安检图像分类模型训练方法、安检图像分类方法及装置与流程

1.本技术涉及分类领域，更具体地说，涉及一种安检图像分类模型训练方法、安检图像分类方法及装置。


背景技术：

2.越来越多人选择地铁和高铁作为出行方式，而不管是选择高铁还是地铁，人们在进站前都需要进行安检，以保证人们的出行安全。此外，网购的便捷，导致人们越来越愿意网上购物，包裹数量急剧增多，在包裹的运输过程中，也需要进行安检，以保证社会安全。因而，安检技术成为了人们关注的焦点。特别地，在行李和包裹中一般存在多件物品，基于此，在安检机所采集到的安检图像中的各个物品图像之间易存在交叠，即，危险品图像及普通物品图像在安检图像中易存在重叠，这为安检技术带来了较大的挑战。
3.基于此，为了解决上述的问题，可以引入能够分辨安检图像中各个重叠物品类别的分类模型，对安检图像进行分类。其中，分类模型的准确率是能否分辨安检图像中各个重叠物品类别的关键，因而，亟需一种分类模型的训练方法，用于在安检图像训练数据集上进行训练，能够提高神经网络的准确率，以保证安检过程中能够分辨各个重叠物品类别，并以此为依据进行安检图像分类。


技术实现要素：

4.有鉴于此，本技术提供了一种安检图像分类模型训练方法、安检图像分类方法及装置，用于在安检图像训练数据集上进行训练，以保证安检过程中能够分辨各个重叠物品类别，并以此为依据进行安检图像分类。
5.为了实现上述目的，现提出的方案如下：一种安检图像分类模型训练方法，安检图像分类模型包括第一网络结构和第二网络结构；所述安检图像分类模型的训练过程，包括：获取已标注分类结果标签的安检训练图像；利用所述第一网络结构提取所述安检训练图像的特征图，并基于提取的特征图预测安检训练图像的第一分类结果；基于所述第一分类结果及所述安检训练图像标注的分类结果标签，计算第一网络结构的第一损失；利用所述第二网络结构对所述第一网络结构提取的特征图进行形状特征提取，得到形状特征图，并基于所述形状特征图预测安检训练图像的第二分类结果；基于所述第二分类结果及所述安检训练图像标注的分类结果标签，计算第二网络结构的第二损失；基于所述第一损失及所述第二损失，计算安检图像分类模型的总损失，并基于所述总损失调整所述安检图像分类模型的网络参数，直至达到设定训练结束条件为止，得到
训练后的安检图像分类模型。
6.优选地，所述第二网络结构包括形状特征提取层；利用所述第二网络结构对所述第一网络结构提取的特征图进行形状特征提取，包括：利用所述形状特征提取层对所述第一网络结构提取的特征图进行形状特征提取，其中，所述形状特征提取层，利用边缘检测算子对所述第一网络结构提取的特征图进行形状特征提取。
7.优选地，所述边缘检测算子包括sobel算子；利用边缘检测算子对所述第一网络结构提取的特征图进行形状特征提取，包括：利用sobel算子对所述第一网络结构提取的特征图进行水平方向形状特征提取，得到水平形状特征图；利用sobel算子对所述第一网络结构提取的特征图进行竖直方向形状特征提取，得到竖直形状特征图；综合所述水平形状特征图及所述竖直形状特征图，得到最终的形状特征图。
8.优选地，所述第一网络结构包括卷积神经网络，所述卷积神经网络包括多层特征提取层；利用所述第一网络结构提取所述安检训练图像的特征图，并基于提取的特征图预测安检训练图像的第一分类结果，包括：将所述安检训练图像输入卷积神经网络中，得到卷积神经网络各层输出的特征图，并基于卷积神经网络最后一层特征提取层输出的特征图预测安检训练图像的第一分类结果。
9.优选地，利用所述第二网络结构对所述第一网络结构提取的特征图进行形状特征提取，包括：选择所述卷积神经网络中任一特征提取层输出的特征图，作为目标特征图；利用所述第二网络结构对所述目标特征图进行形状特征提取。
10.优选地，所述卷积神经网络为残差网络，其中，所述残差网络的池化层中包含模糊滤波器，所述残差网络中包括多层卷积层；选择所述卷积神经网络中任一特征提取层输出的特征图，作为目标特征图，包括：在所述残差网络的前n层中选择任一卷积层输出的特征图，作为目标特征图，其中，n为所述残差网络中所有卷积层个数的一半。
11.优选地，所述模糊滤波器包括以下任意一种：低通滤波器及中值滤波器。
12.一种图像分类方法，包括：获取待识别的安检图像；利用如前所述的安检图像分类模型训练方法所训练得到的安检图像分类模型对所述安检图像进行分类，得到分类结果。
13.优选地，利用如前所述的安检图像分类模型训练方法所训练得到的安检图像分类模型对所述安检图像进行分类，得到分类结果，包括：利用所述安检图像分类模型中的第一网络结构对所述安检图像进行分类，得到第一网络结构输出的第一识别结果，以此作为最终的分类结果；
或，利用所述安检图像分类模型中的第一网络结构对所述安检图像进行分类，得到第一网络结构输出的第一识别结果；利用所述安检图像分类模型中的第二网络结构对所述安检图像进行分类，得到第二网络结构输出的第二识别结果；基于所述第一识别结果及所述第二识别结果，得到最终的分类结果。
14.一种安检图像分类装置，包括：图像获取单元，用于获取待识别的安检图像；图像分类单元，用于利用预训练的安检图像分类模型对所述安检图像进行分类，得到分类结果；其中，所述安检图像分类模型被配置为包括第一网络结构和第二网络结构；通过第一网络结构提取输入的安检图像的特征图，并基于提取的特征图预测安检图像的第一分类结果，以及，通过第二网络结构对所述第一网络结构提取的特征图进行形状特征提取，得到形状特征图，并基于所述形状特征图预测安检图像的第二分类结果。
15.从上述的技术方案可以看出，本技术提供的一种安检图像分类模型训练方法，所训练的安检图像分类模型包括第一网络结构和第二网络结构，在训练过程中，可以获取已标注分类结果标签的安检训练图像，其中，分类结果可以为安检禁止携带的各个危险品的名称；然后，可以利用所述第一网络结构提取所述安检训练图像的特征图，并基于提取的特征图预测安检训练图像的第一分类结果，此时，第一网络结构可以进行特征提取，并确认该安检训练图像的分类结果；随后，基于所述第一分类结果及所述安检训练图像标注的分类结果标签，计算第一网络结构的第一损失，此时，可以确认第一网络结构的分类结果与预测的分类结果之间的第一损失；随之，可以利用所述第二网络结构对所述第一网络结构提取的特征图进行形状特征提取，得到形状特征图，并基于所述形状特征图预测安检训练图像的第二分类结果；此时，第二网络结构能够进行形状特征的提取并根据提取到的形状特征，确认该安检训练图像的分类结果，接着，可以基于所述第二分类结果及所述安检训练图像标注的分类结果标签，计算第二网络结构的第二损失，此时，第二损失与形状特征息息相关，是基于形状特征所确定的；最后，可以基于所述第一损失及所述第二损失，计算安检图像分类模型的总损失，并基于所述总损失调整所述安检图像分类模型的网络参数，直至达到设定训练结束条件为止，得到训练后的安检图像分类模型，基于此，安检图像分类模型的各个参数值基于第一损失和第二损失所确定，由于第二损失与形状特征息息相关，那么，得到的修改参数后的安检图像分类模型在进行图像分类时，会更关注于形状特征。而本技术经过研究发现，物品形状、物品纹理及物品色彩特征对于分辨物品的类别所做的贡献并不相同，物品形状更易于分辨物品的类别，从而基于物品的类别，进行图像分类。因而，基于形状特征进行物品识别，能够提高对危险品的分辨率及准确率，基于此，更易于进行图像分类。可见，通过本技术的安检图像分类模型训练方法所训练得到的安检图像分类模型，能够提高神经网络分类的准确率，能够更易于分辨物品的类别，并进行图像分类。
附图说明
16.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本
申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
17.图1为本技术公开的一种安检图像分类模型训练方法流程图；图2为本技术示例的一种安检图像分类模型的结构图；图3为本技术公开的一种安检图像分类方法流程图；图4为本技术公开的一种安检图像分类装置结构框图。
具体实施方式
18.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
19.在安检过程中，采集的行李图像中的各个物品图像易存在重叠，这为安检技术带来了较大地挑战。本技术为了解决这个问题，尝试引入能够分辨安检图像中各个重叠物品类别的分类模型，对安检图像进行分类。而为了能够得到该分类模型，本技术提供了一种安检图像分类模型训练方法，用于在安检图像训练数据集上进行训练，以保证安检过程中能够分辨各个重叠物品类别，并以此为依据进行安检图像分类。
20.接下来结合图1和图2对本技术的安检图像分类模型训练方法进行详细介绍，该安检图像分类模型包括第一网络结构和第二网络结构，示例如图2，安检图像分类模型3中包含第一网络结构1和第二网络结构2，其中，第一网络结构1及第二网络结构2都能够输出分类结果。
21.基于此，该安检图像分类模型的训练过程如图1所示，包括如下步骤：步骤s110、获取已标注分类结果标签的安检训练图像。
22.具体地，分类结果标签可以为安检违禁品的类别，例如电池类、数码类、生活物品类、容器类、打火机类、刀具类、生活工具类、枪支类。
23.为了获取安检训练图像可以从网站上的安检图像中选取或裁剪得到仅含有单类别危险品的图像，在得到的各个图像中标注对应的分类结果，基于此，可以得到已标注分类结果标签的安检训练图像，并以此作为训练样本集。
24.步骤s120、利用所述第一网络结构提取所述安检训练图像的特征图，并基于提取的特征图预测安检训练图像的第一分类结果。
25.具体地，第一网络结构可以提取安检训练图像的特征，并输出特征图。该特征可以包括安检训练图像中物品图像的色彩、形状及纹理，因而，特征图上也可以包含安检训练图像中各个物品图像的色彩、形状及纹理，基于各个物品图像的色彩、形状及纹理，确定是否含有安检违禁品，若是含有违禁品，则确定违禁品的类别，以违禁品的类别作为第一分类结果。
26.示例如图2，第一网络结构1中的特征图提取层4可以用于输出特征图，该特征图的尺寸可以为[256, 256, 56, 56]。
[0027]
步骤s130、基于所述第一分类结果及所述安检训练图像标注的分类结果标签，计算第一网络结构的第一损失。
[0028]
具体地，当得到第一分类结果后，可以基于该第一分类结果及安检训练图像标注的分类结果标签计算第一网络结构的第一损失。
[0029]
其中，可以使用交叉熵损失函数计算得到第一网络结构的第一损失。
[0030]
示例如，可以设一个batch数据样本，作为安检图像分类模型的输入样本，输入至第一网络结构中。以xi作为一个安检训练图像，以yi作为该样本对应的分类结果标签，以m作为batch size时，其中，batch size可以为256，可以得到如下公式：此时，可以用e作为交叉熵损失函数，x为输入至第一网络结构的特征图，f（x）表示第一网络结构所对应的函数，y表示第一网络结构的分类结果，那么，可以得到第一网络结构所对应的第一损失为如下公式：步骤s140、利用所述第二网络结构对所述特征图进行形状特征提取，得到形状特征图，并基于所述形状特征图预测安检训练图像的第二分类结果。
[0031]
具体地，特征图是指步骤s130中第一网络结构提取的特征图。
[0032]
第二网络结构可以对该特征图进行形状特征提取，从而得到形状特征图，而该特征图上可以包含安检训练图像中各个物品图像的色彩、形状及纹理。因而，在基于形状特征图预测安检训练图像的第二分类结果时，摒弃了色彩及纹理的影响，仅参考各个物品图像的形状。
[0033]
示例如图2，可以将第一网络结构1中的特征图提取层4输出的特征图，作为第二网络结构的输入。具体地，可以获取特征图提取层4输出的特征图输入至第二网络结构2的输入层5中，以进行形状特征提取。
[0034]
步骤s150、基于所述第二分类结果及所述安检训练图像标注的分类结果标签，计算第二网络结构的第二损失。
[0035]
具体地，当得到第二分类结果后，可以基于该第二分类结果及安检训练图像标注的分类结果标签计算第二网络结构的第二损失。可见，在确定损失时，第一分类结果及第二分类结果所参照的分类结果标签是一致的，即，若第一分类结果与第二分类结果一致，则第一损失与第二损失一致。
[0036]
其中，可以使用交叉熵损失函数计算得到第二网络结构的第二损失。
[0037]
示例如，可以用e作为交叉熵损失函数，x
´
为输入至第二网络结构的特征图，s（x
´
）表示第二网络结构所对应的函数，y表示第二网络结构的分类结果，那么，可以得到第二网络结构所对应的第二损失为如下公式：步骤s160、基于所述第一损失及所述第二损失，计算安检图像分类模型的总损失，并基于所述总损失调整所述安检图像分类模型的网络参数，直至达到设定训练结束条件为止，得到训练后的安检图像分类模型。
[0038]
具体地，可以将所述第一损失与第二损失相加，得到安检图像分类模型的总损失，并以此为依据，可以调整安检图像分类模型的网络参数。
[0039]
基于此，可以得到参数调整后的安检图像分类模型，且可以重复执行步骤s110，直至总损失低于预设的阈值，此时，所得到的安检图像分类模型作为训练后的安检图像分类模型。
[0040]
示例如，将第一损失和第二损失相加，可以得到总损失为如下：将上述步骤中s130及s150中的第一损失及第二损失所对应的公式带入此处的公式中，可以得到公式如下：从上述的技术方案可以看出，本技术实施例提供的安检图像分类模型训练方法，所训练得到的安检图像分类模型包括第一网络结构和第二网络结构，在训练过程中，可以获取已标注分类结果标签的安检训练图像，其中，分类结果可以为安检禁止携带的各个危险品的名称；然后，可以利用所述第一网络结构提取所述安检训练图像的特征图，并基于提取的特征图预测安检训练图像的第一分类结果，此时，第一网络结构可以进行特征提取，并确认该安检训练图像的分类结果；随后，基于所述第一分类结果及所述安检训练图像标注的分类结果标签，计算第一网络结构的第一损失，此时，可以确认第一网络结构的分类结果与预测的分类结果之间的第一损失；随之，可以利用所述第二网络结构对所述第一网络结构提取的特征图进行形状特征提取，得到形状特征图，并基于所述形状特征图预测安检训练图像的第二分类结果；此时，第二网络结构能够进行形状特征的提取并根据提取到的形状特征，确认该安检训练图像的分类结果，接着，可以基于所述第二分类结果及所述安检训练图像标注的分类结果标签，计算第二网络结构的第二损失，此时，第二损失与形状特征息息相关，是基于形状特征所确定的；最后，可以基于所述第一损失及所述第二损失，计算安检图像分类模型的总损失，并基于所述总损失调整所述安检图像分类模型的网络参数，直至达到设定训练结束条件为止，得到训练后的安检图像分类模型，基于此，安检图像分类模型的各个参数值基于第一损失和第二损失所确定，由于第二损失与形状特征息息相关，那么，得到的修改参数后的安检图像分类模型在进行图像分类时，会更关注于形状特征，能够用于辅助校正第一网络结构所对应的传播梯度变化。而本技术经过研究发现，物品形状、物品纹理及物品色彩特征对于分辨物品的类别所做的贡献并不相同，物品形状更易于分辨物品的类别，从而基于物品的类别，进行图像分类。因而，基于形状特征进行物品识别，能够提高对危险品的分辨率，基于此，更易于进行图像分类。可见，通过本技术的安检图像分类模型训练方法所训练得到的安检图像分类模型，能够更易于分辨物品的类别，并进行图像分类。
[0041]
在本技术的一些实施例中，该第二网络结构可以包括形状特征提取层，那么，可以对步骤s140中利用所述第二网络结构对所述特征图进行形状特征提取的过程进行说明，即，可以利用形状特征提取层对第一网络结构提取的特征图进行形状特征提取。
[0042]
具体地，形状特征提取层，可以用于利用边缘检测算子对所述第一网络结构提取的特征图进行形状特征提取。
[0043]
其中，边缘检测算子可以为sobel算子、prewitt 算子、roberts算子及canny算子等。
[0044]
从上述的技术方案可以看出，本实施例提供了一种提取形状特征图的方式，即，第二网络结构可以包括形状特征提取层，该形状特征提取层利用边缘检测算子进行形状特征提取。可见，本实施例相比于上一实施例能够更好地进行形状特征的提取，得到形状特征图，从而使得第二分类结果更为准确，降低了第二损失。
[0045]
在本技术的一些实施例中，可以将边缘检测算子确定为sobel算子，基于此，对步骤s140中利用所述第二网络结构对所述特征图进行形状特征提取的过程进行说明，步骤如下：s10、利用sobel算子对所述第一网络结构提取的特征图进行水平方向形状特征提取，得到水平形状特征图。
[0046]
具体地，sobel算子的原理是对输入的图像进行卷积，再进行阈值运算，以此来确定边缘信息。
[0047]
其中，sobel 算子有竖直方向及水平方向的算子，可以利用sobel 算子中水平方向的算子进行卷积运算，即，进行水平方向形状特征提取，得到水平形状特征图。
[0048]
sobel 算子中水平方向的算子l
x
可以如下列表1所示：表1那么，以s
x
表示水平形状特征图，以l
x
表明sobel 算子中水平方向的算子，以g表明输入至第二网络结构的特征图，那么可以下列公式表明水平形状特征图的提取过程：s11、利用sobel算子对所述第一网络结构提取的特征图进行竖直方向形状特征提取，得到竖直形状特征图。
[0049]
具体地，sobel 算子有竖直方向及水平方向的算子，可以利用sobel 算子中竖直方向的算子进行卷积运算，即，进行竖直方向形状特征提取，得到竖直形状特征图。
[0050]
其中，sobel 算子中竖直方向的算子ly可以如下列表2所示：表2那么，以sy表示竖直形状特征图，以ly表明sobel 算子中竖直方向的算子，以g表明
输入至第二网络结构的特征图，那么可以下列公式表明竖直形状特征图的提取过程：s12、综合所述水平形状特征图及所述竖直形状特征图，得到最终的形状特征图。
[0051]
具体地，可以s
x
代表水平形状特征图，以sy代表竖直形状特征图，则可以求s
x 和sy的平方和，再对平方和进行开根，从而得到最终的形状特征图，该形状特征图可以为黑白图。即，公式可以如下所示：从上述技术方案可以看出，本实施例提供了第二网络结构提取得到形状特征图的一种可选的方式，具体为可以用sobel 算子进行卷积运算，从而得到形状特征图。可见，通过上述的步骤可以更好地获取形状特征图。
[0052]
在本技术的一些实施例中，第一网络结构可以包括卷积神经网络，该卷积神经网络可以包括多层特征提取层，在此基础上，对步骤s120、利用所述第一网络结构提取所述安检训练图像的特征图，并基于提取的特征图预测安检训练图像的第一分类结果的过程，进行详细说明。
[0053]
具体地，可以将所述安检训练图像输入卷积神经网络中，得到卷积神经网络各层输出的特征图，并基于卷积神经网络最后一层特征提取层输出的特征图预测安检训练图像的第一分类结果。
[0054]
其中，各特征提取层都可以输出提取的特征图，示例如图2，各特征提取层可以获取上一层输出的特征图，并基于上一层输出的特征图进行特征提取，并输出对应的特征图。
[0055]
由上述的技术方案可以看出，相比于上一个实施例，本实施例提供了一种可选的第一网络结构，具体为第一网络结构可以为卷积神经网络，且该卷积神经网络中包含多层特征提取层。可见，通过本实施例可以很好地进行特征提取，并获得第一分类结果。
[0056]
在本技术的一些实施例中，第一网络结构包括卷积神经网络，该卷积神经网络可以包括多层特征提取层，在此基础上，对步骤s140中利用所述第二网络结构对所述特征图进行形状特征提取的过程进行说明，步骤如下：s20、选择所述卷积神经网络中任一特征提取层输出的特征图，作为目标特征图。
[0057]
具体地，可以根据实际应用场景的需要，选择卷积神经网络中任一特征提取层输出的特征图，作为目标特征图。特别地，可以选取第一网络结构中低层级所输出的特征图，示例如图2，可以选择卷积神经网络中的第一层特征提取层输出的特征图，作为目标特征图。
[0058]
s21、利用所述第二网络结构对所述目标特征图进行形状特征提取。
[0059]
具体地，将所述目标特征图输入至第二网络结构中，以供第二网络结构对该目标特征图进行形状特征提取。
[0060]
由上述的技术方案可以看出，相比于上一个实施例，本实施例提供了一种利用所述第二网络结构对所述特征图进行形状特征提取的可选的方式，具体地，可以选择任一特征图进行形状特征提取。可见，本实施例可以更好地进行形状特征提取。
[0061]
在本技术的一些实施例中，还可以将残差网络作为第一网络结构，其中，该残差网络的池化层中可以包含模糊滤波器，且所述残差网络中包括多层卷积层，在此基础上，对步
骤s20、选择所述卷积神经网络中任一特征提取层输出的特征图，作为目标特征图的过程进行详细说明。
[0062]
具体地，可以在所述残差网络的前n层中选择任一卷积层输出的特征图，作为目标特征图。
[0063]
其中，为了尽可能地减少第一网络结构的形状特征提取对第二网络结构的形状特征提取的影响，故可以选取残差网络中低层级所输出的特征图，基于此，n可以为所述残差网络中所有卷积层个数的1/4、1/3或1/2等。
[0064]
示例如，残差网络中所有卷积层的个数为15时，若n为所述残差网络中所有卷积层个数的1/4，此时，n为3.75，则可以在残差网络的前3层卷积层中任意选取一层所输出的特征图输入至第二网络结构中；若n为所述残差网络中所有卷积层个数的1/3，此时，n为5，则可以在残差网络的前5层卷积层中任意选取一层所输出的特征图输入至第二网络结构中；若n为所述残差网络中所有卷积层个数的1/2，此时，n为7.5，则可以在残差网络的前7层卷积层中任意选取一层所输出的特征图输入至第二网络结构中；如，可以选择残差网络中的第一层卷积层输出的特征图输入至第二网络结构中。
[0065]
该残差网络可以为resnet50的标准结构功能，则安检训练图像可以经过卷积、批标准化、relu（rectified linear unit，线性整流函数） 及最大池化后输入至第二网络结构中。
[0066]
其中，在最大池化过程中，可以增加模糊滤波器。
[0067]
由上述的技术方案可以看出，本实施例提供了一种可选的第一网络结构，即第一网络结构可以为残差网络，并提供了当第一网络结构为残差网络时，选取特征图输入至第二网络结构中的可选的方式。可见，本实施例可以更好地进行形状特征提取。
[0068]
进一步地，本技术中的模糊滤波器可以为低通滤波器或中值滤波器。
[0069]
具体地，可以根据实际的应用场景的需要，选取符合场景应用的滤波器。
[0070]
在本技术的一些实施例中，考虑到进行安检图像分类模型的训练是为了在实际的安检过程中进行使用。因而，可以提供使用安检图像分类模型的使用过程，具体步骤如下：s30、获取待识别的安检图像。
[0071]
具体地，可以采集安检机中的行李的图像，从而得到待识别的安检图像。
[0072]
s31、利用上述实施例中训练得到的安检图像分类模型对所述安检图像进行分类，得到分类结果。
[0073]
具体地，选取任一上述实施例训练得到的安检图像分类模型对所述安检图像进行分类，得到分类结果。
[0074]
由上述的技术方案可以看出，本实施例提供了一种可选的使用安检训练模型进行图像分类的方式。可见，本实施例可以进行安检图像分类。
[0075]
在本技术的一些实施例中，考虑到上述实施例所训练得到的安检训练模型可能存在第一网络结构和第二网络结构，在此基础上，可以结合图3对使用安检图像分类模型的过程进行详细说明，具体步骤如下：s310、获取待识别的安检图像，可以执行步骤s320，也可以执行步骤s330。
[0076]
具体地，可以根据实际应用场景的需要，执行步骤s320或执行步骤s330。
[0077]
s320、利用所述安检图像分类模型中的第一网络结构对所述安检图像进行分类，
得到第一网络结构输出的第一识别结果，以此作为最终的分类结果。
[0078]
具体地，可以将待识别的安检图像输入至安检图像分类模型中，以第一网络结构输出的结果作为分类结果。
[0079]
s330、利用所述安检图像分类模型中的第一网络结构对所述安检图像进行分类，得到第一网络结构输出的第一识别结果。
[0080]
具体地，可以将待识别的安检图像输入至安检图像分类模型中，获取第一网络结构输出的结果作为第一识别结果，该第一识别结果表明该安检图像的分类结果。
[0081]
s340、利用所述安检图像分类模型中的第二网络结构对所述安检图像进行分类，得到第二网络结构输出的第二识别结果。
[0082]
具体地，可以将待识别的安检图像输入至安检图像分类模型中，获取第二网络结构输出的结果作为第二识别结果，该第二识别结果表明该安检图像的分类结果。
[0083]
s350、基于所述第一识别结果及所述第二识别结果，得到最终的分类结果。
[0084]
此时，可以依据第一识别结果和第二识别结果确认最终的分类结果，例如，若第一识别结果与第二识别结果相同，则以共同的分类结果作为最终的分类结果。
[0085]
由上述的技术方案可以看出，相比于上述实施例，本实施例提供了两种可选的使用安检图像分类模型进行图像分类的方式。可见，本实施例可以更好地进行安检图像分类。
[0086]
接下来将通过对比实验，以验证本技术的安检图像分类模型对于安检违禁品图像的分类效果。实验共采用8个违禁品分类，包括电池类、数码类、生活物品类、容器类、打火机类、刀具类、生活工具类、枪支类。待识别的安检图像为从安检图像中裁剪出的单类别图像，测试集采用5000张图像数据。通过实现现有的网络模型，在相同的测试集上进行了对比实验。
[0087]
其中antialiased-cnns为基于resnet50网络实现的模型，并依此作为基准模型进行比较。为模型。antia-par为现有的网络模型，antia-infodrop为基于基准模型实现的网络模型，antia-san为使用本技术的安检图像分类模型训练方法所训练得到的模型。
[0088]
接下来，将通过对比该四个模型对训练集的精确率如表3、召回率如表4、f1-score如表5及ap值如表6，以确认该四种模型的性能优劣。
[0089]
表3通过表3可以发现，本技术的安检图像分类模型在识别含有数码类、生活物品类、打火机类、刀具类、生活工具类及枪支类的安检图像中，具有比其他三种模型更高的准确率。
[0090]
表4
通过表4可以发现，本技术的安检图像分类模型对于含有电池类、数码类、生活物品类、打火机类、刀具类及枪支类的安检图像中，具有较高的召回率。
[0091]
表5通过表5可以发现，本技术的安检图像分类模型在识别含有数码类、生活物品类、打火机类、生活工具类及枪支类的安检图像中，具有较高f1-score。
[0092]
表6通过表6可以发现，本技术的安检图像分类模型在识别含有电池类、数码类、生活物品类、打火机类、刀具类及枪支类的安检图像中，具有较高的ap值。
[0093]
从上述对比实验的结果可以看出，对大部分安检违禁品的类别，本技术的安检图像分类模型训练方法对于提高模型的分类精确率与招回率都起到了非常积极的作用，虽然少部分类别表现未达到最好，但也与最高值非常接近，从表5的对比结果中可以看出，本技术的安检图像分类模型的综合性能在多个类别中表现突出，但生活工具类别未能达到预期的效果，经过分析发现这个类别的内部工具种类较多、形状各异，每种工具数量不够充分，所以本技术的安检图像分类模型对于生活工具类暂时未达到预期效果，后面可以针对特定的类别深入研究。
[0094]
接下来将结合图4对本技术提供的安检图像分类装置进行说明，本实施例的安检图像分类装置与上述的安检图像分类方法可以相互参照。
[0095]
图像获取单元100，用于获取待识别的安检图像；图像分类单元110，用于利用预训练的安检图像分类模型对所述安检图像进行分类，得到分类结果；其中，所述安检图像分类模型被配置为包括第一网络结构和第二网络结构；通过第一网络结构提取输入的安检图像的特征图，并基于提取的特征图预测安检图像的第一分类结果，以及，通过第二网络结构对所述第一网络结构提取的特征图进行形状特征提取，得到形状特征图，并基于所述形状特征图预测安检图像的第二分类结果。
[0096]
进一步地，图像分类单元在用于利用预训练的安检图像分类模型对所述安检图像进行分类，得到分类结果的过程可以包括：利用所述安检图像分类模型中的第一网络结构对所述安检图像进行分类，得到第一网络结构输出的第一识别结果，以此作为最终的分类结果；或，利用所述安检图像分类模型中的第一网络结构对所述安检图像进行分类，得到第一网络结构输出的第一识别结果；利用所述安检图像分类模型中的第二网络结构对所述安检图像进行分类，得到第二网络结构输出的第二识别结果；基于所述第一识别结果及所述第二识别结果，得到最终的分类结果。
[0097]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0098]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0099]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。本技术的各个实施例之间可以相互结合。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。