CN110163191B - 一种危险品智能识别方法、***及危险品安检*** - Google Patents
一种危险品智能识别方法、***及危险品安检*** Download PDFInfo
- Publication number
- CN110163191B CN110163191B CN201910522934.4A CN201910522934A CN110163191B CN 110163191 B CN110163191 B CN 110163191B CN 201910522934 A CN201910522934 A CN 201910522934A CN 110163191 B CN110163191 B CN 110163191B
- Authority
- CN
- China
- Prior art keywords
- image
- dangerous goods
- line data
- suspected
- dangerous
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000007689 inspection Methods 0.000 title claims abstract description 47
- 238000005096 rolling process Methods 0.000 claims abstract description 42
- 238000003062 neural network model Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 19
- 230000003993 interaction Effects 0.000 claims description 9
- 230000002441 reversible effect Effects 0.000 claims description 5
- 238000004806 packaging method and process Methods 0.000 claims description 4
- 230000036961 partial effect Effects 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 239000013056 hazardous product Substances 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 20
- 231100001261 hazardous Toxicity 0.000 description 12
- 230000002829 reductive effect Effects 0.000 description 12
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 239000000383 hazardous chemical Substances 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V5/00—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity
- G01V5/20—Detecting prohibited goods, e.g. weapons, explosives, hazardous substances, contraband or smuggled objects
- G01V5/22—Active interrogation, i.e. by irradiating objects or goods using external radiation sources, e.g. using gamma rays or cosmic rays
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- High Energy & Nuclear Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及一种危险品智能识别方法、***及危险品安检***，属安防技术领域，解决了现有安检过程只有对设备升级改造才能实现危险品智能识别的问题。危险品智能识别方法，步骤如下：危险品智能识别***接收并存储被测物体对应的线数据，并依次实时顺序滚动显示所述线数据处理后得到的扫描图像，所述线数据为安检机***扫描被测物体的源数据；提取一定数量的线数据，生成待识别图像；判断待识别图像中是否包括疑似危险品，若是，生成该疑似危险品的相关信息；将疑似危险品的相关信息叠加在滚动显示的所述扫描图像上。该危险品智能识别功能独立于安检机***，无需改变安检的工作流程和人员配置，即可实现危险品的智能识别及相关信息的滚动显示。
Description
技术领域
本发明涉及安防技术领域，尤其涉及一种危险品智能识别方法、***及危险品安检***。
背景技术
随着我国经济的高速发展，人们的生活品质和出行热情不断提升，高铁、飞机、地铁、展馆等公共场所的人流量日益增大。携带危险品将极大地威胁人身安全，对于安检机效率的提升需求日益增加。
传统的安检机***，只是将***采集到的数据，经过一些业务逻辑或控制逻辑后，以滚动图像的形式显示给用户，并不具备任何的智能识别功能(参见图1)。而在加入了智能识别功能后，安检机即具备了根据图像中物品的颜色，形状等特质，识别出其种类，进而判断是否含有危险品的功能，大大提高了***的智能化水平，减轻了用户负担，使得安检员在保证漏检率的情况下，降低了劳动强度。现有的安检机智能识别方法，有以下两种：
1.作为安检机软件的功能模块。智能识别作为安检机***软件一个功能，集成在安检机软件中，如图2所示。功能随安检机软件的启动而启动，数据交互在安检机***内部进行，无需网络设备。这种智能识别方法下，智能识别功能无法脱离安检机***软件独立运行，智能识别的结果仅能在安检机所配的显示设备上显示。并且，智能识别功能作为单独的***集成至安检机内部，尽管可以保留原有的使用模式，但需要对现有的安检机进行相当幅度的技术改造，且部分安检机可能不具备升级条件。
2.独立设置，辅助安检机***。智能识别功能作为独立的一个***，不运行在安检机***的硬件上，而需要独立的硬件设备方能运行。智能识别与安检机之间通过网络连接。安检机扫描待识别包裹后，将处理后得到的图像传输给智能识别，智能识别接收图像并进行识别操作，识别的结果显示在智能识别所属的显示设备中。这种方式仅能显示识别结果，不能显示安检机实时扫描到的滚动安检图像，所以用户仍需同时关注安检机***与智能识别***的显示设备。用户可能需要在配备安检机的安检员的基础上，给智能识别***单独配置一个安检员(参见图3)；或者单一安检员同时监看两个***的信息(参见图4)。这无疑将提高人力成本，或对安检员的工作能力有了更高的要求。
发明内容
鉴于上述的分析，本发明旨在提供一种危险品智能识别方法、***及危险品安检***，旨在不改变安检工作的基本工作流程和人员配置的基础上，以较小的代价，实现对安检机***智能识别功能的升级与改造。
本发明的目的主要是通过以下技术方案实现的：
一方面，公开了一种危险品智能识别方法，包括以下步骤：
危险品智能识别***接收并存储被测物体对应的线数据，并依次实时顺序滚动显示所述线数据处理后得到的扫描图像，所述线数据为安检机***扫描被测物体的源数据；
提取一定数量的所述线数据，生成待识别图像；
判断所述待识别图像中是否包括疑似危险品，若是，生成该疑似危险品的相关信息；
将所述疑似危险品的相关信息叠加在滚动显示的所述扫描图像上。
本发明有益效果如下：本实施例提供的危险品智能识别方法中，危险品智能识别***的功能是独立于安检机***的，可独立运行；通过接收由安检机***提供的被测物体的线数据(而非逐块获取待识别包裹的图像，亦不是一次性获取待识别包裹的图像)，即以安检机***实时扫描得到的原始线数据为基础，处理得到疑似危险品及该疑似危险品的相关信息，并将所述疑似危险品的相关信息叠加在滚动显示的所述扫描图像上，能够保证危险品智能识别***在进行图像识别的同时，滚动显示扫描图像及疑似危险品信息。
在上述方案的基础上，本发明还做了如下改进：
进一步，所述判断所述待识别图像中是否包括疑似危险品，包括：
接收所述待识别图像，并输入至训练好的神经网络模型中；
利用所述神经网络模型识别所述待识别图像中包含的疑似危险品及其所属的类别。
采用上述进一步方案的有益效果是：通过该方法能够快速判断待识别图像中包含的疑似危险品，有效提升识别效率、降低识别难度。
进一步，所述疑似危险品的相关信息包括名称、置信度、位置坐标中的一种或多种。
采用上述进一步方案的有益效果是：通过给出疑似危险品的相关信息的具体内容，便于安检人员根据该相关信息对被测物体中存在的危险品做出更为准确的判断，有效减少了安检人员的工作量，降低了安检难度。
进一步，通过以下方式生成所述疑似危险品的相关信息：
通过查询存储有危险品类别及对应名称之间关系的关系表，生成所述疑似危险品的名称；
根据所述疑似危险品在所述待识别图像中的位置，生成所述疑似危险品对应的位置坐标；
利用所述神经网络模型生成并输出所述疑似危险品的置信度。
采用上述进一步方案的有益效果是：按照上述方式，能够快速、方便地获取到疑似危险品的相关信息，有效缩短了获取疑似危险品的相关信息的时间，降低了获取疑似危险品的相关信息的难度。
进一步，根据所述线数据的长度及所述神经网络模型设置的图像尺寸或比例要求，确定所述提取的线数据的数量。
采用上述进一步方案的有益效果是：根据上述方式确定的线数据的数量，能够生成满足神经网络模型处理需求的待识别图像，避免图像的拉伸等处理，能够有效提升识别结果的正确率。
进一步，所述危险品智能识别***发送所述疑似危险品的相关信息至安检机***，以使所述安检机***在滚动显示的图像中叠加所述相关信息。
采用上述进一步方案的有益效果是：通过在安检机***滚动显示的图像中叠加疑似危险品的相关信息，便于安检人员根据该相关信息对被测物体中存在的危险品做出更为准确的判断，有效降低危险品识别难度、保证识别准确性、减轻安检员的工作负荷。
进一步，所述危险品智能识别***通过以太网交换机与所述安检机***通讯；
所述危险品智能识别***还根据用户指令，通过所述以太网交换机直接控制安检机***的扫描或传送带操作。
采用上述进一步方案的有益效果是：上述方法能够更好地实现危险品智能识别***与安检机***之间的信息交互，实现危险品智能***对于安检机***的远程控制。
进一步，所述危险品智能识别***在生成疑似危险品的相关信息的同时，还生成疑似危险品报警信息；将所述疑似危险品报警信息与所述相关信息打包后发送至安检机***，通过所述安检机***响应所述疑似危险品报警信息。
采用上述进一步方案的有益效果是：便于安检员在收到疑似危险品报警信息后，及时确认被测物体中是否包含疑似危险品。
进一步，所述方法还包括，保存所述扫描图像及叠加在所述扫描图像上的所述疑似危险品的相关信息。
进一步，所述方法还包括，以静态图像的形式显示当前扫描图像。
进一步，所述线数据处理后得到的扫描图像，包括：
处理所述线数据，得到所述线数据对应的图像，对该图像进行包括超增、反色、黑白在内的一种或多种处理，得到所述扫描图像。
另一方面，本发明提供了一种危险品智能识别***，包括：
数据接收及处理模块，用于接收并存储被测物体对应的线数据，并依次实时顺序滚动显示所述线数据处理后得到的扫描图像，所述线数据为安检机***扫描被测物体的源数据；
待识别图像生成模块，用于提取一定数量的所述线数据，生成待识别图像；
危险品识别及相关信息生成模块，用于判断所述待识别图像中是否包括疑似危险品，若是，生成该疑似危险品的相关信息；
图像显示模块，用于将所述疑似危险品的相关信息叠加在滚动显示的所述扫描图像上。
本发明有益效果如下：本发明提供的危险品智能识别***的功能是独立于安检机***的，可独立运行；通过接收由安检机***提供的被测物体的线数据(而非逐块获取待识别包裹的图像，亦不是一次性获取待识别包裹的图像)，即以安检机***实时扫描得到的原始线数据为基础，处理得到疑似危险品及该疑似危险品的相关信息，并将所述疑似危险品的相关信息叠加在滚动显示的所述扫描图像上，能够保证危险品智能识别***在进行图像识别的同时，滚动显示扫描图像及疑似危险品信息。
再一方面，本发明还提供了一种危险品安检***，包括安检机***和如上所述的危险品智能识别***；二者之间通过网络进行数据交互；其中，
所述安检机***，用于扫描被测物体并生成对应的线数据及扫描图像，并将所述线数据发送至所述危险品智能识别***；还用于接收所述危险品智能识别***发送的疑似危险品的相关信息，叠加显示在安检机***滚动显示的扫描图像上。
本发明有益效果如下：该危险品安检***借助于安检机***获得被测物体的线数据，借助于危险品智能识别***快速、准确、有效地识别危险品，二者相互配合，共同实现危险品安检的功能。无需对目前的安检机***进行升级改造，降低了采购和运行的成本，且便于利用危险品智能识别***实现对安检情况的远程监控。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书、权利要求书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为现有技术中非智能安检机***软件示意图；
图2为现有技术中智能识别作为安检机软件功能模块的方案示意图；
图3为现有技术中智能识别作为独立***的方案示意图；
图4为现有技术中智能识别作为独立***的另一方案示意图；
图5为本发明实施例1中危险品智能识别方法流程图；
图6为本发明实施例2中危险品智能识别***结构框图；
图7为本发明实施例3中危险品安检***结构框图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
实施例1
本发明的一个具体实施例，公开了一种危险品智能识别方法，流程图如图5所示，包括以下步骤：
步骤S1：危险品智能识别***接收并存储被测物体对应的线数据，并依次实时顺序滚动显示所述线数据处理后得到的扫描图像，所述线数据为安检机***扫描被测物体的源数据；
步骤S2：提取一定数量的所述线数据，生成待识别图像；
步骤S3：判断所述待识别图像中是否包括疑似危险品，若是，生成该疑似危险品的相关信息；
步骤S4：将所述疑似危险品的相关信息叠加在滚动显示的所述扫描图像上。
与现有技术相比，本实施例提供的危险品智能识别方法中，危险品智能识别***的功能是独立于安检机***的，可独立运行；通过接收由安检机***提供的被测物体的线数据(而非逐块获取待识别包裹的图像，亦不是一次性获取待识别包裹的图像)，即以安检机***实时扫描得到的原始线数据为基础，处理得到疑似危险品及该疑似危险品的相关信息，并将所述疑似危险品的相关信息叠加在滚动显示的所述扫描图像上，能够保证危险品智能识别***在进行图像识别的同时，滚动显示扫描图像及疑似危险品信息。
上述方法中线数据指的是安检机所含的探测器组依照所配置的扫描间隔(即积分时间)，每次采集到的所有的原始数据。安检机的型号不同，探测器的数量和布置方式也有不同。单个探测器扫描到的是点状数据，所有探测器一次扫描到的数据呈线状排列；而一个包裹从进入安检机到出安检机，经过了探测器的多次扫描，得到了几百至上千条线数据按先后顺序依次排列，并经过相应的数据处理后，最终形成了被扫描包裹的完整的扫描图像。通过现有的方式即可对线数据进行处理、得到扫描图像，此处不再赘述。
优选地，危险品智能识别方法还可以包括步骤S5：所述危险品智能识别***发送所述疑似危险品的相关信息至安检机***，以使所述安检机***在滚动显示的图像中叠加所述相关信息。通过在安检机***滚动显示的图像中叠加疑似危险品的相关信息，保证安检员在实时获取安检图像的同时，借助于叠加显示的疑似危险品相关信息，有效降低危险品识别难度、保证识别准确性、减轻安检员的工作负荷。
优选地，步骤S3中，通过以下方式判断待识别图像中是否包括疑似危险品：接收所述待识别图像，并输入至训练好的神经网络模型中；利用所述神经网络模型识别所述待识别图像中包含的疑似危险品及其所属的类别。该方法能够快速判断待识别图像中包含的疑似危险品，有效提升识别效率、降低识别难度。
优选地，为进一步降低安检人员的工作量，降低安检的难度，本实施例将疑似危险品的名称、置信度、位置坐标中的一种或多种，作为疑似危险品的相关信息，辅助安检人员根据该相关信息对被测物体中存在的危险品做出更为准确的判断。具体地，可通过以下方式确定疑似危险品的相关信息：通过查询存储有危险品类别及对应名称之间关系的关系表，生成所述疑似危险品的名称，其中，关系表可以以数据库、配置文件或其他形式存储；根据所述疑似危险品在所述待识别图像中的位置，生成所述疑似危险品对应的位置坐标；利用所述神经网络模型生成并输出所述疑似危险品的置信度。
在利用上述危险品智能识别***进行危险品识别之前，需要得到训练好的神经网络模型。优选地，通过以下方式训练所述神经网络模型：(1)采集各类危险品图像样本，并标记其所属类别，生成包含类别信息的危险品样本图像数据库；采集负样本图像样本，并将其标记为其他类别，生成包含类别信息的负样本图像数据库；(2)分别从所述危险品样本图像数据库、所述负样本图像数据库中选取部分图像样本及相应类别，生成训练集数据，并通过相同的方式生成测试集数据；(3)建立神经网络模型，设置神经网络初始参数；利用所述训练集数据训练所述神经网络模型，并利用测试集数据验证所述神经网络模型，直至收敛。
经过上述分析可知，危险品智能识别***接收到线数据后，既要生成扫描图像，又要生成待识别图像。为进一步明确两种图像之间的区别，做如下说明：
首先，明确以下概念：线数据的长度只与安检机(位于安检机***中)中所安装的探测器的数量和型号有关，即一个确定的安检机型号，其一条线数据的长度是确定的，不可更改的。线数据的数量：即多少条线数据组成一幅待识别图像。
对于实时显示的线数据，没有接受线数据数量的考量，接受到的数据会直接进入显示流程(即生成扫描图像)；而对于生成待识别图像所需的线数据的数量，需要根据所述线数据的长度及所述神经网络模型设置的图像尺寸或比例要求确定。原因在于，神经网络模型对于处理的图像有一定要求，当图像满足一定长宽比例、且不存在拉伸时，神经网络模型的识别效果最好。根据线数据的长度可以确定待处理图像的一条边的长度，根据线数据长度及待处理图像的比例关系可以确定相邻的一条边的长度，由此推导出生成待识别图像所需的线数据的数量。当所接受到的线数据不满足设定线数据数量、且在***设定的时间内尚没有新的数据到来时(比如一个较小的包裹经过了扫描，但之后一段时间内没有新的包裹到来)，则危险品智能识别***将会进行另一种处理：取出之前存储的线数据，按照设定的线数据数量补充部分数据，形成符合要求的待识别图像。
为更好地实现危险品智能识别***与安检机***之间的信息交互，还进行了如下设置：所述危险品智能识别***和所述安检机***通过以太网交换机进行通讯，根据实际需求，可将二者的IP设置于同一网段中，也可以设置于不同网段中，以保证能够正常通讯为准。此外，支持以常见的网络通讯协议(如TCP、UDP、HTTP、FTP等)进行通讯。在安检机的实际使用过程中，出于对包裹复查，或精细查看的目的，用户会较为经常的对图像或传送带进行控制操作。如采用反色、超增、高穿低穿等操作突出画面中的部分区域，以达到精细查看的目的；或停止、反转传送带，以便重新查看待检查包裹。为满足上述要求，危险品智能识别***还需具备以下功能：根据用户指令，通过以太网交换机直接控制安检机***的扫描或传送带操作。上述功能能够更好地实现危险品智能识别***与安检机***之间的信息交互，实现危险品智能***对于安检机***的远程控制。为满足识别需要，所述危险品智能识别***还通过静态显示画面的方式聚焦关注的所述扫描图像，且可保留部分历史识别结果，方便后续调取信息。
为进一步降低安检员的工作量、提供工作效率，优选地，危险品智能识别***在生成疑似危险品的相关信息的同时，还生成疑似危险品报警信息；将所述疑似危险品报警信息与所述相关信息打包后发送至安检机***，通过所述安检机***响应所述疑似危险品报警信息。便于安检员在收到疑似危险品报警信息后，及时确认被测物体中是否包含疑似危险品。
实施例2
在本发明的另一实施例中，公开了一种危险品智能识别***，如图6所示，包括：数据接收及处理模块，用于接收并存储被测物体对应的线数据，并依次实时顺序滚动显示所述线数据处理后得到的扫描图像，所述线数据为安检机***扫描被测物体的源数据；待识别图像生成模块，用于提取一定数量的所述线数据，生成待识别图像；危险品识别及相关信息生成模块，用于判断所述待识别图像中是否包括疑似危险品，若是，生成该疑似危险品的相关信息；图像显示模块，用于将所述疑似危险品的相关信息叠加在滚动显示的所述扫描图像上。
与现有技术相比，本实施例提供的危险品智能识别***的功能是独立于安检机***的，可独立运行；通过接收由安检机***提供的被测物体的线数据(而非逐块获取待识别包裹的图像，亦不是一次性获取待识别包裹的图像)，即以安检机***实时扫描得到的原始线数据为基础，处理得到疑似危险品及该疑似危险品的相关信息，并将所述疑似危险品的相关信息叠加在滚动显示的所述扫描图像上，能够保证危险品智能识别***在进行图像识别的同时，滚动显示扫描图像及疑似危险品信息。
优选地，危险品识别及相关信息生成模块进一步包括：危险品识别模块、疑似危险品相关信息生成模块；其中，危险品识别模块用于执行以下操作识别所述扫描图像中是否包括疑似危险品：接收所述待识别图像，并输入至训练好的神经网络模型中；利用所述神经网络模型识别所述待识别图像中包含的疑似危险品及其所属的类别。疑似危险品相关信息生成模块用于执行以下操作生成疑似危险品的相关信息：通过查询存储有危险品类别及对应名称之间关系的数据库，生成所述疑似危险品的名称；根据所述疑似危险品在所述待识别图像中的位置，生成所述疑似危险品对应的位置坐标；利用所述神经网络模型生成所述疑似危险品的置信度。
优选地，所述危险品智能识别***还包括危险品相关信息发送模块，用于将所述疑似危险品的相关信息至安检机***，以使所述安检机***在滚动显示的图像中叠加所述相关信息；还用于在生成疑似危险品的相关信息的同时，还生成疑似危险品报警信息；将所述疑似危险品报警信息与所述相关信息打包后发送至安检机***，通过所述安检机***响应所述疑似危险品报警信息。
优选地，所述危险品智能识别***还包括安检机控制模块，用于实现对安检机的控制，具体包括：对安检机扫描速度、传送带转动速度的控制。
上述方法实施例和方法实施例，基于相同的原理，其相关之处可相互借鉴，且能达到相同的技术效果。
实施例3
在本发明的第3实施例中，提供了一种危险品安检***，如图7所示，包括安检机***和如上所述的危险品智能识别***；二者之间通过网络进行数据交互；其中，所述安检机***，用于扫描被测物体并生成对应的线数据及扫描图像，并将所述线数据发送至所述危险品智能识别***；还用于接收所述危险品智能识别***发送的疑似危险品的相关信息，叠加显示在安检机***滚动显示的扫描图像上。其中，安检机***进一步包括：一台单视角或双视角安检机、安检机的显示器(为可选配件，图中虚线框内部分)，还可以包括声控装置；危险品智能识别***可利用高性能计算机作为载体，还可能用到包括主机、显示器，键盘、鼠标、音箱等输入输出设备；网络交互可依托以太网网络交换机及网线实现。下面对危险品安检***的工作过程说明如下：
第一步，连接危险品智能识别***和安检机***，以实现数据交互。危险品智能识别***、安检机***、网络摄像头等通过以太网网交换机连接，并保证其IP均处于同一网段中，启动安检机和危险品智能识别***，危险品智能识别***通过以太网连接上安检机。其中，网络摄像头可以依照***的设置拍摄疑似物品的视频监控图像，显示在用户界面中并保存在本地，可供用户实时或非实时的与问题包裹的扫描图像作对照，以便更高效的定位问题包裹，以及事后查验。
第二步，安检机开启X光机扫描，并获得生成的线数据。通常情况下，安检机内安装着一个或多个X光机。安检机中的探测器一般呈L状排列。当包裹进入安检机内，X光机即开始对齐进行扫描，形成数据，因其成像原理及排列方式，包裹的图像是以“线”为单位的条状扫描数据形式，组合而成，即线数据。当包裹进入光机扫描范围时，第一条线数据即开始并在经过一些处理后，显示在安检机的显示设备上，包裹逐渐通过光机的扫描范围，线数据逐条生成，安检机的显示设备即显示出完整的包裹扫描图像，最终当包裹离开光机的扫描范围时，此包裹的最后一条线数据生成完毕，安检机显示设备上也将显示完成的包裹扫描图像。一个包裹，根据其大小不同，可能由数百至上千条线数据构成。
第三步，线数据生成后，传输给危险品智能识别***并存储。危险品智能识别***接收到线数据后，即将线数据存储在内存中，以满足后续显示和识别的需要。其中，危险品智能识别***的显示设备上显示线数据，由于是实时发送、接收及显示，故智能识别设备可显示与安检机显示设备相同且几乎同步的滚动扫描图像。
第四步，危险品智能识别***对储存的线数据进行一定数量的提取，经过处理后保存为图片。每次的提取数量可根据需要进行***设置；存储的图片大小也可进行修改，默认的设置可以为原始尺寸。
第五步，将保存的图片提交给算法进行智能识别，将返回疑似危险品的信息。危险品智能识别***可依托违禁物品X光图像训练库对保存的图片进行识别，返回的信息可以包括但不限于名称、置信度、位置坐标等。在进行危险品智能识别的同时，还可对实时的滚动扫描图像进行图像处理操作，如超增、反色、黑白等，处理后的图像亦如一般安检机***显示的图像，直接显示在危险品智能识别***显示器的滚动扫描图像上。
第六步，将识别信息叠加显示在滚动图像上。危险品智能识别***根据识别的危险品信息进行处理，在滚动图像的对应疑似危险品的位置区域的线数据上进行标记(在线数据上进行标记，指的是在以线数据形成的扫描图像上进行包括但不限于以识别框、文字等形式，标记出神经网络返回的疑似危险品的信息的操作)，使显示结果同时具有滚动图像和标记的危险品信息，标记的形式包括但不限于标记框、文字提示等，标记的内容即为疑似危险品的相关信息，同时也可给出相应的声音提示。
优选的，危险品智能识别***具有图像显示模块，除可以显示滚动图像外，也可根据用户设置或者选择，以静态显示画面的方式聚焦关注的具体信息，方便安检人员识别；静态信息可同时保留一部分历史识别结果。
进一步，在第六步执行的同时，算法的识别结果还可以通过以太网，回传给安检机，安检机可根据需要，依据这些识别信息，在安检机的显示设备上，也在对应疑似危险品的位置区域作出相应的标记，如果安检机显示屏也设置安检人员的话，可以方便安检机处的安检人员查看。
此外，用户还可通过危险品智能识别***的安检机控制模块直接控制安检机***，当需要对传送带进行控制时，比如需要人工复查危险品时，可实现启动、暂停、倒转等传送带操作，方便安检人员现场处理。
在本发明提出的危险品安检***，智能识别的功能是独立于安检机***的，可独立运行，其接收的不是安检机传输的图像，而是原始的线扫描数据；无需使用安检机***自身的显示及控制设备，安检机***仅作为数据源，其识别结果可以直接叠加在滚动扫描图像上显示，危险品智能识别***同时具备通过网络对安检机进行如皮带启动、停止等基本控制操作的功能。无需对目前的安检机***进行升级改造，降低了采购和运行的成本，且便于利用危险品智能识别***实现对安检情况的远程监控。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (11)
1.一种危险品智能识别方法，其特征在于，包括以下步骤：
危险品智能识别***接收并存储被测物体对应的线数据，并依次实时顺序滚动显示所述线数据处理后得到的扫描图像，所述线数据为安检机***扫描被测物体的源数据；
提取一定数量的所述线数据，根据线数据的长度确定待识别图像的一条边的长度，根据线数据长度及待识别图像的比例关系确定相邻的一条边的长度，由此推导出生成待识别图像所需的线数据的数量；当所接收到的线数据不满足设定线数据数量、且在***设定的时间内尚没有新的数据到来时，取出之前存储的线数据，按照设定的线数据数量补充部分数据，生成待识别图像；所述线数据为安检机所含的探测器组依照所配置的扫描间隔每次采集到的所有的原始数据；
判断所述待识别图像中是否包括疑似危险品，若是，生成该疑似危险品的相关信息；所述判断所述待识别图像中是否包括疑似危险品，包括：
接收所述待识别图像，并输入至训练好的神经网络模型中；
利用所述神经网络模型识别所述待识别图像中包含的疑似危险品及其所属的类别；
所述疑似危险品的相关信息包括名称、置信度、位置坐标中的一种或多种；
将所述疑似危险品的相关信息叠加在滚动显示的所述扫描图像上。
2.根据权利要求1所述的危险品智能识别方法，其特征在于，通过以下方式生成所述疑似危险品的相关信息：
通过查询存储有危险品类别及对应名称之间关系的关系表，生成所述疑似危险品的名称；
根据所述疑似危险品在所述待识别图像中的位置，生成所述疑似危险品对应的位置坐标；
利用所述神经网络模型生成所述疑似危险品的置信度。
3.根据权利要求1所述的危险品智能识别方法，其特征在于，根据所述线数据的长度及所述神经网络模型设置的图像尺寸或比例要求，确定所述提取的线数据的数量。
4.根据权利要求1-3中任一项所述的危险品智能识别方法，其特征在于，所述危险品智能识别***发送所述疑似危险品的相关信息至安检机***，以使所述安检机***在滚动显示的图像中叠加所述相关信息。
5.根据权利要求1所述的危险品智能识别方法，其特征在于，所述危险品智能识别***通过以太网交换机与所述安检机***通讯；
所述危险品智能识别***还根据用户指令，通过所述以太网交换机直接控制安检机***的扫描或传送带操作。
6.根据权利要求1所述的危险品智能识别方法，其特征在于，所述危险品智能识别***在生成疑似危险品的相关信息的同时，还生成疑似危险品报警信息；将所述疑似危险品报警信息与所述相关信息打包后发送至安检机***，通过所述安检机***响应所述疑似危险品报警信息。
7.根据权利要求1所述的危险品智能识别方法，其特征在于，所述方法还包括，保存所述扫描图像及叠加在所述扫描图像上的所述疑似危险品的相关信息。
8.根据权利要求1所述的危险品智能识别方法，其特征在于，所述方法还包括，以静态图像的形式显示当前扫描图像。
9.根据权利要求1所述的危险品智能识别方法，其特征在于，所述线数据处理后得到的扫描图像，包括：
处理所述线数据，得到所述线数据对应的图像，对该图像进行包括超增、反色、黑白在内的一种或多种处理，得到所述扫描图像。
10.一种危险品智能识别***，其特征在于，包括：
数据接收及处理模块，用于接收并存储被测物体对应的线数据，并依次实时顺序滚动显示所述线数据处理后得到的扫描图像，所述线数据为安检机***扫描被测物体的源数据；
待识别图像生成模块，用于提取一定数量的所述线数据，根据线数据的长度确定待识别图像的一条边的长度，根据线数据长度及待识别图像的比例关系确定相邻的一条边的长度，由此推导出生成待识别图像所需的线数据的数量；当所接收到的线数据不满足设定线数据数量、且在***设定的时间内尚没有新的数据到来时，取出之前存储的线数据，按照设定的线数据数量补充部分数据，生成待识别图像；所述线数据为安检机所含的探测器组依照所配置的扫描间隔每次采集到的所有的原始数据；
危险品识别及相关信息生成模块，用于判断所述待识别图像中是否包括疑似危险品，若是，生成该疑似危险品的相关信息；所述判断所述待识别图像中是否包括疑似危险品，包括：
接收所述待识别图像，并输入至训练好的神经网络模型中；
利用所述神经网络模型识别所述待识别图像中包含的疑似危险品及其所属的类别；
所述疑似危险品的相关信息包括名称、置信度、位置坐标中的一种或多种；
图像显示模块，用于将所述疑似危险品的相关信息叠加在滚动显示的所述扫描图像上。
11.一种危险品安检***，其特征在于，包括安检机***和如权利要求10所述的危险品智能识别***；二者之间通过网络进行数据交互；
其中，
所述安检机***，用于扫描被测物体并生成对应的线数据及扫描图像，并将所述线数据发送至所述危险品智能识别***；还用于接收所述危险品智能识别***发送的疑似危险品的相关信息，叠加显示在安检机***滚动显示的扫描图像上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910522934.4A CN110163191B (zh) | 2019-06-17 | 2019-06-17 | 一种危险品智能识别方法、***及危险品安检*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910522934.4A CN110163191B (zh) | 2019-06-17 | 2019-06-17 | 一种危险品智能识别方法、***及危险品安检*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110163191A CN110163191A (zh) | 2019-08-23 |
| CN110163191B true CN110163191B (zh) | 2021-04-02 |
Family
ID=67625760
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910522934.4A Active CN110163191B (zh) | 2019-06-17 | 2019-06-17 | 一种危险品智能识别方法、***及危险品安检*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110163191B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110889329A (zh) * | 2019-10-25 | 2020-03-17 | 浙江大华技术股份有限公司 | 安检机、安检机巡检***、视频流处理方法和存储介质 |
| CN111443389B (zh) * | 2020-03-24 | 2022-11-04 | 青岛联创威科安防设备有限公司 | 一种双视角安检机 |
| CN113640321B (zh) * | 2020-05-11 | 2024-04-02 | 同方威视技术股份有限公司 | 安检延迟优化方法以及设备 |
| CN111861992A (zh) * | 2020-06-12 | 2020-10-30 | 浙江大华技术股份有限公司 | 安检图像的处理方法、安检***和计算机可读存储介质 |
| CN111767902A (zh) * | 2020-07-31 | 2020-10-13 | 上海中通吉网络技术有限公司 | 安检机危险品的识别方法、装置、设备及存储介质 |
| CN112633057B (zh) * | 2020-11-04 | 2024-01-30 | 北方工业大学 | 一种公交车内异常行为智能监控方法 |
| CN113177982B (zh) * | 2021-04-16 | 2023-03-10 | 杭州睿影科技有限公司 | 安检图像数据的处理方法、装置、设备及*** |
| CN113515248B (zh) * | 2021-05-24 | 2024-03-29 | 浙江华视智检科技有限公司 | 安检仪的显示方法、控制设备及计算机可读存储介质 |
| CN114663711B (zh) * | 2022-05-17 | 2022-08-19 | 北京航空航天大学 | 一种面向x光安检场景的危险品检测方法及装置 |
| CN115496914B (zh) * | 2022-08-18 | 2023-05-02 | 成都智元汇信息技术股份有限公司 | 一种基于列数据的最大轮廓的包裹提取方法及装置 |
| CN115578681B (zh) * | 2022-11-15 | 2023-03-10 | 成都智元汇信息技术股份有限公司 | 一种基于列数据行进包裹识别的方法与*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN206192923U (zh) * | 2016-10-27 | 2017-05-24 | 中云智慧（北京）科技有限公司 | 一种基于云计算的x射线违禁品检测*** |
| CN107607562A (zh) * | 2017-09-11 | 2018-01-19 | 北京匠数科技有限公司 | 一种违禁物品识别设备及方法、x光行李安检*** |
| 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 |
| CN108254397A (zh) * | 2017-12-12 | 2018-07-06 | 北京航星机器制造有限公司 | 一种行李物品安全检查装置及其检查方法 |
| CN108254393A (zh) * | 2016-12-27 | 2018-07-06 | 合肥美亚光电技术股份有限公司 | 安检危险品检测装置及安检方法 |
| CN109884721A (zh) * | 2018-12-10 | 2019-06-14 | 深圳极视角科技有限公司 | 基于人工智能的安检违禁物品检测方法、装置及电子设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180307912A1 (en) * | 2017-04-20 | 2018-10-25 | David Lee Selinger | United states utility patent application system and method for monitoring virtual perimeter breaches |
-
2019
- 2019-06-17 CN CN201910522934.4A patent/CN110163191B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN206192923U (zh) * | 2016-10-27 | 2017-05-24 | 中云智慧（北京）科技有限公司 | 一种基于云计算的x射线违禁品检测*** |
| CN108254393A (zh) * | 2016-12-27 | 2018-07-06 | 合肥美亚光电技术股份有限公司 | 安检危险品检测装置及安检方法 |
| CN107607562A (zh) * | 2017-09-11 | 2018-01-19 | 北京匠数科技有限公司 | 一种违禁物品识别设备及方法、x光行李安检*** |
| 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 |
| CN108254397A (zh) * | 2017-12-12 | 2018-07-06 | 北京航星机器制造有限公司 | 一种行李物品安全检查装置及其检查方法 |
| CN109884721A (zh) * | 2018-12-10 | 2019-06-14 | 深圳极视角科技有限公司 | 基于人工智能的安检违禁物品检测方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110163191A (zh) | 2019-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110163191B (zh) | 一种危险品智能识别方法、***及危险品安检*** | |
| CN107179324B (zh) | 检测产品包装的方法、装置和*** | |
| CN106770332B (zh) | 一种基于机器视觉的电子模切料缺陷检测实现方法 | |
| WO2021073370A1 (zh) | 物品检测方法、装置、***和计算机可读存储介质 | |
| CN107144992B (zh) | 基于aoi技术的全自动化lcd检测控制***及方法 | |
| CN204479490U (zh) | 一种激光打标产品在线检测分析*** | |
| CN101105459A (zh) | 一种空瓶瓶口缺陷的检测方法及装置 | |
| CN102221559A (zh) | 基于机器视觉的织物疵点在线自动检测方法及其装置 | |
| US11947345B2 (en) | System and method for intelligently monitoring a production line | |
| CN110174404A (zh) | 一种药粒在线缺陷检测装置及*** | |
| CN112445321A (zh) | 物品处理方法、装置及电子设备 | |
| CN110940670A (zh) | 基于机器视觉的柔印标签印刷首稿检测***及其实现方法 | |
| CN106093051A (zh) | 基于机器视觉的纸卷切面毛刺检测方法及装置 | |
| CN103293167A (zh) | 泡沫镍中铜颗粒自动检测方法及*** | |
| CN103984967B (zh) | 一种应用于商品标签检测的自动检测***及自动检测方法 | |
| KR102390058B1 (ko) | Led 패널 결함 검출을 위한 데이터 생성 장치 및 방법 | |
| CN103176218A (zh) | 一种x射线透射检查方法 | |
| CN112101060A (zh) | 基于平移不变性和小区域模板匹配的二维码定位方法 | |
| CN208155893U (zh) | 基于高速相机的双目视觉划痕检测*** | |
| JPH09264856A (ja) | 物品外観検査装置 | |
| CN116106319A (zh) | 一种合成革瑕疵自动化检测方法及*** | |
| JP6027717B2 (ja) | 視線位置特定手段を備えた目視検査装置 | |
| CN112129768B (zh) | 外观检查管理***、装置、方法以及存储介质 | |
| CN114154032A (zh) | 变电站三维可视化立体巡检方法、***、装置及存储介质 | |
| CN110252686A (zh) | 遥控器质量的确定方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |