CN110059618A - 一种违禁物品的识别方法及装置 - Google Patents

一种违禁物品的识别方法及装置 Download PDF

Info

Publication number
CN110059618A
CN110059618A CN201910309212.0A CN201910309212A CN110059618A CN 110059618 A CN110059618 A CN 110059618A CN 201910309212 A CN201910309212 A CN 201910309212A CN 110059618 A CN110059618 A CN 110059618A
Authority
CN
China
Prior art keywords
network
picture
neural network
target nerve
prohibited items
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
Application number
CN201910309212.0A
Other languages
English (en)
Inventor
袁飞
华仁红
马向军
孙文凤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Yida Turing Technology Co Ltd
Original Assignee
Beijing Yida Turing Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Yida Turing Technology Co Ltd filed Critical Beijing Yida Turing Technology Co Ltd
Priority to CN201910309212.0A priority Critical patent/CN110059618A/zh
Publication of CN110059618A publication Critical patent/CN110059618A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/05—Recognition of patterns representing particular kinds of hidden objects, e.g. weapons, explosives, drugs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种违禁物品的识别方法及装置。其中，方法包括：获取待识别图片；将所述待识别图片输入至目标神经网络，根据所述目标神经网络的输出结果，识别所述待识别图片中是否存在违禁物品；其中，所述目标神经网络是根据带有违禁物品存在性标签的图片进行训练后得到的。本发明实施例提供的方法及装置，通过神经网络强大的自适应学习能力，自动的学习违禁物品特征，从而实现自动检测待识别图片中是否存在违禁物品，检测速度快且准确，无需使用复杂的硬件设备，对硬件的要求较低，便于实际应用。

Description

一种违禁物品的识别方法及装置
技术领域
本发明实施例涉及目标识别技术领域，尤其涉及一种违禁物品的识别方法及装置。
背景技术
现有的违禁物品识别主要关注在安全领域的违禁物品检查，例如***、刀具等武器，***等易燃易***的危险品和法律禁止的***剂、毒品等。在对特定工业领域中操作人员是否使用违禁物品进行自动识别的着眼点则特别少，例如变电站使用万能钥匙、加油站使用手机等。
现有技术中，通常通过X射线来检测***、弹药、毒品等违禁物品。通过太赫兹光谱和成像技术检测武器、***物、毒品等违禁物品。
而上述方法通常不适用于特定工业领域中的违禁物品识别，因此，提供一种用来对特定工业领域中的违禁物品进行识别的方法亟待解决。
发明内容
针对现有技术中存在的技术问题，本发明实施例提供一种违禁物品的识别方法及装置。
第一方面，本发明实施例提供一种违禁物品的识别方法，包括：
获取待识别图片；
将所述待识别图片输入至目标神经网络，根据所述目标神经网络的输出结果，识别所述待识别图片中是否存在违禁物品；
其中，所述目标神经网络是根据带有违禁物品存在性标签的图片进行训练后得到的。
第二方面，本发明实施例提供一种违禁物品的识别装置，包括：
待识别图片获取模块，用于获取待识别图片；
违禁物品识别模块，用于将所述待识别图片输入至目标神经网络，根据所述目标神经网络的输出结果，识别所述待识别图片中是否存在违禁物品；
其中，所述目标神经网络是根据带有违禁物品存在性标签的图片进行训练后得到的。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种违禁物品的识别方法及装置，通过神经网络强大的自适应学习能力，自动的学习违禁物品特征，从而实现自动检测待识别图片中是否存在违禁物品，检测速度快且准确，无需使用复杂的硬件设备，对硬件的要求较低，便于实际应用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本发明实施例提供的一种违禁物品的识别方法流程图；
图2为本发明实施例提供的一种违禁物品的识别装置的结构示意图；
图3为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
图1为本发明实施例提供的一种违禁物品的识别方法流程图，如图1所示，该方法包括：
步骤101，获取待识别图片。
具体地，将本发明实施例应用在变电站领域进行说明。需要说明的是，变电站中操作人员在开启变电柜时不能使用万能钥匙，否则会引起***伤亡等安全事故，因此，万能钥匙为违禁物品。为了减少或防止此类安全事故的发生，需要对操作人员是否使用万能钥匙开启变电柜的行为进行监视。
因此，在变电站的各变电柜周围都布置有摄像头，通过摄像头可实时拍摄其所覆盖的变电柜附近的操作人员的操作视频或操作图片，进而通过拍摄到的视频或图片来判定该操作人员是否使用了万能钥匙。
需要说明的是，若拍摄的是视频，则需要对视频进行采样以获取多帧图片，进而通过采样得到的图片来判定该图片中是否存在万能钥匙，若存在，则判定操作人员使用了万能钥匙。
为了便于描述，将通过视频转换生成的图片或直接通过摄像头拍摄的图片均称为待识别图片。通常，待识别图片中包括一个正在开启变电柜的操作人员。
步骤102，将所述待识别图片输入至目标神经网络，根据所述目标神经网络的输出结果，识别所述待识别图片中是否存在违禁物品；其中，所述目标神经网络是根据带有违禁物品存在性标签的图片进行训练后得到的。
具体地，当获取到待识别图片后，将该图片输入至目标神经网络，从而根据目标神经网络的输出结果，识别该图片中是否存在违禁物品。可以理解的是，目标神经网络是通过训练之后所得到的，其能够有效且准确地根据待识别图片，识别图片中是否存在违禁物品。
本发明实施例提供的方法，通过神经网络强大的自适应学习能力，自动的学习违禁物品特征，从而实现自动检测待识别图片中是否存在违禁物品，检测速度快且准确，无需使用复杂的硬件设备，对硬件的要求较低，便于实际应用。
在上述各实施例的基础上，本发明实施例对将待识别图片输入至目标神经网络之前的操作进行说明，即，所述将所述待识别图片输入至目标神经网络，之前还包括：
获取多个样本图片和每一样本图片对应的违禁物品存在性标签；将每一样本图片和对应的违禁物品存在性标签的组合作为一个训练样本，得到多个训练样本并组成训练集；通过所述训练集对原始神经网络进行训练，得到所述目标神经网络。
具体地，在将待识别图片输入至目标神经网络之前，还需对原始神经网络进行训练，以得到目标神经网络。
为了对原始神经网络进行训练，首先需要获取多个样本图片以及每一图片对应的违禁物品存在性标签。需要说明的是，样本图片的获取可以与上述实施例中待识别图片的获取过程相同，此处不再赘述。
将每一样本图片和违禁物品存在性标签的组合作为一个训练样本，即将每一带有违禁物品存在性标签的样本图片作为一个训练样本，由此即可获得多个训练样本。为了便于描述，将这多个训练样本称为训练集。
将训练集中的多个训练样本依次输入至原始神经网络，即将每一训练样本中的样本图片和违禁物品存在性标签同时输入至原始神经网络，根据原始神经网络的每一次输出结果对原始神经网络中的模型参数进行调整，最终得到目标神经网络。
在上述各实施例的基础上，本发明实施例对目标神经网络的获取方式进行进一步说明，即，所述通过所述训练集对原始神经网络进行训练，得到所述目标神经网络，包括：
将所述训练集中的任一训练样本输入至所述原始神经网络，根据所述原始神经网络的输出结果和所述训练样本中的违禁物品存在性标签计算所述原始神经网络的损失值；若所述损失值小于第一预设阈值，则将所述原始神经网络作为所述目标神经网络。
具体地，在获得训练集之后，对于训练集中的任意一个训练样本，将该训练样本中的样本图片和违禁物品存在性标签同时输入至原始神经网络，输出该训练样本对应的预测概率，其中预测概率指的是该训练样本针对不同违禁物品存在性标签对应的预测概率。在此基础上，利用预设损失函数根据训练样本对应的预测概率和训练样本中的违禁物品存在性标签计算损失值。
其中，违禁物品存在性标签可以表示为one-hot向量，预设损失函数可以为交叉熵损失函数。在其他实施例中，违禁物品存在性标签的表示方式和预设损失函数可以根据实际需求进行设置，此处不做具体限定。
在计算获得损失值之后，本次训练过程结束，再利用误差反向传播算法更新原始神经网络中的模型参数，之后再进行下一次训练。在训练的过程中，若针对某个训练样本计算获得的损失值小于第一预设阈值，则原始神经网络训练完成，将此时的原始神经网络作为目标神经网络。
在上述各实施例的基础上，本发明实施例对目标神经网络的另一种获取方式进行进一步说明，即，所述通过所述训练集对原始神经网络进行训练，得到所述目标神经网络，包括：
将所述训练集中的任一训练样本输入至所述原始神经网络，根据所述原始神经网络的输出结果和所述训练样本中的违禁物品存在性标签计算所述原始神经网络的损失值；若所述损失值小于第一预设阈值，则将所述原始神经网络作为候选神经网络；多次调整所述神经网络的结构，每调整一次则重复执行训练过程以得到对应的候选神经网络，并从得到的多个候选神经网络中选择一个作为所述目标神经网络。
具体地，在本发明实施例中，原始神经网络为卷积神经网络，其包括2个卷积层、4个res层、2个upsample层、2个route层、2个detection层。通过上述实施例中的训练过程对该原始神经网络进行训练，将训练完成的原始神经网络作为一个候选神经网络。
然后，对神经网络的结构进行一次调整，例如，增加2～3个res层，调整完毕后，通过上述训练过程对调整完毕的原始神经网络进行训练，将训练完成的原始神经网络作为一个候选神经网络。
多次执行上述调整及训练过程，得到多个候选神经网络，在这多个候选神经网络选择一个作为目标神经网络。
此处对调整的终止条件进行说明：当本次调整后的原始神经网络的损失值大于上次整后的原始神经网络的损失值时，终止调整。
在上述各实施例的基础上，本发明实施例对多个候选神经网络选择一个作为目标神经网络的过程进行进一步说明，即，所述从得到的多个候选神经网络中选择一个作为所述目标神经网络，包括：
从所述多个候选神经网络中，选择损失值小于第二预设阈值的若干个候选神经网络；基于验证集对所述若干个候选神经网络中的每一候选神经网络进行验证，得到每一候选神经网络的准确率，并将准确率最高的候选神经网络作为所述目标神经网络。
具体地，为了缩小选择范围，首先，将这多个候选神经网络中每一候选神经网络的损失值与第二预设阈值进行对比，将损失值小于第二预设阈值的候选神经网络选择出来。
然后，对于选择出来的每一候选神经网络，通过验证集验证该候选神经网络的准确率，需要说明的是，验证集包括多个验证样本，每一验证样本为验证图片和对应的违禁物品存在性标签的组合。将每一验证样本输入至候选神经网络中以得到预测的违禁物品存在性标签，基于预测的违禁物品存在性标签和验证样本中的违禁物品存在性标签，计算该候选神经网络的准确率。
根据上述过程获得多个候选神经网络的准确率，将准确率最高的候选神经网络作为目标神经网络。
在上述各实施例的基础上，本发明实施例对上述实施例中多个样本图片的获取过程进行进一步说明，即，所述获取多个样本图片，包括：
通过水平翻转、上下翻转、旋转预设角度、随机缩放、随机裁剪以及添加噪声中的一种或多种方式获取多个样本图片。
具体地，与上述实施例中待识别图片的获取方式一致，通过摄像头获取其拍摄的多个图片，将获取到的每一个图片作为样本图片，然后，通过水平翻转、上下翻转、旋转预设角度、随机缩放、随机裁剪以及添加噪声中的一种或多种方式，将这多个样本图片进行扩充，以增加样本图片的数量。
在上述各实施例的基础上，所述目标神经网络为卷积神经网络。
图2为本发明实施例提供的一种违禁物品的识别装置的结构示意图，如图2所示，该装置包括：
待识别图片获取模块201，用于获取待识别图片。
具体地，将本发明实施例应用在变电站领域进行说明。需要说明的是，变电站中操作人员在开启变电柜时不能使用万能钥匙，否则会引起***伤亡等安全事故，因此，万能钥匙为违禁物品。为了减少或防止此类安全事故的发生，需要对操作人员是否使用万能钥匙开启变电柜的行为进行监视。因此，在变电站的各变电柜周围都布置有摄像头，通过摄像头可实时拍摄其所覆盖的变电柜附近的操作人员的操作视频或操作图片，进而通过拍摄到的视频或图片来判定该操作人员是否使用了万能钥匙。需要说明的是，若拍摄的是视频，则需要对视频进行采样以获取多帧图片，进而通过采样得到的图片来判定该图片中是否存在万能钥匙，若存在，则判定操作人员使用了万能钥匙。为了便于描述，将通过视频转换生成的图片或直接通过摄像头拍摄的图片均称为待识别图片。通常，待识别图片中包括若干个正在开启变电柜的操作人员。
违禁物品识别模块202，用于将所述待识别图片输入至目标神经网络，根据所述目标神经网络的输出结果，识别所述待识别图片中是否存在违禁物品；其中，所述目标神经网络是根据带有违禁物品存在性标签的图片进行训练后得到的。
具体地，当获取到待识别图片后，将该图片输入至目标神经网络，从而根据目标神经网络的输出结果，识别该图片中是否存在违禁物品。可以理解的是，目标神经网络是通过训练之后所得到的，其能够有效且准确地根据待识别图片，识别图片中是否存在违禁物品。
本发明实施例提供的装置，具体执行上述各方法实施例流程，具体请详见上述各方法实施例的内容，此处不再赘述。本发明实施例提供的装置，通过神经网络强大的自适应学习能力，自动的学习违禁物品特征，从而实现自动检测待识别图片中是否存在违禁物品，检测速度快且准确，无需使用复杂的硬件设备，对硬件的要求较低，便于实际应用。
图3为本发明实施例提供的一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储在存储器303上并可在处理器301上运行的计算机程序，以执行上述各实施例提供的方法，例如包括：获取待识别图片；将所述待识别图片输入至目标神经网络，根据所述目标神经网络的输出结果，识别所述待识别图片中是否存在违禁物品；其中，所述目标神经网络是根据带有违禁物品存在性标签的图片进行训练后得到的。
此外，上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：获取待识别图片；将所述待识别图片输入至目标神经网络，根据所述目标神经网络的输出结果，识别所述待识别图片中是否存在违禁物品；其中，所述目标神经网络是根据带有违禁物品存在性标签的图片进行训练后得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种违禁物品的识别方法，其特征在于，包括：
获取待识别图片；
将所述待识别图片输入至目标神经网络，根据所述目标神经网络的输出结果，识别所述待识别图片中是否存在违禁物品；
其中，所述目标神经网络是根据带有违禁物品存在性标签的图片进行训练后得到的。
2.根据权利要求1所述的方法，其特征在于，所述将所述待识别图片输入至目标神经网络，之前还包括：
获取多个样本图片和每一样本图片对应的违禁物品存在性标签；
将每一样本图片和对应的违禁物品存在性标签的组合作为一个训练样本，得到多个训练样本并组成训练集；
通过所述训练集对原始神经网络进行训练，得到所述目标神经网络。
3.根据权利要求2所述的方法，其特征在于，所述通过所述训练集对原始神经网络进行训练，得到所述目标神经网络，包括：
将所述训练集中的任一训练样本输入至所述原始神经网络，根据所述原始神经网络的输出结果和所述训练样本中的违禁物品存在性标签计算所述原始神经网络的损失值；
若所述损失值小于第一预设阈值，则将所述原始神经网络作为所述目标神经网络。
4.根据权利要求2所述的方法，其特征在于，所述通过所述训练集对原始神经网络进行训练，得到所述目标神经网络，包括：
将所述训练集中的任一训练样本输入至所述原始神经网络，根据所述原始神经网络的输出结果和所述训练样本中的违禁物品存在性标签计算所述原始神经网络的损失值；
若所述损失值小于第一预设阈值，则将所述原始神经网络作为候选神经网络；
多次调整所述神经网络的结构，每调整一次则重复执行训练过程以得到对应的候选神经网络，并从得到的多个候选神经网络中选择一个作为所述目标神经网络。
5.根据权利要求4所述的方法，其特征在于，所述从得到的多个候选神经网络中选择一个作为所述目标神经网络，包括：
从所述多个候选神经网络中，选择损失值小于第二预设阈值的若干个候选神经网络；
基于验证集对所述若干个候选神经网络中的每一候选神经网络进行验证，得到每一候选神经网络的准确率，并将准确率最高的候选神经网络作为所述目标神经网络。
6.根据权利要求2所述的方法，其特征在于，所述获取多个样本图片，包括：
通过水平翻转、上下翻转、旋转预设角度、随机缩放、随机裁剪以及添加噪声中的一种或多种方式获取多个样本图片。
7.根据权利要求1-6任一所述的方法，其特征在于，所述目标神经网络为卷积神经网络。
8.一种违禁物品的识别装置，其特征在于，包括：
待识别图片获取模块，用于获取待识别图片；
违禁物品识别模块，用于将所述待识别图片输入至目标神经网络，根据所述目标神经网络的输出结果，识别所述待识别图片中是否存在违禁物品；
其中，所述目标神经网络是根据带有违禁物品存在性标签的图片进行训练后得到的。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN201910309212.0A 2019-04-17 2019-04-17 一种违禁物品的识别方法及装置 Pending CN110059618A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910309212.0A CN110059618A (zh) 2019-04-17 2019-04-17 一种违禁物品的识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910309212.0A CN110059618A (zh) 2019-04-17 2019-04-17 一种违禁物品的识别方法及装置

Publications (1)

Publication Number Publication Date
CN110059618A true CN110059618A (zh) 2019-07-26

Family

ID=67319312

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910309212.0A Pending CN110059618A (zh) 2019-04-17 2019-04-17 一种违禁物品的识别方法及装置

Country Status (1)

Country Link
CN (1) CN110059618A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111324764A (zh) * 2020-02-18 2020-06-23 北京金山安全软件有限公司 一种图像检测方法、装置、电子设备及存储介质
CN111914659A (zh) * 2020-07-06 2020-11-10 浙江大华技术股份有限公司 一种物品检测方法、装置、设备及介质
CN112995519A (zh) * 2021-03-26 2021-06-18 精英数智科技股份有限公司 一种用于探水监测的摄像头自适应调整方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609598A (zh) * 2017-09-27 2018-01-19 武汉斗鱼网络科技有限公司 图像鉴别模型训练方法、装置及可读存储介质
CN107871122A (zh) * 2017-11-14 2018-04-03 深圳码隆科技有限公司 安检检测方法、装置、***及电子设备
CN109087256A (zh) * 2018-07-19 2018-12-25 北京飞搜科技有限公司 一种基于深度学习的图像去模糊方法及***
CN109101937A (zh) * 2018-08-22 2018-12-28 海尔优家智能科技（北京）有限公司 物品识别方法、装置、云端服务器、智能家电设备及***
CN109525859A (zh) * 2018-10-10 2019-03-26 腾讯科技（深圳）有限公司 模型训练、图像发送、图像处理方法及相关装置设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609598A (zh) * 2017-09-27 2018-01-19 武汉斗鱼网络科技有限公司 图像鉴别模型训练方法、装置及可读存储介质
CN107871122A (zh) * 2017-11-14 2018-04-03 深圳码隆科技有限公司 安检检测方法、装置、***及电子设备
CN109087256A (zh) * 2018-07-19 2018-12-25 北京飞搜科技有限公司 一种基于深度学习的图像去模糊方法及***
CN109101937A (zh) * 2018-08-22 2018-12-28 海尔优家智能科技（北京）有限公司 物品识别方法、装置、云端服务器、智能家电设备及***
CN109525859A (zh) * 2018-10-10 2019-03-26 腾讯科技（深圳）有限公司 模型训练、图像发送、图像处理方法及相关装置设备

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111324764A (zh) * 2020-02-18 2020-06-23 北京金山安全软件有限公司 一种图像检测方法、装置、电子设备及存储介质
CN111324764B (zh) * 2020-02-18 2023-09-22 北京金山安全软件有限公司 一种图像检测方法、装置、电子设备及存储介质
CN111914659A (zh) * 2020-07-06 2020-11-10 浙江大华技术股份有限公司 一种物品检测方法、装置、设备及介质
CN112995519A (zh) * 2021-03-26 2021-06-18 精英数智科技股份有限公司 一种用于探水监测的摄像头自适应调整方法及装置
CN112995519B (zh) * 2021-03-26 2024-03-01 精英数智科技股份有限公司 一种用于探水监测的摄像头自适应调整方法及装置

Similar Documents

Publication Publication Date Title
CN113657465B (zh) 预训练模型的生成方法、装置、电子设备和存储介质
CN110059618A (zh) 一种违禁物品的识别方法及装置
CN106599789A (zh) 视频类别识别方法和装置、数据处理装置和电子设备
CN109359666A (zh) 一种基于多特征融合神经网络的车型识别方法及处理终端
CN109766755B (zh) 人脸识别方法及相关产品
US20170243058A1 (en) Gait recognition method based on deep learning
CN110633745A (zh) 一种基于人工智能的图像分类训练方法、装置及存储介质
CN109753928A (zh) 违章建筑物识别方法和装置
CN110070029A (zh) 一种步态识别方法及装置
CN109544862A (zh) 基于智能家居的行为识别方法、装置、存储介质及设备
CN108337505A (zh) 信息获取方法和装置
CN109472193A (zh) 人脸检测方法及装置
CN108399382A (zh) 车险图像处理方法和装置
CN111738263A (zh) 目标检测方法、装置、电子设备及存储介质
CN109376757A (zh) 一种多标签分类方法及***
KR102449680B1 (ko) 합성 개구면 레이더 영상에서 딥러닝을 기초로 표적과 클러터 구분을 위한 가중치 기반 간소화된 이진 분류 방법 및 그 장치
CN108171208A (zh) 信息获取方法和装置
CN108960133A (zh) 乘客流量监控的方法、电子设备、***以及存储介质
CN111783812B (zh) 违禁图像识别方法、装置和计算机可读存储介质
CN114724246B (zh) 危险行为识别方法及装置
CN115690587A (zh) 一种红外小目标方法、装置、设备及存储介质
Novikova et al. Autoencoder anomaly detection on large CAN bus data
Haque et al. Developing BrutNet: A new deep CNN model with GRU for realtime violence detection
CN110245696A (zh) 基于视频的违法事件监控方法、设备及可读存储介质
CN110163201A (zh) 图像测试方法和装置、存储介质及电子装置

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: 20190726