CN110020647B - 一种违禁品目标检测方法、装置及计算机设备 - Google Patents
一种违禁品目标检测方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN110020647B CN110020647B CN201810020069.9A CN201810020069A CN110020647B CN 110020647 B CN110020647 B CN 110020647B CN 201810020069 A CN201810020069 A CN 201810020069A CN 110020647 B CN110020647 B CN 110020647B
- Authority
- CN
- China
- Prior art keywords
- contraband
- determined
- image
- preset
- target
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 166
- 238000000034 method Methods 0.000 claims abstract description 108
- 239000000126 substance Substances 0.000 claims abstract description 72
- 230000002708 enhancing effect Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 57
- 238000013135 deep learning Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 20
- 230000003321 amplification Effects 0.000 claims description 17
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 17
- 238000007689 inspection Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000009466 transformation Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 229910052572 stoneware Inorganic materials 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明实施例提供了一种违禁品目标检测方法、装置及计算机设备，方法包括：通过多种预设图像增强方法，对待检测X射线图像中的指定特征进行增强处理，得到多个增强图像；利用预设目标检测方法，对各增强图像进行检测，判断各增强图像中是否存在待确定违禁品目标，并确定待确定违禁品目标所处区域的位置信息；若统计的存在待确定违禁品目标的增强图像的数量达到预设阈值，则从待检测X射线图像中提取与位置信息对应的感兴趣区域图像；获取并根据感兴趣区域图像的属性特征，确定待确定违禁品目标的物质类别；若物质类别符合预设物质类别，则确定检测到的待确定违禁品目标为确定的违禁品目标。通过本方案可以降低违禁品目标检测的漏检率和误检率。
Description
技术领域
本发明涉及安检技术领域，特别是涉及一种违禁品目标检测方法、装置及计算机设备。
背景技术
随着物流行业的快速发展，利用快递、物流夹带的方式运输违禁品的现象层出不穷，这种夹带运输的方式隐蔽性很强，侦查的难度较大，危害社会治安。传统使用X射线安检机检测行李、包裹中的违禁品，通过对X射线透射行李、包裹成像，可以达到不拆包进行物品检查的目的，已经在飞机场、海关、火车站、地铁站等场所广泛应用。然而，使用X射线安检机检测违禁品的方法，需要工作人员参与图像判别，自动化程度低，工作人员长时间观察图像容易造成视觉疲劳，极易出现漏检、误检的情况，尤其是物流行业，货物流量大、时间紧，给工作人员带来极大的压力，也给监管部门带来监管困难。
近年来，随着人工智能的快速发展，利用机器学习的方法进行目标检测逐渐成为主流。基于机器学习的理论，对于X射线安检机所成的图像，可以通过深度学习运算，确定图像中与预先训练的违禁品目标轮廓特征的相似度满足预设条件的目标为确定的违禁品目标，从而达到对违禁品目标的检测。
但是，由于X射线扫描存在的缺陷，扫描到的图像往往存在模糊、显示不完整等问题，并且，由于违禁品目标的复杂多样性，仅凭借轮廓特征对违禁品目标进行检测，检测的结果存在较高的漏检率和误检率。
发明内容
本发明实施例的目的在于提供一种违禁品目标检测方法、装置及计算机设备，以降低违禁品目标检测的漏检率和误检率。具体技术方案如下：
第一方面，本发明实施例提供了一种违禁品目标检测方法，所述方法包括：
通过多种预设图像增强方法，对获取的待检测X射线图像中的指定特征进行增强处理，得到多个增强图像；
利用预设目标检测方法，对各增强图像进行检测，判断各增强图像中是否存在待确定违禁品目标，并确定所述待确定违禁品目标的基本属性信息，其中，所述基本属性信息包括所述待确定违禁品目标所处区域的位置信息；
统计存在所述待确定违禁品目标的增强图像的数量，若所述数量达到预设阈值，则从所述待检测X射线图像中提取与所述位置信息对应的感兴趣区域图像；
获取并根据所述感兴趣区域图像的属性特征，确定所述待确定违禁品目标的物质类别；
若所述物质类别符合预设物质类别，则确定检测到的所述待确定违禁品目标为确定的违禁品目标。
可选的，所述待检测X射线图像的获取方式，包括：
获取通过X射线安检机采集的源X射线图像；
对所述源X射线图像进行归一化操作，得到待检测X射线图像。
可选的，在所述利用预设目标检测方法，对各增强图像进行检测，判断各增强图像中是否存在待确定违禁品目标，并确定所述待确定违禁品目标的基本属性信息之前，所述方法还包括：
获取多个包含有违禁品目标的图像样本；
根据标定的各图像样本中违禁品目标区域的坐标信息，提取各违禁品目标区域中的图像，得到多个样本掩膜；
对各样本掩膜进行预设扩增处理，得到多个扩增后的掩膜图像；
将各掩膜图像投影至多个预设图像中，得到多个训练样本；
利用预设深度学习方法对所述多个训练样本进行训练，得到检测模型；
所述利用预设目标检测方法，对各增强图像进行检测，判断各增强图像中是否存在待确定违禁品目标，并确定所述待确定违禁品目标的基本属性信息，包括：
利用所述检测模型，对各增强图像进行检测，判断各增强图像中是否存在违禁品目标，并确定所述待确定违禁品目标的基本属性信息。
可选的，在所述若所述物质类别符合预设物质类别，则确定检测到的所述待确定违禁品目标为确定的违禁品目标之后，所述方法还包括：
将指定场景样本集中的样本及包含有所述确定的违禁品目标的图像设定为候选样本，所述指定场景样本集中包括服从指定场景下目标分布的样本；
根据各候选样本的相关性，为各候选样本分配权重；
选择各候选样本中权重最大的第一候选样本，并从所述多个训练样本中选择与所述第一候选样本的相似度大于预设相似度的第二候选样本；
更新所述指定场景样本集中的样本为所述第一候选样本及所述第二候选样本；
利用所述预设深度学习方法对更新后的指定场景样本集中的样本进行训练，得到更新的检测模型，以在下一次获取待检测X射线图像时，执行利用所述更新的检测模型，对各增强图像进行检测，判断各增强图像中是否存在待确定违禁品目标，并确定所述待确定违禁品目标的基本属性信息。
可选的，所述获取并根据所述感兴趣区域图像的属性特征，确定所述待确定违禁品目标的物质类别，包括：
获取所述感兴趣区域图像的灰度值；
确定所述灰度值所处的预设灰度范围；
基于所述预设灰度范围，确定所述待确定违禁品目标的物质类别。
可选的，所述基本属性信息还包括所述待确定违禁品目标的类型信息；
在所述若所述物质类别符合预设物质类别，则确定检测到的所述待确定违禁品目标为确定的违禁品目标之后，所述方法还包括：
根据所述类型信息，得到所述确定的违禁品目标的类型。
第二方面，本发明实施例提供了一种违禁品目标检测装置，所述装置包括：
增强处理模块，用于通过多种预设图像增强方法，对获取的待检测X射线图像中的指定特征进行增强处理，得到多个增强图像；
检测模块，用于利用预设目标检测方法，对各增强图像进行检测，判断各增强图像中是否存在待确定违禁品目标，并确定所述待确定违禁品目标的基本属性信息，其中，所述基本属性信息包括所述待确定违禁品目标所处区域的位置信息；
统计模块，用于统计存在所述待确定违禁品目标的增强图像的数量，若所述数量达到预设阈值，则从所述待检测X射线图像中提取与所述位置信息对应的感兴趣区域图像；
获取模块，用于获取并根据所述感兴趣区域图像的属性特征，确定所述待确定违禁品目标的物质类别；
确定模块，用于若所述物质类别符合预设物质类别，则确定检测到的所述待确定违禁品目标为确定的违禁品目标。
可选的，所述获取模块，还用于：
获取通过X射线安检机采集的源X射线图像；
对所述源X射线图像进行归一化操作，得到待检测X射线图像。
可选的，所述装置还包括：
图像样本获取模块，用于获取多个包含有违禁品目标的图像样本；
提取模块，用于根据标定的各图像样本中违禁品目标区域的坐标信息，提取各违禁品目标区域中的图像，得到多个样本掩膜；
扩增处理模块，用于对各样本掩膜进行预设扩增处理，得到多个扩增后的掩膜图像；
投影模块，用于将各掩膜图像投影至多个预设图像中，得到多个训练样本；
第一训练模块，用于利用预设深度学习方法对所述多个训练样本进行训练，得到检测模型；
所述检测模块，具体用于：
利用所述检测模型，对各增强图像进行检测，判断各增强图像中是否存在违禁品目标，并确定所述待确定违禁品目标的基本属性信息。
可选的，所述装置还包括：
设定模块，用于将指定场景样本集中的样本及包含有所述确定的违禁品目标的图像设定为候选样本，所述指定场景样本集中包括服从指定场景下目标分布的样本；
分配模块，用于根据各候选样本的相关性，为各候选样本分配权重；
选择模块，用于选择各候选样本中权重最大的第一候选样本，并从所述多个训练样本中选择与所述第一候选样本的相似度大于预设相似度的第二候选样本；
更新模块，用于更新所述指定场景样本集中的样本为所述第一候选样本及所述第二候选样本；
第二训练模块，用于利用所述预设深度学习方法对更新后的指定场景样本集中的样本进行训练，得到更新的检测模型，以在下一次获取待检测X射线图像时，执行利用所述更新的检测模型，对各增强图像进行检测，判断各增强图像中是否存在待确定违禁品目标，并确定所述待确定违禁品目标的基本属性信息。
可选的，所述获取模块，具体用于：
获取所述感兴趣区域图像的灰度值；
确定所述灰度值所处的预设灰度范围；
基于所述预设灰度范围，确定所述待确定违禁品目标的物质类别。
可选的，所述基本属性信息还包括所述待确定违禁品目标的类型信息；
所述装置还包括：
类型确定模块，用于根据所述类型信息，得到所述确定的违禁品目标的类型。
第三方面，本发明实施例提供了一种计算机设备，包括处理器和存储器，其中，
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现本发明实施例第一方面所述的方法步骤。
本发明实施例提供的一种违禁品目标检测方法、装置及计算机设备，通过多种预设图像增强方法，对获取的待检测X射线图像中的指定特征进行增强，得到多个增强图像，利用预设目标检测方法，对各增强图像进行检测，判断各增强图像中是否存在待确定违禁品目标，并确定待确定违禁品目标所处区域的位置信息，在统计的存在待确定违禁品目标的增强图像的数量达到预设阈值时，从待检测X射线图像中提取与待确定违禁品目标所处区域的位置信息对应的感兴趣区域图像，由于待确定违禁品目标中可能存在非违禁品目标，则根据感兴趣区域图像的属性特征，可以确定待确定违禁品目标的物质类别，根据物质类别即可确定待确定违禁品目标是否为确定的违禁品目标。针对待检测X射线图像可能存在模糊、显示不完整等问题，通过预设图像增强方法，对待检测X射线图像中的指定特征进行增强，这样，得到的增强图像中能够尽可能地清楚、完整显示待检测X射线图像中的内容，避免了由于模糊、显示不完整等问题导致的漏检，降低了违禁品目标检测的漏检率；通过多种预设图像增强方法对待检测X射线图像进行增强，再统计存在待确定违禁品目标的增强图像的数量，在统计的数量达到阈值时进行是否为违禁品目标的判断，这样，即使出现个别增强图像误检，由于设置了阈值，依然无法进行是否为违禁品目标的判断，从而降低了误检率；并且，针对可能存在与违禁品目标的轮廓特征相同的非违禁品目标，由于两者的物质类别存在差别，则通过属性特征确定待确定违禁品目标的物质类别，如果物质类别符合为违禁品物质类别的预设类别，则确定为违禁品目标，降低了违禁品目标检测的误检率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的违禁品目标检测方法的流程示意图；
图2a为本发明实施例的X射线安检机扫描的源X射线图像；
图2b为本发明实施例的对源X射线图像进行对数变换后得到的增强图像；
图2c为本发明实施例的对源X射线图像进行自适应直方图均衡化处理后得到的增强图像；
图2d为本发明实施例的对源X射线图像进行伽马变换后得到的增强图像；
图3a为本发明实施例的不同的X射线安检机扫描得到的源X射线图像中违禁品目标图像；
图3b为本发明实施例的通过归一化后得到的待检测X射线图像中违禁品目标图像；
图4a为本发明实施例的图像样本示意图；
图4b为本发明实施例的样本掩膜示意图；
图4c为本发明实施例的扩增后的掩膜图像；
图4d为本发明实施例的预设图像；
图4e为本发明实施例的训练样本示意图；
图5为本发明一实施例的违禁品目标检测装置的结构示意图；
图6为本发明另一实施例的违禁品目标检测装置的结构示意图；
图7为本发明又一实施例的违禁品目标检测装置的结构示意图；
图8为本发明实施例的计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了降低违禁品目标检测的漏检率和误检率，本发明实施例提供了一种违禁品目标检测方法、装置及计算机设备。
下面，首先对本发明实施例所提供的一种违禁品目标检测方法进行介绍。
本发明实施例所提供的一种违禁品目标检测方法的执行主体可以为执行智能算法的计算机设备，该计算机设备可以集成在X射线安检机中，也可以独立于X射线安检机，还可以是远程服务器，执行主体中至少包括搭载有核心处理芯片的处理器。实现本发明实施例所提供的一种违禁品目标检测方法的方式可以为设置于执行主体中的软件、硬件电路和逻辑电路中的至少一种方式。
如图1所示，本发明实施例所提供的一种违禁品目标检测方法，可以包括如下步骤：
S101，通过多种预设图像增强方法，对获取的待检测X射线图像中的指定特征进行增强处理，得到多个增强图像。
预设图像增强方法为针对待检测X射线图像中的指定特征进行增强处理的方法，其中，增强处理就是有目的地强调待检测X射线图像中的指定特征，扩大待检测X射线图像中不同目标特征之间的差别。该预设图像增强方法包括但不仅限于：中值滤波、均值滤波、高通滤波、灰度归一化、灰度对数变换、平方根变换、自适应直方图均衡化等。待检测X射线图像中的指定特征可以理解为感兴趣的特征，指定特征可以为待检测X射线图像的整体特征，也可以为待检测X射线图像的局部特征。通过多种预设图像增强方法，对待检测X射线图像中的指定特征进行一系列并行的增强处理后，可以得到多个不同效果的增强图像。例如，对如图2a所示的源X射线图像进行对数变换，得到如图2b所示的增强图像，该增强图像中亮度与物体的厚度成正比；又例如，对如图2a所示的源X射线图像进行自适应直方图均衡化处理，得到如图2c所示的增强图像，该增强图像中亮度与物体的质量成正比；再例如，对如图2a所示的源X射线图像进行伽马变换，得到如图2d所示的增强图像，该增强图像中物体的信噪比正比于像素强度的平方根。通过这些例子可以看出，通过预设图像增强方法，可以增强待检测X射线图像中的指定目标。
待检测X射线图像可以为通过X射线安检机直接扫描得到的源X射线图像，但是，由于各种型号的X射线安检机之间存在差异，得到的图像灰度有所不同，为了适应不同型号的X射线安检机，使各X射线安检机扫描得到的图像灰度趋近一致、增加算法对于自然变化的鲁棒性，需要对各类X射线安检机扫描得到的图像进行归一化操作，再进行图像分析，归一化操作可能包括剂量变化、透视、材料组成和物体朝向变化等。
因此，可选的，待检测X射线图像的获取方式，可以包括：
获取通过X射线安检机采集的源X射线图像；
对源X射线图像进行归一化操作，得到待检测X射线图像。
不同的X射线安检机扫描得到的源X射线图像中违禁品目标图像如图3a，可以看出各X射线安检机扫描得到的源X射线图像的灰度不同，通过归一化后得到的待检测X射线图像中违禁品目标图像如图3b所示，各X射线安检机扫描得到的源X射线图像经过归一化后得到的待检测X射线图像具有一致的灰度。
S102，利用预设目标检测方法，对各增强图像进行检测，判断各增强图像中是否存在待确定违禁品目标，并确定待确定违禁品目标的基本属性信息。
其中，基本属性信息包括待确定违禁品目标所处区域的位置信息。在得到多个增强图像后，可以对各增强图像进行目标检测，判断各增强图像中是否存在待确定违禁品目标，预设目标检测方法可以为基于深度学习的目标检测方法，例如卷积神经网络算法，也可以为与违禁品目标模板进行特征比对的分类器分类方法。针对当下流行的深度学习方法，在进行目标检测前，需要先训练得到一个检测模型，利用训练得到的检测模型进行目标检测。待确定违禁品目标可以理解为疑似违禁品目标，例如具有与管制刀具、***等违禁品具有相近的颜色、外形等特征的目标，其中可能包含有玩具***、塑料刀具等。
因此，可选的，在利用预设目标检测方法，对各增强图像进行检测，判断各增强图像中是否存在待确定违禁品目标，并确定待确定违禁品目标的基本属性信息的步骤之前，还可以包括如下步骤：
第一步，获取多个包含有违禁品目标的图像样本；
第二步，根据标定的各图像样本中违禁品目标区域的坐标信息，提取各违禁品目标区域中的图像，得到多个样本掩膜；
第三步，对各样本掩膜进行预设扩增处理，得到多个扩增后的掩膜图像；
第四步，将各掩膜图像投影至多个预设图像中，得到多个训练样本；
第五步，利用预设深度学习方法对多个训练样本进行训练，得到检测模型。
图像样本可以为在实验环境下采集的多个包含有违禁品目标的图像，如图4a所示，由于深度学***移、随机翻转、扭曲、对比度变换、亮度调整、加随机噪声、多个掩膜叠加等。如果样本的大小和多样性受到限制，容易出现过拟合的情况，则通过预设扩增处理可以减少过拟合、提升算法性能。
将扩增后的掩膜图像投影至如图4d所示的预设图像中，得到如图4e所示的训练样本，利用预设深度学习方法对训练样本进行训练即可得到检测模型。其中，预设深度学习方法可以为例如卷积神经网络的各神经网络运算方法，训练的过程可以采用迁移学习技术。由于图像样本中违禁品目标通常非常小，即便经过了扩增处理，想要训练得到一个准确的检测模型仍然非常困难，因为扩增处理后的掩膜图像通过投影得到的训练样本，虽然数量大大增加，但是训练样本的多样性不足，直接训练神经网络容易产生局部最优解的问题。因此，可以采用迁移学习技术，先利用大量的可见光图像数据(例如十万张可见光图像数据、百万张可见光图像数据等)进行神经网络的训练，得到一个训练模型；然后，用可见光图像数据训练得到的训练模型初始化检测模型，再输入扩增处理后投影得到的训练样本，进行检测模型的微调，经过不断的微调得到最终的检测模型。
则通过将各增强图像分别输入检测模型，输出结果中即可包含各增强图像中是否存在违禁品目标及违禁品目标的基本属性信息。即，利用预设目标检测方法，对各增强图像进行检测，判断各增强图像中是否存在待确定违禁品目标，并确定待确定违禁品目标的基本属性信息的步骤，可以包括：
利用检测模型，对各增强图像进行检测，判断各增强图像中是否存在违禁品目标，并确定待确定违禁品目标的基本属性信息。
在利用基于深度学习的目标检测方法进行待确定违禁品目标的检测时，不仅可以得到待确定违禁品目标所处区域的位置信息，还可以得到待确定违禁品目标的类型信息，即基本属性信息还包括有待确定违禁品目标的类型信息。该类型信息反映了待确定违禁品目标的疑似类型，例如，哪些待确定违禁品目标可能为管制刀具、哪些待确定违禁品目标可能为***等。
S103，统计存在待确定违禁品目标的增强图像的数量，若该数量达到预设阈值，则从待检测X射线图像中提取与位置信息对应的感兴趣区域图像。
在进行目标分类的方法中，常使用的感兴趣区域加深度学习的方法，该方法需要先提出感兴趣区域，可以使用颜色、边沿等分割方法实现，再将分割出的区域进行分类。这种方法中如果图像中显示的内容模糊、不完整，易出现误检的情况，因此，在本实施例中，对存在待确定违禁品目标的增强图像的数量进行统计，如果统计的数量达到预设阈值，则可以从待检测X射线图像中提取与位置信息对应的感兴趣区域图像，即进行区域推荐的操作，将统计数量达到预设阈值的区域推荐为感兴趣区域，可以降低误检率。其中，预设阈值可以根据实际情况设定，例如，将预设阈值设定为增强图像的总数的一半，即相当于少数服从多数，如果超过一半的增强图像中检测到待确定违禁品目标，则从待检测X射线图像中提取与位置信息对应的感兴趣区域图像；又例如，将预设阈值设定为1，相当于一票否决制，只要有一个增强图像中检测到待确定违禁品目标，则从待检测X射线图像中提取与位置信息对应的感兴趣区域图像。
S104，获取并根据感兴趣区域图像的属性特征，确定待确定违禁品目标的物质类别。
由于待确定违禁品目标中可能存在非违禁品目标，例如，玩具***、塑料制刀等，根据X射线的物理性质，不同原子序数的物质对X射线的衰减能力是不一样的，一把真***与一把木质玩具***在X射线图像上表现截然不同，不同的材质具有不同的属性特征，因此，为了能够过滤掉非违禁品目标，需要获取感兴趣区域图像的属性特征，根据该属性特征确定待确定违禁品目标的物质类别，其中，不同材质的物体在X射线图像上灰度范围具有明显区别。
因此，可选的，获取并根据感兴趣区域图像的属性特征，确定待确定违禁品目标的物质类别的步骤，可以包括：
获取感兴趣区域图像的灰度值；
确定灰度值所处的预设灰度范围；
基于该预设灰度范围，确定待确定违禁品目标的物质类别。
其中，预设灰度范围为不同材质的物体对应的灰度范围，如果感兴趣区域图像的灰度值正好处于***对应的预设灰度范围内，则确定待确定违禁品目标的物质类别为***。
S105，若物质类别符合预设物质类别，则确定检测到的待确定违禁品目标为确定的违禁品目标。
其中，预设物质类别可以为预先设置的违禁品对应的类别，例如金属、石器、弹药等类别。如果物质类别不符合预设物质类别，则确定待确定违禁品目标为非违禁品目标。
针对使用深度学习方法进行目标检测，由于预先训练的检测模型在具体场景应用时，实际场景的检测数据与训练的样本有较大差别，则检测模型的性能较差。如果想要训练一个高性能的检测模型，需要建立一个足够大的样本集，这个样本集需要覆盖各种尺度、视角、图像分辨率、X射线强度的样本，但是，由于各种X射线安检机的使用环境变化很大，无法实现获取如此多的样本；或者，还有一种解决方式为，训练一个指定场景专用的检测模型，该检测模型可以提供比通用的检测模型更高的性能，但是，为每个指定场景均进行训练是艰巨而耗时的工作。为了应对上述问题，可以考虑从通用的检测模型特化一个针对指定场景的检测模型。
因此，可选的，在确定检测到的待确定违禁品目标为确定的违禁品目标的步骤之后，违禁品目标检测方法还可以包括如下步骤：
第一步，将指定场景样本集中的样本及包含有确定的违禁品目标的图像设定为候选样本，其中，指定场景样本集中包括服从指定场景下目标分布的样本；
第二步，根据各候选样本的相关性，为各候选样本分配权重；
第三步，选择各候选样本中权重最大的第一候选样本，并从已训练的检测模型对应多个训练样本中选择与第一候选样本的相似度大于预设相似度的第二候选样本；
第四步，更新指定场景样本集中的样本为第一候选样本及第二候选样本；
第五步，利用预设深度学习方法对更新后的指定场景样本集中的样本进行训练，得到更新的检测模型，以在下一次获取待检测X射线图像时，执行利用更新的检测模型，对各增强图像进行检测，判断各增强图像中是否存在待确定违禁品目标，并确定待确定违禁品目标的基本属性信息。
在确定违禁品目标后，根据实际的违禁品目标以及指定场景样本集中的样本更新训练检测模型，用于进行下一次违禁品目标的检测与识别，通过不断地迭代，检测模型的性能不断提高，并且，即便实际场景发生变化，仍然可以及时调整检测模型，保证检测性能。
可选的，基本属性信息还包括待确定违禁品目标的类型信息；
则在若物质类别符合预设物质类别，则确定检测到的待确定违禁品目标为确定的违禁品目标的步骤之后，还可以包括：
根据类型信息，得到确定的违禁品目标的类型。
在利用基于深度学习的目标检测方法进行待确定违禁品目标的检测时，不仅可以得到待确定违禁品目标所处区域的位置信息，还可以得到待确定违禁品目标的类型信息，即基本属性信息还包括有待确定违禁品目标的类型信息。则在确定检测到确定的违禁品目标后，还可以根据类型信息，得到该违禁品目标的类型，即可直接输出该违禁品目标的类型，告知监控者检测到类型为管制刀具的违禁品目标，还是检测到类型为***的违禁品目标，这样更便于监控者监控。
应用本实施例，针对待检测X射线图像可能存在模糊、显示不完整等问题，通过预设图像增强方法，对待检测X射线图像中的指定特征进行增强，这样，得到的增强图像中能够尽可能地清楚、完整显示待检测X射线图像中的内容，避免了由于模糊、显示不完整等问题导致的漏检，降低了违禁品目标检测的漏检率；通过多种预设图像增强方法对待检测X射线图像进行增强，再统计存在待确定违禁品目标的增强图像的数量，在统计的数量达到阈值时进行是否为违禁品目标的判断，这样，即使出现个别增强图像误检，由于设置了阈值，依然无法进行是否为违禁品目标的判断，从而降低了误检率；并且，针对可能存在与违禁品目标的轮廓特征相同的非违禁品目标，由于两者的物质类别存在差别，则通过属性特征确定待确定违禁品目标的物质类别，如果物质类别符合为违禁品物质类别的预设类别，则确定为违禁品目标，降低了违禁品目标检测的误检率。
相应于上述方法实施例，本发明实施例提供了一种违禁品目标检测装置，如图5所示，该违禁品目标检测装置可以包括：
增强处理模块510，用于通过多种预设图像增强方法，对获取的待检测X射线图像中的指定特征进行增强处理，得到多个增强图像；
检测模块520，用于利用预设目标检测方法，对各增强图像进行检测，判断各增强图像中是否存在待确定违禁品目标，并确定所述待确定违禁品目标的基本属性信息，其中，所述基本属性信息包括所述待确定违禁品目标所处区域的位置信息；
统计模块530，用于统计存在所述待确定违禁品目标的增强图像的数量，若所述数量达到预设阈值，则从所述待检测X射线图像中提取与所述位置信息对应的感兴趣区域图像；
获取模块540，用于获取并根据所述感兴趣区域图像的属性特征，确定所述待确定违禁品目标的物质类别；
确定模块550，用于若所述物质类别符合预设物质类别，则确定检测到的所述待确定违禁品目标为确定的违禁品目标。
可选的，所述获取模块540，还可以用于：
获取通过X射线安检机采集的源X射线图像；
对所述源X射线图像进行归一化操作，得到待检测X射线图像。
可选的，所述获取模块540，具体可以用于：
获取所述感兴趣区域图像的灰度值；
确定所述灰度值所处的预设灰度范围；
基于所述预设灰度范围，确定所述待确定违禁品目标的物质类别。
可选的，所述基本属性信息还包括所述待确定违禁品目标的类型信息；
所述装置还可以包括：
类型确定模块，用于根据所述类型信息，得到所述确定的违禁品目标的类型。
应用本实施例，针对待检测X射线图像可能存在模糊、显示不完整等问题，通过预设图像增强方法，对待检测X射线图像中的指定特征进行增强，这样，得到的增强图像中能够尽可能地清楚、完整显示待检测X射线图像中的内容，避免了由于模糊、显示不完整等问题导致的漏检，降低了违禁品目标检测的漏检率；通过多种预设图像增强方法对待检测X射线图像进行增强，再统计存在待确定违禁品目标的增强图像的数量，在统计的数量达到阈值时进行是否为违禁品目标的判断，这样，即使出现个别增强图像误检，由于设置了阈值，依然无法进行是否为违禁品目标的判断，从而降低了误检率；并且，针对可能存在与违禁品目标的轮廓特征相同的非违禁品目标，由于两者的物质类别存在差别，则通过属性特征确定待确定违禁品目标的物质类别，如果物质类别符合为违禁品物质类别的预设类别，则确定为违禁品目标，降低了违禁品目标检测的误检率。
基于图5所示实施例，本发明实施例还提供了一种违禁品目标检测装置，如图6所示，该违禁品目标检测装置可以包括：
增强处理模块610，用于通过多种预设图像增强方法，对获取的待检测X射线图像中的指定特征进行增强处理，得到多个增强图像；
图像样本获取模块620，用于获取多个包含有违禁品目标的图像样本；
提取模块630，用于根据标定的各图像样本中违禁品目标区域的坐标信息，提取各违禁品目标区域中的图像，得到多个样本掩膜；
扩增处理模块640，用于对各样本掩膜进行预设扩增处理，得到多个扩增后的掩膜图像；
投影模块650，用于将各掩膜图像投影至多个预设图像中，得到多个训练样本；
第一训练模块660，用于利用预设深度学习方法对所述多个训练样本进行训练，得到检测模型；
检测模块670，用于利用所述检测模型，对各增强图像进行检测，判断各增强图像中是否存在违禁品目标，并确定所述待确定违禁品目标的基本属性信息，其中，所述基本属性信息包括所述待确定违禁品目标所处区域的位置信息；
统计模块680，用于统计存在所述待确定违禁品目标的增强图像的数量，若所述数量达到预设阈值，则从所述待检测X射线图像中提取与所述位置信息对应的感兴趣区域图像；
获取模块690，用于获取并根据所述感兴趣区域图像的属性特征，确定所述待确定违禁品目标的物质类别；
确定模块6100，用于若所述物质类别符合预设物质类别，则确定检测到的所述待确定违禁品目标为确定的违禁品目标。
可选的，所述基本属性信息还包括所述待确定违禁品目标的类型信息；
所述装置还可以包括：
类型确定模块，用于根据所述类型信息，得到所述确定的违禁品目标的类型。
应用本实施例，针对待检测X射线图像可能存在模糊、显示不完整等问题，通过预设图像增强方法，对待检测X射线图像中的指定特征进行增强，这样，得到的增强图像中能够尽可能地清楚、完整显示待检测X射线图像中的内容，避免了由于模糊、显示不完整等问题导致的漏检，降低了违禁品目标检测的漏检率；通过多种预设图像增强方法对待检测X射线图像进行增强，再统计存在待确定违禁品目标的增强图像的数量，在统计的数量达到阈值时进行是否为违禁品目标的判断，这样，即使出现个别增强图像误检，由于设置了阈值，依然无法进行是否为违禁品目标的判断，从而降低了误检率；并且，针对可能存在与违禁品目标的轮廓特征相同的非违禁品目标，由于两者的物质类别存在差别，则通过属性特征确定待确定违禁品目标的物质类别，如果物质类别符合为违禁品物质类别的预设类别，则确定为违禁品目标，降低了违禁品目标检测的误检率。并且，通过对图像样本进行扩增、投影处理，将有限的图像样本扩增为样本量较大的样本进行训练，可以减少过拟合、提升检测性能。
基于图6所示实施例，本发明实施例还提供了一种违禁品目标检测装置，如图7所示，该违禁品目标检测装置可以包括：
增强处理模块710，用于通过多种预设图像增强方法，对获取的待检测X射线图像中的指定特征进行增强处理，得到多个增强图像；
图像样本获取模块720，用于获取多个包含有违禁品目标的图像样本；
提取模块730，用于根据标定的各图像样本中违禁品目标区域的坐标信息，提取各违禁品目标区域中的图像，得到多个样本掩膜；
扩增处理模块740，用于对各样本掩膜进行预设扩增处理，得到多个扩增后的掩膜图像；
投影模块750，用于将各掩膜图像投影至多个预设图像中，得到多个训练样本；
第一训练模块760，用于利用预设深度学习方法对所述多个训练样本进行训练，得到检测模型；
检测模块770，用于利用所述检测模型，对各增强图像进行检测，判断各增强图像中是否存在违禁品目标，并确定所述待确定违禁品目标的基本属性信息，其中，所述基本属性信息包括所述待确定违禁品目标所处区域的位置信息；
统计模块780，用于统计存在所述待确定违禁品目标的增强图像的数量，若所述数量达到预设阈值，则从所述待检测X射线图像中提取与所述位置信息对应的感兴趣区域图像；
获取模块790，用于获取并根据所述感兴趣区域图像的属性特征，确定所述待确定违禁品目标的物质类别；
确定模块7100，用于若所述物质类别符合预设物质类别，则确定检测到的所述待确定违禁品目标为确定的违禁品目标；
设定模块7110，用于将指定场景样本集中的样本及包含有所述确定的违禁品目标的图像设定为候选样本，所述指定场景样本集中包括服从指定场景下目标分布的样本；
分配模块7120，用于根据各候选样本的相关性，为各候选样本分配权重；
选择模块7130，用于选择各候选样本中权重最大的第一候选样本，并从所述多个训练样本中选择与所述第一候选样本的相似度大于预设相似度的第二候选样本；
更新模块7140，用于更新所述指定场景样本集中的样本为所述第一候选样本及所述第二候选样本；
第二训练模块7150，用于利用所述预设深度学习方法对更新后的指定场景样本集中的样本进行训练，得到更新的检测模型，以在下一次获取待检测X射线图像时，执行利用所述更新的检测模型，对各增强图像进行检测，判断各增强图像中是否存在待确定违禁品目标，并确定所述待确定违禁品目标的基本属性信息。
可选的，所述基本属性信息还包括所述待确定违禁品目标的类型信息；
所述装置还可以包括：
类型确定模块，用于根据所述类型信息，得到所述确定的违禁品目标的类型。
应用本实施例，针对待检测X射线图像可能存在模糊、显示不完整等问题，通过预设图像增强方法，对待检测X射线图像中的指定特征进行增强，这样，得到的增强图像中能够尽可能地清楚、完整显示待检测X射线图像中的内容，避免了由于模糊、显示不完整等问题导致的漏检，降低了违禁品目标检测的漏检率；通过多种预设图像增强方法对待检测X射线图像进行增强，再统计存在待确定违禁品目标的增强图像的数量，在统计的数量达到阈值时进行是否为违禁品目标的判断，这样，即使出现个别增强图像误检，由于设置了阈值，依然无法进行是否为违禁品目标的判断，从而降低了误检率；并且，针对可能存在与违禁品目标的轮廓特征相同的非违禁品目标，由于两者的物质类别存在差别，则通过属性特征确定待确定违禁品目标的物质类别，如果物质类别符合为违禁品物质类别的预设类别，则确定为违禁品目标，降低了违禁品目标检测的误检率。并且，通过对图像样本进行扩增、投影处理，将有限的图像样本扩增为样本量较大的样本进行训练，可以减少过拟合、提升检测性能；在确定违禁品目标后，根据实际的违禁品目标以及指定场景样本集中的样本更新训练检测模型，用于进行下一次违禁品目标的检测与识别，通过不断地迭代，检测模型的性能不断提高，并且，即便实际场景发生变化，仍然可以及时调整检测模型，保证检测性能。
本发明实施例还提供了一种计算机设备，如图8所示，包括处理器801和存储器802，其中，
存储器802，用于存放计算机程序；
处理器801，用于执行存储器802上所存放的程序时，实现如上述违禁品目标检测方法的所有步骤。
上述存储器可以包括RAM(Random Access Memory，随机存取存储器)，也可以包括NVM(Non-Volatile Memory，非易失性存储器)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器，包括CPU(Central Processing Unit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(Digital Signal Processor，数字信号处理器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本实施例中，该计算机设备的处理器通过读取存储器中存储的计算机程序，并通过运行该计算机程序，能够实现：针对待检测X射线图像可能存在模糊、显示不完整等问题，通过预设图像增强方法，对待检测X射线图像中的指定特征进行增强，这样，得到的增强图像中能够尽可能地清楚、完整显示待检测X射线图像中的内容，避免了由于模糊、显示不完整等问题导致的漏检，降低了违禁品目标检测的漏检率；通过多种预设图像增强方法对待检测X射线图像进行增强，再统计存在待确定违禁品目标的增强图像的数量，在统计的数量达到阈值时进行是否为违禁品目标的判断，这样，即使出现个别增强图像误检，由于设置了阈值，依然无法进行是否为违禁品目标的判断，从而降低了误检率；并且，针对可能存在与违禁品目标的轮廓特征相同的非违禁品目标，由于两者的物质类别存在差别，则通过属性特征确定待确定违禁品目标的物质类别，如果物质类别符合为违禁品物质类别的预设类别，则确定为违禁品目标，降低了违禁品目标检测的误检率。
另外，相应于上述实施例所提供的违禁品目标检测方法，本发明实施例提供了一种存储介质，用于存储计算机程序，所述计算机程序被处理器执行时，实现上述违禁品目标检测方法的所有步骤。
本实施例中，存储介质存储有在运行时执行本发明实施例所提供的违禁品目标检测方法的应用程序，因此能够实现：针对待检测X射线图像可能存在模糊、显示不完整等问题，通过预设图像增强方法，对待检测X射线图像中的指定特征进行增强，这样，得到的增强图像中能够尽可能地清楚、完整显示待检测X射线图像中的内容，避免了由于模糊、显示不完整等问题导致的漏检，降低了违禁品目标检测的漏检率；通过多种预设图像增强方法对待检测X射线图像进行增强，再统计存在待确定违禁品目标的增强图像的数量，在统计的数量达到阈值时进行是否为违禁品目标的判断，这样，即使出现个别增强图像误检，由于设置了阈值，依然无法进行是否为违禁品目标的判断，从而降低了误检率；并且，针对可能存在与违禁品目标的轮廓特征相同的非违禁品目标，由于两者的物质类别存在差别，则通过属性特征确定待确定违禁品目标的物质类别，如果物质类别符合为违禁品物质类别的预设类别，则确定为违禁品目标，降低了违禁品目标检测的误检率。
对于计算机设备以及存储介质实施例而言，由于其所涉及的方法内容基本相似于前述的方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、计算机设备以及存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (11)
1.一种违禁品目标检测方法，其特征在于，所述方法包括：
通过多种预设图像增强方法，对获取的待检测X射线图像中的指定特征进行增强处理，得到多个增强图像；
利用预设目标检测方法，对各增强图像进行检测，判断各增强图像中是否存在待确定违禁品目标，并确定所述待确定违禁品目标的基本属性信息，其中，所述基本属性信息包括所述待确定违禁品目标所处区域的位置信息；
统计存在所述待确定违禁品目标的增强图像的数量，若所述数量达到预设阈值，则从所述待检测X射线图像中提取与所述位置信息对应的感兴趣区域图像；
获取所述感兴趣区域图像的灰度值；
确定所述灰度值所处的预设灰度范围；
基于所述预设灰度范围，确定所述待确定违禁品目标的物质类别；
若所述物质类别符合预设物质类别，则确定检测到的所述待确定违禁品目标为确定的违禁品目标。
2.根据权利要求1所述的方法，其特征在于，所述待检测X射线图像的获取方式，包括：
获取通过X射线安检机采集的源X射线图像；
对所述源X射线图像进行归一化操作，得到待检测X射线图像。
3.根据权利要求1所述的方法，其特征在于，在所述利用预设目标检测方法，对各增强图像进行检测，判断各增强图像中是否存在待确定违禁品目标，并确定所述待确定违禁品目标的基本属性信息之前，所述方法还包括：
获取多个包含有违禁品目标的图像样本；
根据标定的各图像样本中违禁品目标区域的坐标信息，提取各违禁品目标区域中的图像，得到多个样本掩膜；
对各样本掩膜进行预设扩增处理，得到多个扩增后的掩膜图像；
将各掩膜图像投影至多个预设图像中，得到多个训练样本；
利用预设深度学习方法对所述多个训练样本进行训练，得到检测模型；
所述利用预设目标检测方法，对各增强图像进行检测，判断各增强图像中是否存在待确定违禁品目标，并确定所述待确定违禁品目标的基本属性信息，包括：
利用所述检测模型，对各增强图像进行检测，判断各增强图像中是否存在待确定违禁品目标，并确定所述待确定违禁品目标的基本属性信息。
4.根据权利要求3所述的方法，其特征在于，在所述若所述物质类别符合预设物质类别，则确定检测到的所述待确定违禁品目标为确定的违禁品目标之后，所述方法还包括：
将指定场景样本集中的样本及包含有所述确定的违禁品目标的图像设定为候选样本，所述指定场景样本集中包括服从指定场景下目标分布的样本；
根据各候选样本的相关性，为各候选样本分配权重；
选择各候选样本中权重最大的第一候选样本，并从所述多个训练样本中选择与所述第一候选样本的相似度大于预设相似度的第二候选样本；
更新所述指定场景样本集中的样本为所述第一候选样本及所述第二候选样本；
利用所述预设深度学习方法对更新后的指定场景样本集中的样本进行训练，得到更新的检测模型，以在下一次获取待检测X射线图像时，执行利用所述更新的检测模型，对各增强图像进行检测，判断各增强图像中是否存在待确定违禁品目标，并确定所述待确定违禁品目标的基本属性信息。
5.根据权利要求1至4任一所述的方法，其特征在于，所述基本属性信息还包括所述待确定违禁品目标的类型信息；
在所述若所述物质类别符合预设物质类别，则确定检测到的所述待确定违禁品目标为确定的违禁品目标之后，所述方法还包括：
根据所述类型信息，得到所述确定的违禁品目标的类型。
6.一种违禁品目标检测装置，其特征在于，所述装置包括：
增强处理模块，用于通过多种预设图像增强方法，对获取的待检测X射线图像中的指定特征进行增强处理，得到多个增强图像；
检测模块，用于利用预设目标检测方法，对各增强图像进行检测，判断各增强图像中是否存在待确定违禁品目标，并确定所述待确定违禁品目标的基本属性信息，其中，所述基本属性信息包括所述待确定违禁品目标所处区域的位置信息；
统计模块，用于统计存在所述待确定违禁品目标的增强图像的数量，若所述数量达到预设阈值，则从所述待检测X射线图像中提取与所述位置信息对应的感兴趣区域图像；
获取模块，用于获取所述感兴趣区域图像的灰度值；确定所述灰度值所处的预设灰度范围；基于所述预设灰度范围，确定所述待确定违禁品目标的物质类别；
确定模块，用于若所述物质类别符合预设物质类别，则确定检测到的所述待确定违禁品目标为确定的违禁品目标。
7.根据权利要求6所述的装置，其特征在于，所述获取模块，还用于：
获取通过X射线安检机采集的源X射线图像；
对所述源X射线图像进行归一化操作，得到待检测X射线图像。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括：
图像样本获取模块，用于获取多个包含有违禁品目标的图像样本；
提取模块，用于根据标定的各图像样本中违禁品目标区域的坐标信息，提取各违禁品目标区域中的图像，得到多个样本掩膜；
扩增处理模块，用于对各样本掩膜进行预设扩增处理，得到多个扩增后的掩膜图像；
投影模块，用于将各掩膜图像投影至多个预设图像中，得到多个训练样本；
第一训练模块，用于利用预设深度学习方法对所述多个训练样本进行训练，得到检测模型；
所述检测模块，具体用于：
利用所述检测模型，对各增强图像进行检测，判断各增强图像中是否存在待确定违禁品目标，并确定所述待确定违禁品目标的基本属性信息。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括：
设定模块，用于将指定场景样本集中的样本及包含有所述确定的违禁品目标的图像设定为候选样本，所述指定场景样本集中包括服从指定场景下目标分布的样本；
分配模块，用于根据各候选样本的相关性，为各候选样本分配权重；
选择模块，用于选择各候选样本中权重最大的第一候选样本，并从所述多个训练样本中选择与所述第一候选样本的相似度大于预设相似度的第二候选样本；
更新模块，用于更新所述指定场景样本集中的样本为所述第一候选样本及所述第二候选样本；
第二训练模块，用于利用所述预设深度学习方法对更新后的指定场景样本集中的样本进行训练，得到更新的检测模型，以在下一次获取待检测X射线图像时，执行利用所述更新的检测模型，对各增强图像进行检测，判断各增强图像中是否存在待确定违禁品目标，并确定所述待确定违禁品目标的基本属性信息。
10.根据权利要求6至9任一所述的装置，其特征在于，所述基本属性信息还包括所述待确定违禁品目标的类型信息；
所述装置还包括：
类型确定模块，用于根据所述类型信息，得到所述确定的违禁品目标的类型。
11.一种计算机设备，其特征在于，包括处理器和存储器，其中，
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1-5任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810020069.9A CN110020647B (zh) | 2018-01-09 | 2018-01-09 | 一种违禁品目标检测方法、装置及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810020069.9A CN110020647B (zh) | 2018-01-09 | 2018-01-09 | 一种违禁品目标检测方法、装置及计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110020647A CN110020647A (zh) | 2019-07-16 |
| CN110020647B true CN110020647B (zh) | 2021-03-02 |
Family
ID=67187822
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810020069.9A Active CN110020647B (zh) | 2018-01-09 | 2018-01-09 | 一种违禁品目标检测方法、装置及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110020647B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109389000B (zh) * | 2018-10-18 | 2020-04-07 | 龙马智芯（珠海横琴）科技有限公司 | 一种条形码识别方法及应用该方法的计算机 |
| CN112329497A (zh) * | 2019-07-18 | 2021-02-05 | 杭州海康威视数字技术股份有限公司 | 一种目标识别方法、装置及设备 |
| CN110531435B (zh) * | 2019-08-29 | 2024-05-31 | 公安部第一研究所 | 一种用于测试违禁品探测算法的测试箱与测试方法 |
| CN110619600B (zh) * | 2019-09-17 | 2023-12-08 | 南京旷云科技有限公司 | 神经网络模型训练方法及装置、存储介质及电子设备 |
| CN110514671A (zh) * | 2019-09-24 | 2019-11-29 | 广西贺州市红星纸业有限公司 | 一种新型浆板洁净度检测方法 |
| CN110751079A (zh) * | 2019-10-16 | 2020-02-04 | 北京海益同展信息科技有限公司 | 物品检测方法、装置、***和计算机可读存储介质 |
| CN111783812B (zh) * | 2019-11-18 | 2024-06-18 | 北京沃东天骏信息技术有限公司 | 违禁图像识别方法、装置和计算机可读存储介质 |
| CN110910467B (zh) * | 2019-12-03 | 2023-04-18 | 浙江啄云智能科技有限公司 | 一种x射线图像样本生成方法、***及用途 |
| CN113449556B (zh) * | 2020-03-26 | 2024-06-04 | 顺丰科技有限公司 | 一种违禁品检测方法、装置、边缘计算设备及存储介质 |
| CN113297888B (zh) * | 2020-09-18 | 2024-06-07 | 阿里巴巴集团控股有限公司 | 一种图像内容检测结果核查方法及装置 |
| CN112037155B (zh) * | 2020-11-03 | 2021-03-19 | 长沙海信智能***研究院有限公司 | 一种目标属性结构化数据确定方法、装置、设备及介质 |
| CN114742979A (zh) * | 2022-04-15 | 2022-07-12 | 推想医疗科技股份有限公司 | 基于定位贴片的位置识别方法、装置、存储介质及设备 |
| CN115564320B (zh) * | 2022-12-06 | 2023-04-07 | 成都智元汇信息技术股份有限公司 | 一种面向多智能算法的调度管理方法及装置及介质 |
| CN116958646B (zh) * | 2023-06-12 | 2024-01-30 | 北京声迅电子股份有限公司 | 基于x光图像的违禁物品检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103530629A (zh) * | 2013-11-01 | 2014-01-22 | 四川九洲电器集团有限责任公司 | 红外小信号目标增程检测方法及*** |
| JP2015184908A (ja) * | 2014-03-24 | 2015-10-22 | 東芝アルパイン・オートモティブテクノロジー株式会社 | 画像処理装置および画像処理プログラム |
| CN105096350A (zh) * | 2014-05-21 | 2015-11-25 | 腾讯科技（深圳）有限公司 | 图像检测方法及装置 |
| CN105844657A (zh) * | 2016-04-26 | 2016-08-10 | 江南大学 | 基于二维经验模态分解的双通道织物疵点检测方法 |
| CN105869148A (zh) * | 2016-03-24 | 2016-08-17 | 北京小米移动软件有限公司 | 目标检测方法及装置 |
| CN106250936A (zh) * | 2016-08-16 | 2016-12-21 | 广州麦仑信息科技有限公司 | 基于机器学习的多特征多线程安检违禁品自动识别方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080152082A1 (en) * | 2006-08-16 | 2008-06-26 | Michel Bouchard | Method and apparatus for use in security screening providing incremental display of threat detection information and security system incorporating same |
| US10576974B2 (en) * | 2015-06-29 | 2020-03-03 | The Regents Of The University Of California | Multiple-parts based vehicle detection integrated with lane detection for improved computational efficiency and robustness |
-
2018
- 2018-01-09 CN CN201810020069.9A patent/CN110020647B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103530629A (zh) * | 2013-11-01 | 2014-01-22 | 四川九洲电器集团有限责任公司 | 红外小信号目标增程检测方法及*** |
| JP2015184908A (ja) * | 2014-03-24 | 2015-10-22 | 東芝アルパイン・オートモティブテクノロジー株式会社 | 画像処理装置および画像処理プログラム |
| CN105096350A (zh) * | 2014-05-21 | 2015-11-25 | 腾讯科技（深圳）有限公司 | 图像检测方法及装置 |
| CN105869148A (zh) * | 2016-03-24 | 2016-08-17 | 北京小米移动软件有限公司 | 目标检测方法及装置 |
| CN105844657A (zh) * | 2016-04-26 | 2016-08-10 | 江南大学 | 基于二维经验模态分解的双通道织物疵点检测方法 |
| CN106250936A (zh) * | 2016-08-16 | 2016-12-21 | 广州麦仑信息科技有限公司 | 基于机器学习的多特征多线程安检违禁品自动识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| Automatic detection of potential threat objects in X-ray luggage scan images;S Nercessian 等;《2008 IEEE Conference on Technologies for Homeland Security》;20080530;第504-509页 * |
| X光安检图像处理方法研究;宋修竹;《中国优秀硕士学位论文全文数据库信息科技辑》;20150315(第03期);第I138-1864页 * |
| 小波融合的乳腺图像增强方法;栾孟杰 等;《计算机工程与应用》;20100630;第46卷(第18期);第177-179+195页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110020647A (zh) | 2019-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110020647B (zh) | 一种违禁品目标检测方法、装置及计算机设备 | |
| CN108765412B (zh) | 一种带钢表面缺陷分类方法 | |
| CN106485268B (zh) | 一种图像识别方法及装置 | |
| Zhou et al. | Automated visual inspection of glass bottle bottom with saliency detection and template matching | |
| US10013615B2 (en) | Inspection methods and devices | |
| CN109509187B (zh) | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 | |
| US10509979B2 (en) | Inspection methods and systems | |
| CN110929756B (zh) | 基于深度学习的钢材尺寸和数量的识别方法、智能设备和存储介质 | |
| US9588098B2 (en) | Optical method and apparatus for identifying wood species of a raw wooden log | |
| Nouri-Ahmadabadi et al. | Design, development and evaluation of an online grading system for peeled pistachios equipped with machine vision technology and support vector machine | |
| CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣*** | |
| CN111539957B (zh) | 一种用于目标检测的图像样本生成方法、***及检测方法 | |
| Thipakorn et al. | Egg weight prediction and egg size classification using image processing and machine learning | |
| CN111582359A (zh) | 一种图像识别方法、装置、电子设备及介质 | |
| WO2023084543A1 (en) | System and method for leveraging neural network based hybrid feature extraction model for grain quality analysis | |
| CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
| Sharma et al. | Image processing techniques to estimate weight and morphological parameters for selected wheat refractions | |
| Kandlbauer et al. | Sensor-based particle size determination of shredded mixed commercial waste based on two-dimensional images | |
| CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
| CN117636045A (zh) | 基于图像处理的木材缺陷检测*** | |
| CN112348750A (zh) | 基于阈值融合和邻域投票的sar图像变化检测方法 | |
| Lee | A Study on Fruit Quality Identification Using YOLO V2 Algorithm | |
| CN109376619B (zh) | 一种细胞检测方法 | |
| Xue et al. | An online automatic sorting system for defective Ginseng Radix et Rhizoma Rubra using deep learning | |
| Sun et al. | A novel method for multi-feature grading of mango using machine vision |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |