【技术实现步骤摘要】
本专利技术涉及射线图像检测，尤其涉及一种图像检测方法。
技术介绍
1、随着社会的发展和经济的繁荣，人们出行的频率和快递物流的规模都在不断扩大，安检工作在维护公共安全方面扮演着至关重要的角色。目前，x光透视扫描是安检中常用的技术手段，它能够穿透物体表面，帮助安检员识别出潜在的违禁物品。然而，这一过程不仅对安检员的注意力和判断力提出了高要求，而且长时间的专注也难以持续，频繁的人员轮换也增加了人力资源的负担。
2、近年来，随着深度学习技术的兴起，违禁品检测也迎来了突破性的进展。利用深度学习模型能够自动提取图像特征，学习复杂的模式，显著提高了检测的准确性和鲁棒性，这不仅为安检工作带来了新的解决方案，也为公共安全提供了更加坚实的保障。
3、然而，目前的x射线目标检测方法主要使用水平矩形框来对物体进行约束，在检测正常摆放姿态物体方面表现出色，但在检测不规则摆放物体以及重叠干扰严重物体时由于忽略了物体摆放不规则的问题，使得目标检测结果存在较大误差，难以满足复杂场景的需要。
4、因此，亟需一种能够对复杂场景的物体进行精准检测的技术方案。
技术实现思路
1、鉴于上述的分析，本专利技术实施例旨在提供一种图像检测方法，用以解决现有技术中对复杂场景的目标物体进行检测精确度低的问题。本专利技术实施例提供了一种图像检测方法，所述图像检测方法包括：
2、对待检测图像进行边缘提取得到边缘图像，根据预设分割像素阈值对边缘图像进行分割得到二值化图像；
3、从
4、将各个轮廓的旋转角度与预设角度阈值进行比较，判断是否存在至少一个轮廓的旋转角度大于预设角度阈值；如果为是，将待检测图像输入至旋转图像检测模型中，得到待检测图像中各个目标的预测类别和预测旋转包围框；如果为否，将待检测图像输入至水平图像检测模型中，得到各个目标的预测类别和预测水平包围框。
5、基于上述图像检测方法的进一步改进，所述对待检测图像进行边缘提取得到边缘图像，根据预设分割像素阈值对边缘图像进行分割得到二值化图像，包括：
6、利用预设水平sobel卷积核和预设垂直sobel卷积核分别对待检测图像进行卷积运算，得到水平边缘图像和垂直边缘图像；将水平边缘图像和垂直边缘图像合并，得到中间边缘图像；
7、对中间边缘图像进行归一化，再将归一化后的中间边缘图像还原至正常像素值，得到边缘图像；
8、比较边缘图像中每一个像素的像素值与预设分割像素阈值的大小，将大于预设分割像素阈值的像素作为第一类，小于等于预设分割像素阈值的像素作为第二类，得到二值化图像。
9、基于上述图像检测方法的进一步改进，所述从二值化图像中提取多个轮廓，每个轮廓包括多个像素点，包括：
10、根据预设连通区域，将二值化图像中像素相邻且像素值均属于第一类的像素作为一个连通区域，得到若干个连通区域；其中，所示预设连通区域包括八连通或者四连通；
11、在每个连通区域中，从任意一个第一类的像素开始，沿着每个连通区域的边界顺序标记出所有相邻的第一类的像素，得到每个连通区域对应的轮廓；
12、比较若干个轮廓的大小，将最大的轮廓删除，剩余的轮廓作为最终得到的多个轮廓。
13、基于上述图像检测方法的进一步改进，所述根据各个轮廓的多个像素点计算各个轮廓的旋转角度，得到多个轮廓的旋转角度，包括：
14、根据每个轮廓的多个像素点计算每个轮廓的质心，根据每个轮廓的质心和每个轮廓的多个像素点计算每个轮廓的协方差矩阵；
15、根据每个轮廓的协方差矩阵计算每个轮廓对应的最大特征值，根据每个轮廓的协方差矩阵和最大特征值计算主方向向量；
16、根据主方向向量计算旋转角度。
17、基于上述图像检测方法的进一步改进，所述将待检测图像输入至旋转图像检测模型中，得到待检测图像中各个目标的预测类别和预测旋转包围框，包括：
18、将待检测图像输入至旋转图像检测模型中，得到待检测图像中各个目标的预测类别和预测旋转包围框信息；所述预测旋转包围框信息包括旋转包围框的预测中心点坐标、预测协方差矩阵和预测旋转角度；其中，所述旋转图像检测模型为基于改进的yolov8神经网络结构训练得到，所述改进的yolov8神经网络结构包括双流注意力模块和末端特征增强模块，所述双流注意力模块用于在原始主干网络生成特征图时进行通道信息和特征信息的增强，所述末端特征增强模块用于对原始颈部网络输出的特征图进行特征加强；
19、根据各个目标的预测旋转包围框信息计算各个目标的四角点坐标，将各个目标的四角点坐标连接，作为各个目标的预测旋转包围框。
20、基于上述图像检测方法的进一步改进，所述旋转图像检测模型包括主干网络、颈部网络和检测头；
21、主干网络包括原始主干网络和双流注意力模块；原始主干网络用于对输入的待检测图像进行特征提取，得到第三特征图、第四特征图和第五特征图并输出至颈部网络；双流注意力模块在原始主干网络进行特征提取生成第三特征图至第五特征图时进行通道信息和特征信息的增强；
22、颈部网络包括原始颈部网络和末端特征增强模块；原始颈部网络用于对第三特征图、第四特征图和第五特征图进行特征融合，得到第二融合特征图、第三融合特征图和第四融合特征图并输出至末端特征增强模块；末端特征增强模块用于分别对第二融合特征图、第三融合特征图和第四融合特征图进行特征加强，得到加强后的第五融合特征图、第六融合特征图和第七融合特征图并输出至检测头；
23、检测头，用于根据第五融合特征图、第六融合特征图和第七融合特征图预测得到待检测图像中各个目标的预测类别和预测旋转包围框信息。
24、基于上述图像检测方法的进一步改进，所述主干网络包括依次连接的第一卷积模块、第一特征提取层、第二特征提取层、第三特征提取层和第四特征提取层，分别输出第一特征图、第二特征图、第三特征图、第四特征图和第五特征图；
25、第一特征提取层、第二特征提取层和第三特征提取层结构相同，均包括依次连接的第二卷积模块和第一残差卷积模块；第四特征提取层包括依次连接的第二卷积模块、第一残差卷积模块、双流注意力模块和空间金字塔池化快速模块sppf。
26、基于上述图像检测方法的进一步改进，通过下述公式计算各个目标的四角点坐标：
27、
28、其中，表示每个目标的预测中心点坐标，表示每个目标的预测协方差矩阵，θpred表示每个目标的预测旋转角度。
29、基于上述图像检测方法的进一步改进，通过下述步骤训练旋转图像检测模型：
30、获取若干个射线图像，对若干个射线图像进行预处理，标注每个预处理后的射线图像中各个目标的类别标签和旋转包围框的四角点坐标；
31、根据每个目标的旋转包围框的四角点坐标计算每个目标的旋转本文档来自技高网...
【技术保护点】
1.一种图像检测方法，其特征在于，所述图像检测方法包括：
2.根据权利要求1所述的图像检测方法，其特征在于，所述对待检测图像进行边缘提取得到边缘图像，根据预设分割像素阈值对边缘图像进行分割得到二值化图像，包括：
3.根据权利要求1所述的图像检测方法，其特征在于，所述从二值化图像中提取多个轮廓，每个轮廓包括多个像素点，包括：
4.根据权利要求3所述的图像检测方法，其特征在于，所述根据各个轮廓的多个像素点计算各个轮廓的旋转角度，得到多个轮廓的旋转角度，包括：
5.根据权利要求1所述的图像检测方法，其特征在于，所述将待检测图像输入至旋转图像检测模型中，得到待检测图像中各个目标的预测类别和预测旋转包围框，包括：
6.根据权利要求5所述的图像检测方法，其特征在于，所述旋转图像检测模型包括主干网络、颈部网络和检测头；
7.根据权利要求6所述的图像检测方法，其特征在于，所述主干网络包括依次连接的第一卷积模块、第一特征提取层、第二特征提取层、第三特征提取层和第四特征提取层，分别输出第一特征图、第二特征图、第三特征图、第四特征
8.根据权利要求5所述的图像检测方法，其特征在于，通过下述公式计算各个目标的四角点坐标：
9.根据权利要求5所述的图像检测方法，其特征在于，通过下述步骤训练旋转图像检测模型：
10.根据权利要求9所述的图像检测方法，其特征在于，所述利用训练集对预设神经网络模型进行预设迭代次数的训练，根据每次迭代过程结束时验证集的评估结果确定训练完成的旋转图像检测模型，包括：
...【技术特征摘要】
1.一种图像检测方法，其特征在于，所述图像检测方法包括：
2.根据权利要求1所述的图像检测方法，其特征在于，所述对待检测图像进行边缘提取得到边缘图像，根据预设分割像素阈值对边缘图像进行分割得到二值化图像，包括：
3.根据权利要求1所述的图像检测方法，其特征在于，所述从二值化图像中提取多个轮廓，每个轮廓包括多个像素点，包括：
4.根据权利要求3所述的图像检测方法，其特征在于，所述根据各个轮廓的多个像素点计算各个轮廓的旋转角度，得到多个轮廓的旋转角度，包括：
5.根据权利要求1所述的图像检测方法，其特征在于，所述将待检测图像输入至旋转图像检测模型中，得到待检测图像中各个目标的预测类别和预测旋转包围框，包括：
6.根据权利要求5所述的图像检测...
【专利技术属性】
技术研发人员：乔建森，张文杰，王先玉，李保磊，徐圆飞，
申请(专利权)人：北京航星机器制造有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。