CN108288279A - 一种基于x光图像前景目标提取的物品甄别方法 - Google Patents
一种基于x光图像前景目标提取的物品甄别方法 Download PDFInfo
- Publication number
- CN108288279A CN108288279A CN201810074470.0A CN201810074470A CN108288279A CN 108288279 A CN108288279 A CN 108288279A CN 201810074470 A CN201810074470 A CN 201810074470A CN 108288279 A CN108288279 A CN 108288279A
- Authority
- CN
- China
- Prior art keywords
- foreground
- ray image
- extraction
- picture
- discriminating method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 24
- 238000012850 discrimination method Methods 0.000 title abstract 2
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 4
- 230000009467 reduction Effects 0.000 claims description 9
- 238000009877 rendering Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种基于X光图像前景目标提取的物品甄别方法,其包括有如下步骤:步骤S1,导入X光机图片;步骤S2,利用深度卷积神经网络获取图片的特征图;步骤S3,根据特征图谱的特征进行分类,获取特征图中前景的特征点;步骤S4,获取前景的候选框,以及候选框所对应的位置;步骤S5,经过全连接网络对前景进行分类,得到不同的前景类别;步骤S6,获取预测的前景物体,以及前景物体的预测位置。本发明不仅能自主获取特征,还能获取同一物体经过空间变换之后的特征,准确、有效地甄选出目标物体在图片中的位置。
Description
技术领域
本发明涉及X光图像的甄别方法,尤其涉及一种基于X光图像前景目标提取的物品甄别方法。
背景技术
安检作业是铁路运输安全至关重要的一步,X光安检机是该环节中的关键设备,但是长期以来,都是人工看图识别,员工上岗前要经过相对长时间的培训,同时人工作业会在疲劳的时候产生误检和漏检。X光机的模式识别***通过图像处理与识别的过程以及智能识别***,解决一线安检人员不足、过度劳累的问题,以及因此而产生的误检和漏检等问题;消除和减少安全隐患,同时实现减员增效,降低对于人员素质要求,缩短上岗前的培训周期,直接胜任物品安检岗位。
目前,对于X光机图像甄别的方式,大多采用传统的图像处理的方式,通过对获取的x光机数字图像进行处理,获取某些特征,再根据特征进行分类,以此来甄别物体,但是这样的检测精度较低,对于金属等x光难以穿透的物体,有一定的效果,其它如纺织物、有机物等颜色较浅的物体,比较难以获取特征,同时由于提取特征的方法均是人为确定某一种特征,例如SURF特征,SIFT特征等,并不能很好的对所需要甄选的物体匹配、获取,甚至将其他物体也检测错误的概率非常高。另一种方法则是通过对X光机图片进行锐化、灰度、膨胀等处理之后,利用边缘检测的方法获取所要甄别的物体的外观,最后通过SVM等分类算法对物体进行分类处理。
现有技术中,一种常见的图像甄别方法是:对含有需要甄选的目标物的X光机图片进行去噪,降低图片的噪点,再对图像进行变换,例如傅里叶变换、直方图变换、离散余弦变换等,对变换之后的图片去掉不相关的地方,再回到原图上对图片做比对增强、锐化等处理之后,根据自己的需求以及理解选择合适的特征表示方式,对图片提取自己想要的特征,作为模板,或是作为训练样本训练SVM的分类器。当出现一张X光机图片之后,对图片做相同的处理,与模板进行匹配,或是送到已经训练好的SVM分类器进行分类,可以得到想要的结果。
另一种常见的图像甄别方法是:对含有需要甄别的目标物的X光机图片进行锐化、平滑处理,之后就能行边缘增强,在进行滤波处理之后对此图片进行梯度算子的获取,获取梯度算子的方式可以有很多,例如Canny算子,Sobel算子,Roberts算子等,同时也可以一次性获取多个不同算子的梯度图,或是获取通过不同图像处理方式的同一种梯度算子图,根据提取到的梯度算子图获取所需甄别的边缘轮廓,作为模板,或是利用这些已知的轮廓进行训练SVM分类器,在后续使用的上采用同样的处理方式,与现有模板进行匹配获取结果,或是利用SVM对其进行分类。
但是,在实际应用过程中,旅客行李的多样性,导致X光机图片中的所需要甄别的物体呈现多样性,多变性。具体表现在对于每一个物体,在X光机图像中的位置不同,空间位置不同、照射角度不同导致图片中同一物体的外形差异较大,同时由于X光机本身强大的穿透性的特点,会丢失很多物体的细节信息,不同物体在穿透后对不同物体形成的不同颜色会出现叠加的现象,更加使得甄别指定物体非常的难。
以上的两种方法目前存在的问题都是面对复杂多变的行李,没有很好的泛化能力,同时也有很大的误检,其原因是,所提取的特征或者是轮廓可能又许多的相似物品,这相似性或是由于多个物体叠加形成的,或是由于行李中物品的多样性导致的,最终会使得大量的误检。而漏检的原因是因为多个行李叠加,导致其选定的特征没有了或者是轮廓失真,也有可能是空间位置的变换,导致特定角度下,这个物品无法被识别。同时,以上两个方法本身对于提取特征的方式比较机械化,同时存在人为的因素导致所选择的图像处理方式或是特征提取的方式存在不合理的情况,这也是会严重影响到最后的结果。
发明内容
本发明要解决的技术问题在于,针对现有技术的不足,提供一种基于X光图像前景目标提取的物品甄别方法,该方法不仅能自主获取特征,还能获取同一物体经过空间变换之后的特征,准确、有效地甄选出目标物体在图片中的位置。
为解决上述技术问题,本发明采用如下技术方案。
一种基于X光图像前景目标提取的物品甄别方法,其包括有如下步骤:步骤S1,导入X光机图片;步骤S2,利用深度卷积神经网络获取图片的特征图;步骤S3,根据特征图谱的特征进行分类,获取特征图中前景的特征点;步骤S4,获取前景的候选框,以及候选框所对应的位置;步骤S5,经过全连接网络对前景进行分类,得到不同的前景类别;步骤S6,获取预测的前景物体,以及前景物体的预测位置。
优选地,所述步骤S1中,导入X光机图片后,对图片大小进行调整。
优选地,所述步骤S3包括:步骤S30,获取特征图后,利用预设的卷积层对所述特征图的维度进行降维。
优选地,所述步骤S30之后执行:步骤S31,对降维之后的特征图中的全部特征点进行分类。
优选地,所述步骤S31之后执行:步骤S32,将特征图中的特征点分为前景和背景。
优选地,所述步骤S32之后执行:步骤S33,根据步骤S32中得到的前景特征点,获取该前景特征点与所述图片相对应的相关区域,得到前景的候选框。
优选地,所述步骤S33中,根据每个特征点绘制多个尺寸、多个比例的矩形框。
优选地,所述步骤S33中,绘制矩形框之后,计算矩形框和特征点在原图中相重合的区域,若重合区域大于预设的阈值,则将该重合区域认定为前景的候选区域。
优选地,所述步骤S33中,获取到前景的候选区域后,利用预设的全连接层对已获取的前景分类,得到不同的前景类别。
优选地,所述步骤33中,对于每个前景类别,若同一前景的多个候选框的重合区域大于预设的阈值,则认定该前景为一个物体,以滤除不相关的候选框。
本发明公开的基于X光图像前景目标提取的物品甄别方法中,采用深度卷积的方式获取需要甄别的物体的特征,无需人为参与,同时通过深度卷积网络的反向传播的机制,由深度卷积网络选择合适的特征,再配合数量较大的数据,不仅能自主获取特征,还能获取同一物体经过空间变换之后的特征,对同一物体在不同的行李中、不同的位置或角度,均能得到准确的甄别,大大提高了其泛化能力。相比现有技术而言,本发明解决了X光机图片的特征提取问题,其次,本发明通过区分前景目标以及背景的方式,获取基于目标前景的候选框,不仅能获知图片中是否存在所需要甄选的目标物,而且还能获取所需甄选目标物的数量,进而准确、有效地甄选出目标物体在图片中的位置。
附图说明
图1为本发明基于X光图像前景目标提取的物品甄别方法流程图。
图2为前景目标候选框获取过程的流程图。
具体实施方式
下面结合附图和实施例对本发明作更加详细的描述。
本发明公开了一种基于X光图像前景目标提取的物品甄别方法,请参照图1,其包括有如下步骤:
步骤S1,导入X光机图片;
步骤S2,利用深度卷积神经网络获取图片的特征图;
步骤S3,根据特征图谱的特征进行分类,获取特征图中前景的特征点;
步骤S4,获取前景的候选框,以及候选框所对应的位置;
步骤S5,经过全连接网络对前景进行分类,得到不同的前景类别;
步骤S6,获取预测的前景物体,以及前景物体的预测位置。
上述方法中,采用深度卷积的方式获取需要甄别的物体的特征,无需人为参与,同时通过深度卷积网络的反向传播的机制,由深度卷积网络选择合适的特征,再配合数量较大的数据,不仅能自主获取特征,还能获取同一物体经过空间变换之后的特征,对同一物体在不同的行李中、不同的位置或角度,均能得到准确的甄别,大大提高了其泛化能力。相比现有技术而言,本发明解决了X光机图片的特征提取问题,其次,本发明通过区分前景目标以及背景的方式,获取基于目标前景的候选框,不仅能获知图片中是否存在所需要甄选的目标物,而且还能获取所需甄选目标物的数量,进而准确、有效地甄选出目标物体在图片中的位置。
作为一种优选方式,所述步骤S1中,导入X光机图片后,对图片大小进行调整。
本实施例中,所述步骤S3包括:
步骤S30,获取特征图后,利用预设的卷积层对所述特征图的维度进行降维;
步骤S31,对降维之后的特征图中的全部特征点进行分类;
步骤S32,将特征图中的特征点分为前景和背景;
步骤S33,根据步骤S32中得到的前景特征点,获取该前景特征点与所述图片相对应的相关区域,得到前景的候选框。
进一步地,所述步骤S33中,根据每个特征点绘制多个尺寸、多个比例的矩形框。绘制矩形框之后,计算矩形框和特征点在原图中相重合的区域,若重合区域大于预设的阈值,则将该重合区域认定为前景的候选区域。获取到前景的候选区域后,利用预设的全连接层对已获取的前景分类,得到不同的前景类别。对于每个前景类别,若同一前景的多个候选框的重合区域大于预设的阈值,则认定该前景为一个物体,以滤除不相关的候选框。
本发明公开的基于X光图像前景目标提取的物品甄别方法,结合图1和图2所示,在实际应用中可参考如下实施例:
首先,利用深度卷积网络提取特征,此处的深度卷积网络的组成可以是多样的,其主要是由多种卷积层、多种池化层、多种激活层组合而成。在经过相应的卷积层、池化层、激活层的时候会做相应的卷积计算、池化计算以及激活计算,在这些计算过程之中,均会使用到相应的权重参数,通过这些参数可以获取到X光机图片中的目标特征。其中的权重参数均保存在一个权重文件之中,权重文件的获取是利用收集到的数据进行训练得来的。
在获取到的X光机的特征图之后,在经过一个小的卷积层,对之前获取特征图的维度进行降维,对降维之后的特征图中所有的特征点,进行分类操作,主要目的是提取出X光机中的前景以及不关注的背景对应特征点。此时每一个代表前景的特征点在原图中代表一个区域,此时根据每一个特征点画出多个尺寸的,多个比例的矩形框,选择的尺寸大小以及比例是根据X光机中所关注的目标前景的在图片中的规律选取的。在获得矩形框之后,计算矩形框和特征点对应到原图的区域的重合区域,设定一个阈值,若是重合区域大于这个阈值,则给定的区域便是我们所需要的前景区域。至此,通过以上的方法,本实施例获取到了大量的X光机前景的候选区域框。
在获取关于前景的候选区域之后,经由后面的全连接层,再对获取的前景分类,得到不同的前景类别,至此,在一张图片之中,可能存在不同的前景的许多个候选区域框,此时,对于每一个前景类别,若同一个前景的多个候选区域框重合区域大于一个阈值的时候,便可认为是一个物体,以此来过滤掉不必要的候选区域框。至此,便可以甄别到X光机中所关注的前景物体,不仅如此,还可以得到X光机图片中有多少个前景物体以及具体的位置。
本发明公开的基于X光图像前景目标提取的物品甄别方法,在X光机图像处理中,利用了深度卷积来获取相关目标前景的特征点,避免了人为的获取特征所带来的不确定性,以及当特征存在空间变换的时候,无法识别的问题。同时,本发明实现了获取对于在X光机种需要甄选的前景目标的候选框及其分类与定位,并在实际应用中协助工作人员找到目标前景的具***置以及具体的类别,特别是当同一张X光机图片种出现多种不同的目标前景的时候,可以识别到每种目标,以及得到它们的位置信息。
以上所述只是本发明较佳的实施例,并不用于限制本发明,凡在本发明的技术范围内所做的修改、等同替换或者改进等,均应包含在本发明所保护的范围内。
Claims (10)
1.一种基于X光图像前景目标提取的物品甄别方法,其特征在于,包括有如下步骤:
步骤S1,导入X光机图片;
步骤S2,利用深度卷积神经网络获取图片的特征图;
步骤S3,根据特征图谱的特征进行分类,获取特征图中前景的特征点;
步骤S4,获取前景的候选框,以及候选框所对应的位置;
步骤S5,经过全连接网络对前景进行分类,得到不同的前景类别;
步骤S6,获取预测的前景物体,以及前景物体的预测位置。
2.如权利要求1所述的基于X光图像前景目标提取的物品甄别方法,其特征在于,所述步骤S1中,导入X光机图片后,对图片大小进行调整。
3.如权利要求1所述的基于X光图像前景目标提取的物品甄别方法,其特征在于,所述步骤S3包括:
步骤S30,获取特征图后,利用预设的卷积层对所述特征图的维度进行降维。
4.如权利要求3所述的基于X光图像前景目标提取的物品甄别方法,其特征在于,所述步骤S30之后执行:
步骤S31,对降维之后的特征图中的全部特征点进行分类。
5.如权利要求4所述的基于X光图像前景目标提取的物品甄别方法,其特征在于,所述步骤S31之后执行:
步骤S32,将特征图中的特征点分为前景和背景。
6.如权利要求5所述的基于X光图像前景目标提取的物品甄别方法,其特征在于,所述步骤S32之后执行:
步骤S33,根据步骤S32中得到的前景特征点,获取该前景特征点与所述图片相对应的相关区域,得到前景的候选框。
7.如权利要求6所述的基于X光图像前景目标提取的物品甄别方法,其特征在于,所述步骤S33中,根据每个特征点绘制多个尺寸、多个比例的矩形框。
8.如权利要求7所述的基于X光图像前景目标提取的物品甄别方法,其特征在于,所述步骤S33中,绘制矩形框之后,计算矩形框和特征点在原图中相重合的区域,若重合区域大于预设的阈值,则将该重合区域认定为前景的候选区域。
9.如权利要求8所述的基于X光图像前景目标提取的物品甄别方法,其特征在于,所述步骤S33中,获取到前景的候选区域后,利用预设的全连接层对已获取的前景分类,得到不同的前景类别。
10.如权利要求8所述的基于X光图像前景目标提取的物品甄别方法,其特征在于,所述步骤33中,对于每个前景类别,若同一前景的多个候选框的重合区域大于预设的阈值,则认定该前景为一个物体,以滤除不相关的候选框。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810074470.0A CN108288279A (zh) | 2018-01-25 | 2018-01-25 | 一种基于x光图像前景目标提取的物品甄别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810074470.0A CN108288279A (zh) | 2018-01-25 | 2018-01-25 | 一种基于x光图像前景目标提取的物品甄别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108288279A true CN108288279A (zh) | 2018-07-17 |
Family
ID=62835816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810074470.0A Pending CN108288279A (zh) | 2018-01-25 | 2018-01-25 | 一种基于x光图像前景目标提取的物品甄别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108288279A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446888A (zh) * | 2018-09-10 | 2019-03-08 | 唯思科技(北京)有限公司 | 一种基于卷积神经网络的细长类物品检测方法 |
CN109472309A (zh) * | 2018-11-12 | 2019-03-15 | 南京烽火星空通信发展有限公司 | 一种x光安检机图片物体检测方法 |
CN109544564A (zh) * | 2018-11-23 | 2019-03-29 | 清华大学深圳研究生院 | 一种医疗图像分割方法 |
CN110186940A (zh) * | 2018-08-23 | 2019-08-30 | 深圳码隆科技有限公司 | 安检识别方法、装置、计算机设备和存储介质 |
CN110428007A (zh) * | 2019-08-01 | 2019-11-08 | 科大讯飞(苏州)科技有限公司 | X光图像目标检测方法、装置及设备 |
CN111210417A (zh) * | 2020-01-07 | 2020-05-29 | 创新奇智(北京)科技有限公司 | 基于卷积神经网络的布匹缺陷检测方法 |
CN112069907A (zh) * | 2020-08-11 | 2020-12-11 | 盛视科技股份有限公司 | 基于实例分割的x光机图像识别方法、装置及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221623A (zh) * | 2008-01-30 | 2008-07-16 | 北京中星微电子有限公司 | 一种物体类型的在线训练和识别方法及其*** |
CN106022278A (zh) * | 2016-05-26 | 2016-10-12 | 天津艾思科尔科技有限公司 | 一种视频图像中吉里巴甫服饰人群检测的方法及*** |
-
2018
- 2018-01-25 CN CN201810074470.0A patent/CN108288279A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221623A (zh) * | 2008-01-30 | 2008-07-16 | 北京中星微电子有限公司 | 一种物体类型的在线训练和识别方法及其*** |
CN106022278A (zh) * | 2016-05-26 | 2016-10-12 | 天津艾思科尔科技有限公司 | 一种视频图像中吉里巴甫服饰人群检测的方法及*** |
Non-Patent Citations (1)
Title |
---|
尹勰等: "基于深度卷积神经网络的图像目标检测", 《工业控制计算机》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110186940A (zh) * | 2018-08-23 | 2019-08-30 | 深圳码隆科技有限公司 | 安检识别方法、装置、计算机设备和存储介质 |
CN109446888A (zh) * | 2018-09-10 | 2019-03-08 | 唯思科技(北京)有限公司 | 一种基于卷积神经网络的细长类物品检测方法 |
CN109472309A (zh) * | 2018-11-12 | 2019-03-15 | 南京烽火星空通信发展有限公司 | 一种x光安检机图片物体检测方法 |
CN109544564A (zh) * | 2018-11-23 | 2019-03-29 | 清华大学深圳研究生院 | 一种医疗图像分割方法 |
CN110428007A (zh) * | 2019-08-01 | 2019-11-08 | 科大讯飞(苏州)科技有限公司 | X光图像目标检测方法、装置及设备 |
CN111210417A (zh) * | 2020-01-07 | 2020-05-29 | 创新奇智(北京)科技有限公司 | 基于卷积神经网络的布匹缺陷检测方法 |
CN111210417B (zh) * | 2020-01-07 | 2023-04-07 | 创新奇智(北京)科技有限公司 | 基于卷积神经网络的布匹缺陷检测方法 |
CN112069907A (zh) * | 2020-08-11 | 2020-12-11 | 盛视科技股份有限公司 | 基于实例分割的x光机图像识别方法、装置及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108288279A (zh) | 一种基于x光图像前景目标提取的物品甄别方法 | |
CN111145177B (zh) | 图像样本生成方法、特定场景目标检测方法及其*** | |
CN104866829B (zh) | 一种基于特征学习的跨年龄人脸验证方法 | |
Hassan et al. | Detecting prohibited items in X-ray images: A contour proposal learning approach | |
CN104166841B (zh) | 一种视频监控网络中指定行人或车辆的快速检测识别方法 | |
CN106023220B (zh) | 一种基于深度学习的车辆外观部件图像分割方法 | |
CN106296666B (zh) | 一种彩色图像去阴影方法和应用 | |
CN106250874B (zh) | 一种服饰及随身物品的识别方法和装置 | |
CN107330892A (zh) | 一种基于随机森林法的向日葵病害识别方法 | |
CN103927741B (zh) | 增强目标特征的sar图像合成方法 | |
CN106651872A (zh) | 基于Prewitt算子的路面裂缝识别方法及*** | |
CN108765412A (zh) | 一种带钢表面缺陷分类方法 | |
CN106909941A (zh) | 基于机器视觉的多表字符识别***及方法 | |
CN110020647A (zh) | 一种违禁品目标检测方法、装置及计算机设备 | |
CN108875600A (zh) | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 | |
CN109977877B (zh) | 一种安检智能辅助判图方法、***以及***控制方法 | |
CN108491797A (zh) | 一种基于大数据的车辆图像精确检索方法 | |
CN108090429A (zh) | 一种分级前脸卡口车型识别方法 | |
CN104268879B (zh) | 基于遥感多光谱图像的建筑物实物量损毁评估方法 | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
CN109685141A (zh) | 一种基于深度神经网络的机器人物品分拣视觉检测方法 | |
CN106485274A (zh) | 一种基于目标特性图的物体分类方法 | |
CN108985170A (zh) | 基于三帧差分法及深度学习的输电线路悬挂物识别方法 | |
CN107798281A (zh) | 一种基于lbp特征的人脸活体检测方法和装置 | |
CN106886216A (zh) | 基于rgbd人脸检测的机器人自动跟踪方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180717 |