(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210180014.0 (22)申请日 2022.02.25 (71)申请人 华南理工大 学 地址 510640 广东省广州市天河区五山路 381号 (72)发明人 高红霞　黄滨　廖宏宇　牛世成　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 专利代理师 冯炳辉 (51)Int.Cl. G06K 9/62(2022.01) G06N 5/04(2006.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/25(2022.01) (54)发明名称 基于条件分支和专家系统的对象快速检测 方法 (57)摘要 本发明公开了一种基于条件分支和专家系 统的对象快速检测方法， 包括： 1)采集X光图像； 2)通过条件分支获得RGB、 HSV以及梯度的 图像特 征图； 3)利用区域 建议网络获得 ROI区域； 4)利用 分支特征对齐， 得到三种ROI特征图； 5)计算三种 特征图的可贡献度， 根据可贡献度进行特征串 联， 得到加权融合的特征向量； 6)将三个加权融 合的特征向量输入三个专家系统网络， 得到对象 类别和位置； 7)对三个专家系统网络的预测结果 进行加权融合， 识别检测对象的类别和位置并标 注。 本发明基于条件分支和专家系统进行对象检 测， 将复杂网络分解为网络分支从而并行计算， 不仅加快了网络推理速度， 而且加强了特征空间 与解空间的映射能力， 提高了对象检测的速度和 精度。 权利要求书3页 说明书6页 附图3页 CN 114626443 A 2022.06.14 CN 114626443 A 1.基于条件分支和专 家系统的对象快速检测方法， 其特 征在于， 包括以下步骤： 1)采集传输送带 上检测对象的X光图像； 2)将X光图像输入三个条件分支分别获得RGB、 HSV以及 梯度的图像特 征图； 3)将RGB图像特 征图输入区域建议网络， 获得ROI区域； 4)将ROI区域利用分支特 征对齐， 得到对应RGB、 HSV、 梯度三种特 征图的ROI特 征图； 5)针对于ROI区域， 计算三种ROI特征图对于检测的可贡献度， 根据可贡献度为三个条 件分支分配相应的权重向量并根据各自的权重向量进 行特征串联， 其中， 每一种ROI特征图 都要计算出一个贡献向量， 并和贡献向量做点乘， 得到三个经 过加权融合的特 征向量； 6)将三个经过加权 融合的特征向量输入对应的三个专家系统网络， 得到对象类别和位 置； 7)根据贡献向量对三个专家系统网络的预测结果进行加权 融合， 识别出检测对象的类 别和位置并标注。 2.根据权利要求1所述的基于条件分支和专家系统的对象快速检测方法， 其特征在于， 在步骤1)中， 将检测对象置于传送带， 传送带将检测对象运至检测区时， X光射线仪通过准 直器发射出扇形射线束对检测对象进 行扫描， 扇形射线束穿过检测对象内部并投射在接收 屏上， 通过计算机渲染技 术得到检测对象的X光图像。 3.根据权利要求1所述的基于条件分支和专家系统的对象快速检测方法， 其特征在于， 在步骤2)中， 每个 分支设置一个特征提取网络， 将X光图像经过颜色空间变换后分别送入三 个条件分支， 运 算后得到RGB、 HSV和梯度的图像特 征图； 所述特征提取网络为深层网络， 由卷积层、 池化层与非线性映射层组成； 其卷积过程如下： 式中， f1[x,y]为图像在(x,y)区域的数据， w[x,y]为卷积核， f2[x,y]为在(x,y)区域卷 积后所得特征， ni、 nj为距离卷积中心的偏移距离， n1、 n2分别为卷积垂直方向最大偏移距离 和水平方向最大偏移距离， f[ x+ni,y+nj]为图像在(x+ni,y+nj)的数值， w[ni,nj]为卷积核在 (ni,nj)位置的权 重； 其非线性映射过程： f3[x,y]＝max(0,f2[x,y]) 式中， f3[x,y]为做非线性映射后得到的特 征图。 4.根据权利要求1所述的基于条件分支和专家系统的对象快速检测方法， 其特征在于： 在步骤3)中， RGB图像特征图中的每一个点定义为锚点， 每个锚点以自身为中心定义9个锚 框， 除去超出图像区域的锚框， 对剩下的锚框特 征图进行二分类和边框回归： a、 二分类： y＝f[f4(x,y)] 式中， y为前景边框的分类预测， f4(x,y)为锚框特征图， f为分类器， 分类器人为设定一 个阈值， 大于此阈值的预测为前景， 并加入后续步骤计算， 小于此阈值的预测为背 景并被抛 弃； b、 边框回归： r＝[Δx,Δy,Δ h,Δw]＝g(f4[x,y])权　利　要　求　书 1/3 页 2 CN 114626443 A 2式中， r为前景边框的偏移量， g为线性回归函数； Δx,Δy为锚框的中心偏移预测； Δh, Δw为锚框尺度缩放因子； 根据前景回归对锚框进 行位置及尺度调整； 然后对锚框使用非极 大值抑制进行筛选， 剔除重叠的锚框； 再取置信度最高的前n个锚框， 作为ROI区域， 进入后 续步骤处理。 5.根据权利要求1所述的基于基于条件分支和专家系统的对象快速检测方法， 其特征 在于： 在步骤4)中， 得到区域建议网络提取的ROI区域后， 将ROI区域进行尺度适应， 按原图 与特征图大小的比例进行缩放， 然后将缩放后的区域对齐至RGB、 HSV以及梯度特征图， 得到 三种不同的ROI特 征图。 6.根据权利要求1所述的基于基于条件分支和专家系统的对象快速检测方法， 其特征 在于： 在步骤5)中， 针对于ROI区域， 计算三种ROI特征图对于检测的可贡献度， 根据可贡献 度为三个条件分支分配相应的权 重向量并根据各自的权 重向量进行 特征串联； 可贡献度由如下公式进行计算： W＝softmax([V1,V2,V3]) 式中， c为最大特征通道数， fik为第k种特征经过通道池化层后的第i个通道的特征值， mk为第k种特征经过通道 池化层后的特征均值， Vk为每个特征的可 贡献度， W为最终的贡献向 量， 每一种ROI特征图都要计算出一个贡献向量， 并和贡献向量做点乘， 得到三个经过加权 融合的特 征向量。 7.根据权利要求1所述的基于基于条件分支和专家系统的对象快速检测方法， 其特征 在于： 在步骤6)中， 设置三个专家系统网络， 将三个加权融合后的特征向量分别输入对应的 三个专家系统网络， 每 个专家系统网络推理得到对象类别和位置； 每个专家系统网络需要完成分类和回归两个任务： 分类： y′＝max(h(fp)) 式中， fp为加权融合的特 征向量， h为多分类 器， 输出y ′为每类的置信度； 对每一种ROI特征图经过重赋权得到的所有特征向量进行分类， 取置信度最高的分类 结果作为ROI特 征图的分类结果； 回归： r′＝[Δx′,Δy′,Δh′,Δw′]＝g(fp) 式中， r′为预测边框的偏移量； Δx ′,Δy′为预测边框的中心偏移预测； Δh ′,Δw′为预 测边框尺度缩放因子； g为线性回归函数； 对每一个ROI区域进行回归， 得到更精确的ROI区域。 8.根据权利要求1所述的基于基于条件分支和专家系统的对象快速检测方法， 其特征 在于： 在步骤 7)中， 根据步骤5)中得到的贡献向量， 对步骤6)中每一个专家系统网络的预测 结果进行加权融合， 得到最终的预测结果： 权　利　要　求　书 2/3 页 3 CN 114626443 A 3