本發(fā)明屬于隱匿物品檢測(cè)領(lǐng)域，更具體地，涉及一種大氣環(huán)境下隱匿物品太赫茲時(shí)域光譜特征提取和分類(lèi)方法及系統(tǒng)。

背景技術(shù)：

1、鐵路、機(jī)場(chǎng)等公共場(chǎng)所的旅客安檢系統(tǒng)是保障公共設(shè)施和人員安全的重要手段，用于檢測(cè)隱匿物品和預(yù)防恐怖威脅。然而，現(xiàn)有安檢設(shè)備存在諸多局限性：金屬探測(cè)器只能探測(cè)金屬物品，難以檢測(cè)非金屬物品且無(wú)法區(qū)分物品種類(lèi)；光學(xué)成像儀和紅外成像儀不能穿透衣物及遮擋材料，難以檢測(cè)隱藏物品；x射線因其強(qiáng)輻射性對(duì)人體有害，不適用于隨身攜帶物品的檢測(cè)；ct探測(cè)器復(fù)雜、成本高且檢查速度慢。因此，現(xiàn)有安檢技術(shù)在快速無(wú)損檢測(cè)隱匿物品方面難以滿足需求。

2、隨著太赫茲光譜技術(shù)的發(fā)展，太赫茲波因其非電離輻射、優(yōu)秀的穿透性、物質(zhì)識(shí)別能力和非接觸檢測(cè)等特性，在無(wú)損檢測(cè)隱匿物品方面展現(xiàn)出明顯優(yōu)勢(shì)，成為現(xiàn)代安全檢查的重要手段。然而，在鐵路、機(jī)場(chǎng)等公共場(chǎng)所的現(xiàn)實(shí)應(yīng)用中，基于太赫茲技術(shù)的隱匿物品檢測(cè)仍面臨一些挑戰(zhàn)，特別是在不同溫濕度背景下如何提高檢測(cè)算法的性能以及減少誤檢率，這是由于太赫茲波對(duì)水分子的吸收非常敏感。在高相對(duì)濕度環(huán)境下，水蒸氣會(huì)吸收太赫茲波，削弱信號(hào)傳輸?shù)膹?qiáng)度，從而影響測(cè)量的準(zhǔn)確性和可靠性。現(xiàn)有的太赫茲數(shù)據(jù)采集技術(shù)通常要求在相對(duì)濕度低于5％的條件下進(jìn)行物質(zhì)光譜信息的檢測(cè)，但這在實(shí)際應(yīng)用中難以實(shí)現(xiàn)。

3、現(xiàn)有技術(shù)公開(kāi)號(hào)為cn117726529a的發(fā)明專(zhuān)利提出了一種基于自注意力對(duì)抗生成網(wǎng)絡(luò)的毫米波圖像增強(qiáng)方法，包括：太赫茲毫米波傳感器對(duì)物流包裹進(jìn)行圖像采集獲得毫米波圖像數(shù)據(jù)集a和毫米波圖像數(shù)據(jù)集b；構(gòu)建對(duì)抗生成網(wǎng)絡(luò)，通過(guò)毫米波圖像數(shù)據(jù)集a對(duì)對(duì)抗生成網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并通過(guò)毫米波圖像數(shù)據(jù)集b進(jìn)行選擇，得到圖像增強(qiáng)模型；利用圖像增強(qiáng)模型對(duì)毫米波圖像數(shù)據(jù)集a的測(cè)試集進(jìn)行圖像增強(qiáng)，該方案使用了對(duì)抗生成網(wǎng)絡(luò)方案，訓(xùn)練穩(wěn)定性、生成樣本多樣性、物理約束引入等方面存在不足。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明為克服現(xiàn)有技術(shù)中生成數(shù)據(jù)的多樣性和特定性不足，且在不同濕度條件下檢測(cè)精度不高的問(wèn)題，提供一種大氣環(huán)境下隱匿物品太赫茲時(shí)域光譜特征提取和分類(lèi)方法及系統(tǒng)。

2、本發(fā)明的首要目的是為解決上述技術(shù)問(wèn)題，本發(fā)明的技術(shù)方案如下：

3、本發(fā)明第一方面提供了一種大氣環(huán)境下隱匿物品太赫茲時(shí)域光譜特征提取和分類(lèi)方法，包括如下步驟：

4、對(duì)采集到的隱匿物品太赫茲時(shí)域光譜數(shù)據(jù)進(jìn)行小波過(guò)濾，得到去噪后的光譜數(shù)據(jù)集；

5、利用深度學(xué)習(xí)模型對(duì)去噪后的光譜數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)，組成擴(kuò)充數(shù)據(jù)集；

6、對(duì)所述擴(kuò)充數(shù)據(jù)集進(jìn)行預(yù)處理，構(gòu)成多通道圖特征數(shù)據(jù)集；

7、利用神經(jīng)網(wǎng)絡(luò)模型對(duì)多通道圖特征數(shù)據(jù)集進(jìn)行遷移學(xué)習(xí)，訓(xùn)練模型，使用損失函數(shù)優(yōu)化模型參數(shù)，得到隱匿物品實(shí)時(shí)檢測(cè)模型；

8、利用訓(xùn)練完成的檢測(cè)模型進(jìn)行隱匿物品實(shí)時(shí)檢測(cè)分類(lèi)。

9、進(jìn)一步地，所述對(duì)去噪后的光譜數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)的深度學(xué)習(xí)模型為目標(biāo)驅(qū)動(dòng)條件生成模型，所述目標(biāo)驅(qū)動(dòng)條件生成模型在生成器和判別器的基礎(chǔ)上加上目標(biāo)條件生成網(wǎng)絡(luò)。

10、進(jìn)一步地，所述對(duì)數(shù)據(jù)增強(qiáng)過(guò)的光譜數(shù)據(jù)集進(jìn)行預(yù)處理包括計(jì)算光譜數(shù)據(jù)的小波譜圖、梅爾頻譜和吸收譜圖。

11、進(jìn)一步地，所述計(jì)算光譜數(shù)據(jù)的小波譜圖具體的步驟為：

12、對(duì)輸入信號(hào)進(jìn)行離散小波變換，得到一級(jí)分解的逼近系數(shù)和細(xì)節(jié)系數(shù)；

13、利用插值函數(shù)對(duì)所述系數(shù)進(jìn)行插值和重采樣處理，以確保數(shù)據(jù)與目標(biāo)形狀匹配；

14、將重采樣后的逼近系數(shù)和細(xì)節(jié)系數(shù)組合成一個(gè)二維矩陣，作為最終的小波譜圖。

15、進(jìn)一步地，所述計(jì)算光譜數(shù)據(jù)的梅爾頻譜具體的步驟為：

16、將時(shí)域信號(hào)轉(zhuǎn)換為張量形式；

17、計(jì)算并設(shè)置窗口長(zhǎng)度和跳躍長(zhǎng)度，將時(shí)域信號(hào)張量分割為多個(gè)幀；

18、使用梅爾頻譜轉(zhuǎn)換函數(shù)將分幀后的信號(hào)張量轉(zhuǎn)換為梅爾頻譜表示；

19、計(jì)算對(duì)數(shù)梅爾頻譜，利用對(duì)數(shù)梅爾頻譜調(diào)整梅爾頻譜的大小。

20、進(jìn)一步地，所述計(jì)算光譜數(shù)據(jù)的吸收譜圖具體的步驟為：

21、利用傅里葉變換將樣品和背景的時(shí)域信號(hào)轉(zhuǎn)換為頻域信號(hào)；

22、計(jì)算樣品信號(hào)與背景信號(hào)的比值作為傳輸函數(shù)；

23、利用傳輸函數(shù)計(jì)算吸收系數(shù)，最終得到吸收譜圖。

24、進(jìn)一步地，所述對(duì)多通道圖特征數(shù)據(jù)集進(jìn)行遷移學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型為densenet201模型。

25、進(jìn)一步地，所述densenet201模型利用視覺(jué)數(shù)據(jù)庫(kù)imagenet進(jìn)行預(yù)訓(xùn)練。

26、進(jìn)一步地，通過(guò)在神經(jīng)網(wǎng)絡(luò)模型后加入transformer模塊，利用transformer模塊的自注意力機(jī)制增強(qiáng)模型對(duì)關(guān)鍵特征的關(guān)注，提高特征表示能力。

27、本發(fā)明第二方面提供了一種大氣環(huán)境下隱匿物品太赫茲時(shí)域光譜特征提取和分類(lèi)系統(tǒng)，該系統(tǒng)包括：存儲(chǔ)器、處理器，所述存儲(chǔ)器中包括大氣環(huán)境下隱匿物品太赫茲時(shí)域光譜特征提取和分類(lèi)方法程序，所述大氣環(huán)境下隱匿物品太赫茲時(shí)域光譜特征提取和分類(lèi)方法程序被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)如下步驟：

28、對(duì)采集到的隱匿物品太赫茲時(shí)域光譜數(shù)據(jù)進(jìn)行小波過(guò)濾，得到去噪后的光譜數(shù)據(jù)集；

29、利用深度學(xué)習(xí)模型對(duì)去噪后的光譜數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)，組成擴(kuò)充數(shù)據(jù)集；

30、對(duì)所述擴(kuò)充數(shù)據(jù)集進(jìn)行預(yù)處理，構(gòu)成多通道圖特征數(shù)據(jù)集；

31、利用神經(jīng)網(wǎng)絡(luò)模型對(duì)多通道圖特征數(shù)據(jù)集進(jìn)行遷移學(xué)習(xí)，訓(xùn)練模型，使用損失函數(shù)優(yōu)化模型參數(shù)，得到隱匿物品實(shí)時(shí)檢測(cè)模型；

32、利用訓(xùn)練完成的檢測(cè)模型進(jìn)行隱匿物品實(shí)時(shí)檢測(cè)分類(lèi)。

33、與現(xiàn)有技術(shù)相比，本發(fā)明技術(shù)方案的有益效果是：

34、本發(fā)明通過(guò)采用先進(jìn)的數(shù)據(jù)增強(qiáng)與多通道處理技術(shù)，顯著提升了對(duì)隱匿物品的識(shí)別能力，增加了生成數(shù)據(jù)的多樣性和針對(duì)性，并增強(qiáng)了訓(xùn)練過(guò)程的穩(wěn)定性，從而在處理復(fù)雜任務(wù)和數(shù)據(jù)集時(shí)表現(xiàn)出顯著優(yōu)勢(shì)，尤其在不同濕度環(huán)境下的檢測(cè)準(zhǔn)確性得到了明顯提高。此外，通過(guò)改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行遷移學(xué)習(xí)，充分提取并區(qū)分太赫茲光譜中的關(guān)鍵特征，顯著提升了模型在太赫茲時(shí)域光譜數(shù)據(jù)上的特征提取能力和分類(lèi)性能，在有限數(shù)據(jù)集的訓(xùn)練條件下展現(xiàn)出卓越表現(xiàn)。

技術(shù)特征：

1.一種大氣環(huán)境下隱匿物品太赫茲時(shí)域光譜特征提取和分類(lèi)方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的一種大氣環(huán)境下隱匿物品太赫茲時(shí)域光譜特征提取和分類(lèi)方法，其特征在于，所述對(duì)去噪后的光譜數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)的深度學(xué)習(xí)模型為目標(biāo)驅(qū)動(dòng)條件生成模型，所述目標(biāo)驅(qū)動(dòng)條件生成模型在生成器和判別器的基礎(chǔ)上加上目標(biāo)條件生成網(wǎng)絡(luò)。

3.根據(jù)權(quán)利要求1所述的一種大氣環(huán)境下隱匿物品太赫茲時(shí)域光譜特征提取和分類(lèi)方法，其特征在于，所述對(duì)數(shù)據(jù)增強(qiáng)過(guò)的光譜數(shù)據(jù)集進(jìn)行預(yù)處理包括計(jì)算光譜數(shù)據(jù)的小波譜圖、梅爾頻譜和吸收譜圖。

4.根據(jù)權(quán)利要求3所述的一種大氣環(huán)境下隱匿物品太赫茲時(shí)域光譜特征提取和分類(lèi)方法，其特征在于，所述計(jì)算光譜數(shù)據(jù)的小波譜圖具體的步驟為：

5.根據(jù)權(quán)利要求3所述的一種大氣環(huán)境下隱匿物品太赫茲時(shí)域光譜特征提取和分類(lèi)方法，其特征在于，所述計(jì)算光譜數(shù)據(jù)的梅爾頻譜具體的步驟為：

6.根據(jù)權(quán)利要求3所述的一種大氣環(huán)境下隱匿物品太赫茲時(shí)域光譜特征提取和分類(lèi)方法，其特征在于，所述計(jì)算光譜數(shù)據(jù)的吸收譜圖具體的步驟為：

7.根據(jù)權(quán)利要求1所述的一種大氣環(huán)境下隱匿物品太赫茲時(shí)域光譜特征提取和分類(lèi)方法，其特征在于，所述對(duì)多通道圖特征數(shù)據(jù)集進(jìn)行遷移學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型為densenet201模型。

8.根據(jù)權(quán)利要求7所述的一種大氣環(huán)境下隱匿物品太赫茲時(shí)域光譜特征提取和分類(lèi)方法，其特征在于，所述densenet201模型利用視覺(jué)數(shù)據(jù)庫(kù)imagenet進(jìn)行預(yù)訓(xùn)練。

9.根據(jù)權(quán)利要求1所述的一種大氣環(huán)境下隱匿物品太赫茲時(shí)域光譜特征提取和分類(lèi)方法，其特征在于，通過(guò)在神經(jīng)網(wǎng)絡(luò)模型后加入transformer模塊，利用transformer模塊的自注意力機(jī)制增強(qiáng)模型對(duì)關(guān)鍵特征的關(guān)注，提高特征表示能力。

10.一種大氣環(huán)境下隱匿物品太赫茲時(shí)域光譜特征提取和分類(lèi)系統(tǒng)，其特征在于，該系統(tǒng)包括：存儲(chǔ)器、處理器，所述存儲(chǔ)器中包括大氣環(huán)境下隱匿物品太赫茲時(shí)域光譜特征提取和分類(lèi)方法程序，所述大氣環(huán)境下隱匿物品太赫茲時(shí)域光譜特征提取和分類(lèi)方法程序被所述處理器執(zhí)行時(shí)，實(shí)現(xiàn)如權(quán)利要求1至9中任一項(xiàng)所述的一種大氣環(huán)境下隱匿物品太赫茲時(shí)域光譜特征提取和分類(lèi)方法的步驟。

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種大氣環(huán)境下隱匿物品太赫茲時(shí)域光譜特征提取和分類(lèi)方法。包括：對(duì)采集到的隱匿物品太赫茲時(shí)域光譜數(shù)據(jù)進(jìn)行小波過(guò)濾，得到去噪后的光譜數(shù)據(jù)集；利用深度學(xué)習(xí)模型對(duì)去噪后的光譜數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)，組成擴(kuò)充數(shù)據(jù)集；對(duì)擴(kuò)充數(shù)據(jù)集進(jìn)行預(yù)處理，構(gòu)成多通道圖特征數(shù)據(jù)集；利用神經(jīng)網(wǎng)絡(luò)模型對(duì)多通道圖特征數(shù)據(jù)集進(jìn)行遷移學(xué)習(xí)，得到隱匿物品實(shí)時(shí)檢測(cè)模型；利用檢測(cè)模型進(jìn)行隱匿物品實(shí)時(shí)檢測(cè)分類(lèi)。本發(fā)明通過(guò)采用先進(jìn)的數(shù)據(jù)增強(qiáng)與多通道處理技術(shù)，顯著提升了對(duì)隱匿物品的識(shí)別能力。此外，通過(guò)改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行遷移學(xué)習(xí)，充分提取并區(qū)分太赫茲光譜中的關(guān)鍵特征，顯著提升了模型在太赫茲時(shí)域光譜數(shù)據(jù)上的特征提取能力和分類(lèi)性能。

技術(shù)研發(fā)人員：肖紅,夏晨,彭東亮,黃子豪,徐利民
受保護(hù)的技術(shù)使用者：廣東工業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19