒x光图像目标检测方法，其特征在于，步骤a中，所准备的x光安检图像的数据集包括opixray、pidray和ms-coco。

3.如权利要求1或2所述的基于同类目标融合数据增广的鲁棒x光图像目标检测方法，其特征在于，步骤b中，在训练集的图片数据中加入标签噪声，以模拟噪声情况包括：对目标对象的类别标签和目标边界框标签分别加上标签噪声；

4.如权利要求3所述的基于同类目标融合数据增广的鲁棒x光图像目标检测方法，其特征在于，步骤c包括：对于训练集中每份图片数据中的每个目标对象t，该目标对象t对应的标签中含有指向目标对象位置信息的目标边界框标签和目标对象类别信息的类别标签；根据标签提供的类别信息，从原始的数据集中找k-1个具有相同类别信息的目标对象的图片，并根据其对应的目标边界框标签将图片数据中的目标对象裁剪出来，放入结果集中；

5.如权利要求4所述的基于同类目标融合数据增广的鲁棒x光图像目标检测方法，其特征在于，步骤d包括：

6.如权利要求5所述的基于同类目标融合数据增广的鲁棒x光图像目标检测方法，其特征在于，步骤e中，所述基于深度学习的目标检测器以faster rcnn作为基础目标检测网络，其核心部分包括基础特征提取网络、区域提议网络和区域分类与边界回归网络三个部分，分别用于特征提取，从特征图中选出候选区域和对每个候选区域进行分类和边界框回归。

7.如权利要求6所述的基于同类目标融合数据增广的鲁棒x光图像目标检测方法，其特征在于，步骤f包括：

8.如权利要求7所述的基于同类目标融合数据增广的鲁棒x光图像目标检测方法，其特征在于，步骤g还包括对数据进行预处理，其包括：使用随机翻转数据增强，对所有训练集和测试集的数据进行数据归一化；所述基础特征提取网络用在imagenet预训练的resnet来初始化开始训练，以随机梯度下降作为优化器，其中，初始学习率为0.0025，在训练的第17轮和21轮时，分别将学习率缩小10倍，权重衰减参数为0.0001，动量参数为0.9；每次迭代的mini-batch设置为2，整个网络训练24轮；在训练过程中，使用所述预设大损失抑制机制来修改损失函数，计算完损失之后，使用梯度下降算法进行反向传播，更新模型参数。

9.如权利要求8所述的基于同类目标融合数据增广的鲁棒x光图像目标检测方法，其特征在于，步骤h包括：将待检测的输入图像的分辨率变换为1333*800，然后输入到经训练好的用于x光安检图像目标检测的模型中，通过模型将提取的特征输入回归网络得到检测边界框坐标值，再输入到分类网络中预测其对应的类别，生成检测结果。