买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉天津大学申请的专利一种基于特征融合和语义交互的安检违禁品检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115937774B 。

龙图腾网通过国家知识产权局官网在2026-02-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211556622.3，技术领域涉及：G06V20/52；该发明授权一种基于特征融合和语义交互的安检违禁品检测方法是由徐岩;张启源;苏倩;卢宇设计研发完成，并于2022-12-06向国家知识产权局提交的专利申请。

本一种基于特征融合和语义交互的安检违禁品检测方法在说明书摘要公布了：本发明涉及一种基于特征融合和语义交互的安检违禁品检测方法，包括下列步骤：采用安检机扫描收集原始安检X光图像，对原始违禁品图像进行包括违禁品位置信息和类别信息在内的真值标注，制作安检X光图像数据集；对图像数据进行增强处理；构建网络模型主体架构，包括：构建用于X光图像特征提取的协调融合主干网络；构建用于多尺度特征融合的自适应精修融合金字塔网络；构建用于深层特征交互的选择性密集特征交互网络；构建特征回归分类网络。

本发明授权一种基于特征融合和语义交互的安检违禁品检测方法在权利要求书中公布了：1.一种基于特征融合和语义交互的安检违禁品检测方法，包括下列步骤： 步骤1：采用安检机扫描收集原始安检X光图像，对原始违禁品图像进行包括违禁品位置信息和类别信息在内的真值标注，制作安检X光图像数据集； 步骤2：对图像数据进行增强处理； 步骤3：构建网络模型主体架构，包括：构建用于X光图像特征提取的协调融合主干网络；构建用于多尺度特征融合的自适应精修融合金字塔网络；构建用于深层特征交互的选择性密集特征交互网络；构建特征回归分类网络，方法如下： 步骤3.1：构建用于X光图像特征提取的协调融合主干网络，该主干网络包含两个分支：特征提取传递主干和特征融合检测主干；两个分支在结构上相同，均由四个模块组stage_1,stage_2,stage_3,stage_4串联构成，每个模块组包含一个步长为2的3*3卷积层和一个目标检测模型YOLOv5的C3模块或ConvFormer复合模块；在两个分支中，C3模块设置在前3个模块组中，其堆叠数量分别为3、6、9个；ConvFormer复合模块设置在最后一个模块组中，其堆叠数量为6个；ConvFormer复合模块由局部位置感知单元，空间位置感知自注意力和轻量级前馈网络三个组件按顺序依次组合而成；局部位置感知单元为一个具有跳跃连接边的3*3深度可分离卷积；空间位置感知自注意力为：在进行特征序列间的自注意力计算时，嵌入余弦函数cos得到缩放余弦注意力，并添加可学习的位置偏置rijvpos，其中vpos表示可学习位置嵌入，rij为特征像素i和j间的相对距离；然后分别对缩放注意力图和位置偏置信息进行softmax归一化；轻量级前馈网络主要由3个1*1卷积和1个3*3深度可分离卷积构成，3*3卷积放置在两个1*1卷积之间构成一个支路，同时另一个1*1卷积连接当前支路的输入和输出； 输入图像XC×H×W被加载到该协调融合主干网络中，经特征提取传递主干分支提取图像特征，由该分支中的各模块组stage_1,stage_2,stage_3,stage_4成金字塔层次结构特征组{C2,C3,C4,C5}，同时该金字塔层次结构特征组被并行输入到特征融合检测主干分支中的各模块组stage_1,stage_2,stage_3,stage_4中；在特征融合检测主干分支中，C2特征和原始输入特征相融合作为模块组stage_1的输入，然后输出特征P2；C3特征和P2特征融合作为模块组stage_2的输入，然后输出特征P3，以此类推，可以获得其他两个模块组的输出特征P4和P5，最终构成融合后的金字塔层次结构特征组{P2,P3,P4,P5}；在单个ConvFormer复合模块中，当前模块的输入特征Xin经局部位置感知单元生成带有位置信息的特征图Y，Y经过空间位置感知自注意力单元得到位置自注意力图Z，Z再通过轻量级前馈网络得到映射增强特征Xout，最终经过6个ConvFormer复合模块的计算，在两个分支中分别生成特征C5、P5； 步骤3.2：构建用于多尺度特征融合的自适应精修融合金字塔网络，方法为： 改进路径聚合特征金字塔PANet，分别引入非局部特征注意力GCNet模块、自适应特征融合模块和C3模块；通过可学习权重参数赋予多个待融合的特征不同的权重系数，在网络训练时不断更新值，从而动态调整待融合特征的权重，达到自适应地融合特征图目的；GCNet模块用于进行进一步的全局特征和依赖关系细化；在结构位置上，GCNet模块、自适应特征融合模块和C3模块依次串联排列构成一个组合，分别嵌入到PANet中的两个特征上采样和两个特征下采样之后，最终构成自适应精修融合金字塔网络； 将步骤3.1中生成的金字塔特征组{P3,P4,P5}并行输入到自适应精修融合金字塔网络中，进行多尺度多层次特征融合，深入挖掘细粒度上下文线索；首先P5特征由1*1卷积进行通道缩减，生成M5特征图，M5特征图经转置卷积将特征尺寸上采样2倍；在第一自适应特征融合处，P4和M5进行加权自适应融合，融合后的特征接着经由GCNet模块和C3模块生成M4特征图；在第二自适应特征融合处，P3和经上采样的M4特征进行加权自适应融合，然后依次通过GCNet模块和C3模块生成N3特征图；在第三自适应特征融合处，P4、M4和经过3*3卷积下采样的N3特征进行加权自适应融合，然后依次通过GCNet和C3模块生成N4特征图；在第四自适应特征融合处，P5、M5和经过3*3卷积下采样的N4特征进行加权特征融合，然后依次通过GCNet和C3模块生成N5特征图；四个自适应特征融合分别采用不同的可学习权重参数，最终可生成细化精修的金字塔融合特征组{N3,N4,N5}； 步骤3.3：构建用于深层特征交互的选择性密集特征交互网络，对步骤3.2中生成的金字塔特征组{N3,N4,N5}通过恒等缩放和自适应加权融合学习每个尺度特征图的空间融合权重，然后进行自适应空间特征融合；方法如下：生成Fa特征：首先利用步长为2的3*3卷积或最大池化下采样分别将N4和N5特征恒等缩放到N3特征尺度大小，然后将三个相同尺寸大小的特征赋予不同的可学习权重矩阵参数，再将加权后的特征进行相加融合，得到该模块中的深层融合特征Fa；生成Fb特征：利用转置卷积上采样和最大池化下采样分别将N3和N5特征恒等缩放到N4特征尺度大小，然后将三个特征进行自适应特征融合获得深层融合特征Fb；生成Fc特征：利用转置卷积上采样分别将N3和N4特征恒等缩放到N5特征尺度大小，然后将三个特征进行自适应特征融合获得深层融合特征Fc；最终生成深层融合特征组{Fa,Fb,Fc}； 步骤3.4：搭建回归分类网络，在步骤3.3生成的深层融合特征组{Fa,Fb,Fc}中进行感兴趣目标的特征回归和分类，得到目标的回归和分类值； 步骤4：模型训练和测试，得到最终的最优网络模型； 步骤5：模型推理：获取真实场景中的安检X光图像，输入到最优网络模型中，检测图像中是否存在违禁品；若图像中存在违禁品，模型生成检测结果信息，包含违禁品目标在原始图像中的相对位置坐标x,y，目标宽高w,h，违禁品类别c。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人天津大学，其通讯地址为：300072 天津市南开区卫津路92号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。