CN110276282B - 危险液体识别方法、装置及计算机可读存储介质 - Google Patents
危险液体识别方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110276282B CN110276282B CN201910495889.8A CN201910495889A CN110276282B CN 110276282 B CN110276282 B CN 110276282B CN 201910495889 A CN201910495889 A CN 201910495889A CN 110276282 B CN110276282 B CN 110276282B
- Authority
- CN
- China
- Prior art keywords
- control platform
- main control
- curve
- phase
- broadband
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提出危险液体识别方法,具体为:主控平台收集经对应训练样本反射的宽频微波回波信号,并从回波信号中获取相位、幅度曲线;主控平台分配标签,形成标签组,主控平台将由同一训练样本所获取的相位曲线和幅度曲线共同合成序列,多个序列形成序列组,主控平台将标签组与序列组内容匹配后输入神经网络训练,以得到表征分类概率的代价函数;主控平台进一步建立参数模型;主控平台将基于待检物品的合成序列与参数模型对比,以利用概率值完成归类判别。本发明还提出执行该方法的危险液体识别装置及计算机可读存储介质。本发明将通过机器学习进行分类识别的方法用在基于宽频微波反射法的液体检测中,能够良好地分类识别。
Description
技术领域
本发明涉及安全检查技术领域,尤其涉及危险液体识别方法、危险液体识别装置以及计算机可读存储介质。
背景技术
随着反恐形势日益严峻,瓶装危险液体的检测在公共安全领域需求迫切。目前,现有的瓶装危险液体的检测方法有多种,例如,电容电极法、X射线检测法,微波反射法等,下文分别对几种瓶装危险液体的检测方法做出简介:
一、电容电极法
电容电极法是利用感应电极测量电容的方法来对液体进行分类。电容电极法通过获取介电常数的强度值,从中选择阈值来对危险液体进行区分,但这种方法不适宜用于区分电常数相近的液体,很容易产生误报。电容电极法的应用可参考申请号为201721589317.9的且名称为新型高端手持危险液体探测器实用新型专利。
二、X射线检测法
X射线检测法则是利用X射线穿透瓶体后对瓶内液体的密度进行分析,从而测定液体成分,但是使用X射线检测液体的方法成本相对较高。
三、微波反射法
微波反射法是利用发射天线、接收天线及信号处理电路来实现危险液体检测的方法。微波反射法的应用可参考申请号为201621018758.9且名称为基于DDS的危险液体探测仪的实用新型专利。
目前市面上基于微波反射法的危险液体检测设备,主要使用基于微波反射的瓶装危险液体识别方法,这种识别方法能够利用微波反射回来的幅度信号来区分瓶内液体安全或危险。
传统的基于微波反射法的瓶装危险液体识别方法,是利用穿透瓶体且从液体反射回来的微波信号的幅度来对液体进行检测,虽然这种传统识别方法目前已得到应用,但是这种传统的识别方法只能执行简单的阈值判别,换言之,这种传统的识别方法仅能将水和危险液体区分开,且误报率较高。
进一步,在微波反射法领域还衍生了一种宽频微波反射法,在瓶装危险液体的检测方法中,宽频微波反射法是一种利用宽频微波反射来实现瓶内液体无损检测的方法,目前在轨道交通领域已有应用。宽频微波反射法的应用可参考申请号为201310588482.2且名称为一种液体危险品检测中采用微波多频点矢量检测的方法的专利文献。但宽频微波反射法仍然没有克服传统微波反射法所存在的缺陷。
综上,现有的瓶装危险液体的诸多检测方法还均存在缺点,基于这些方法的检测设备也仅能给出危险与否的结论,对危险品的分类能力差,且在在阈值附近的液体容易误报。
发明内容
基于现有检测方法的检测设备也仅能给出危险与否的结论,对危险品的分类能力差,且在在阈值附近的液体容易误报。为了解决现有技术中的这一问题,本发明提供一种危险液体识别方法,所述危险液体识别方法包括如下步骤:
步骤S1,收集经对应训练样本反射的宽频微波回波信号,并从宽频微波回波信号中获取相位曲线和幅度曲线;
步骤S2,对多组训练样本各自分配标签,形成标签组,将由同一训练样本所获取的相位曲线和幅度曲线共同合成序列,多组训练样本的各个序列共同形成序列组,将标签组与序列组内容匹配;
步骤S3,将匹配后的标签组与序列组输入神经网络模块中进行训练,通过所述神经网络模块得到用于表征不同分类结果概率的代价函数;
步骤S4,根据代价函数建立参数模型;
步骤S5,将基于待检物品的相位曲线和幅度曲线的合成序列与参数模型对比,通过概率值分析对待检物品进行归类判别。
较佳地,步骤S2中,在相位曲线和幅度曲线合成序列前,先将相位曲线和幅度曲线各自归一化。
较佳地,在步骤S2后,继续执行步骤:
步骤S21,对匹配后的标签组与序列组进行排列,然后继续执行步骤S3。
较佳地,在步骤S3后,继续执行步骤:
步骤S31,调节神经网络的超参数,以得出最优的代价函数曲线,然后继续执行步骤S4。
本发明还提供一种危险液体识别装置,其包括主控平台和微波检测模块,所述微波检测模块与主控平台连接,所述主控平台内包含有神经网络模块,所述主控平台执行上述的危险液体识别方法。
较佳地,所述微波检测模块包括宽频DDS源、鉴频鉴相器、发射天线、接收天线、第一采样模块和第一检测区域;所述第一检测区域设置在所述发射天线和所述接收天线之间;所述宽频DDS源分别与所述主控平台、所述鉴频鉴相器和所述发射天线连接,所述鉴频鉴相器还分别与所述接收天线和所述第一采样模块连接;所述第一采样模块还与所述主控平台连接。
较佳地,所述宽频DDS源既用于向所述发射天线发送扫频信号,也用于向所述鉴频鉴相器发送同幅反向参考信号,所述主控平台控制所述宽频DDS源;所述发射天线用于将所述扫频信号转化为宽频微波信号,并向外发射;所述接收天线用于将经非金属瓶内液体反射后的宽频微波信号转化为接收信号;所述鉴频鉴相器用于处理所述接收信号和所述同幅反向参考信号以形成幅度相位信号;所述第一采样模块用于通过所述幅度相位信号获取待分析的宽频相位曲线和宽频幅度曲线。
较佳地,所述神经网络模块为TensorFlow训练模块,所述TensorFlow训练模块用于计算出代价函数。
较佳地,其还包括压力传感器,所述压力传感器与所述主控平台连接,所述压力传感器既用于识别对应检测区域内是否存在所述非金属瓶,还用于触发所述微波检测模块工作。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述危险液体识别方法的步骤。
与现有技术比较本发明的有益效果在于:
本发明提出的危险液体识别装置和危险液体识别方法,均将通过机器学习进行分类识别的方法用在基于宽频微波反射法的危险液体检测中,获得了良好的分类识别效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一危险液体识别方法的流程图;
图2本发明实施例一标签与液体种类对应关系示意图;
图3为本发明实施例一危险液体识别装置的结构示意图;
图4为本发明实施例二危险液体识别装置的结构示意图;
图5为本发明实施例四危险液体识别方法的流程图;
图6为本发明实施例五危险液体识别方法的流程图;
图7为本发明实施例六危险液体识别方法的流程图。
附图标记:
主控平台1、微波检测模块2、非金属瓶6、神经网络模块10、宽频DDS源21、鉴频鉴相器22、发射天线23、接收天线24、第一采样模块25和压力传感器51。
具体实施方式
以下结合附图,对本发明上述的和另外的技术特征和优点作更详细的说明。
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
在本发明实施例中,流程的执行主体为终端设备,该终端设备包括但不限于笔记本电脑、计算机、服务器、平板电脑以及智能手机等具有软件开发功能的终端设备。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一
图1为本发明实施例一中危险液体识别方法的流程图;如图1所示,本发明实施例一中提供的一种危险液体识别方法,其应用于危险液体识别装置,所述危险液体识别装置包括主控平台,所述危险液体识别方法执行如下步骤:
步骤S1,主控平台1收集经对应训练样本反射的宽频微波回波信号,并从宽频微波回波信号中获取相位曲线和幅度曲线;
步骤S2,主控平台1对多组训练样本各自分配标签,形成标签组,所述主控平台将由同一训练样本所获取的相位曲线和幅度曲线共同合成序列,多组训练样本的各个序列共同形成序列组,主控平台1将标签组与序列组内容匹配;
步骤S3,主控平台1将匹配后的标签组与序列组输入神经网络模块中进行训练,主控平台1通过所述神经网络模块得到用于表征不同分类结果概率的代价函数;
步骤S4,主控平台1根据代价函数建立参数模型;
步骤S5,主控平台1再将基于待检物品的相位曲线和幅度曲线的合成序列与参数模型对比,主控平台1通过概率值分析对待检物品进行归类判别。
在步骤S1中,需要进行大量重复的样本数据库收集工作,进行机器学习的基础是大量样本测试集的建立。选取各种非金属材质瓶体、各种液位(页面高度大于3cm)的待分类的多种液体(如:饮品类,油类,醇类,苯类,烷类,硫酸类)进行长时间测试,每次测试扫描时间1秒,获取的相位曲线和幅度曲线均为200维,收集样本数据约十万条,样品集约1000条。
进一步,在步骤S2中,在相位曲线和幅度曲线合成序列前,先将相位曲线和幅度曲线各自归一化,相位曲线和幅度曲线各自归一化的有益效果在于:加快神经网络的训练速度。归一化即是找出曲线最大最小值,以最大值为1,最小值为0。曲线上每个点则按比例的被归一化到0到1之间。
在步骤S2中,相位曲线和幅度曲线合成序列属于扩容合并,与两个数组合成一个数组类似。
图2为本发明实施例一中标签与液体种类对应关系示意图。如图2所示,在步骤S2中,标签组与液体种类为一一对应关系。
进一步,在步骤S4后,执行步骤S41,重复迭代优化参数模型。
优选地,在步骤S3中的神经网络采用TensorFlow训练模块,TensorFlow训练模块以TensorFlow框架作为训练工具,TensorFlow训练模块首先对系数矩阵进行初始化,随后进行前向传播计算,前向传播模型结构为:LINER→RELU→LINER→RELU→LINER→SOFTMAX。TensorFlow训练模块按照这个前向传播模型结构做前向传播计算,最后通过SOFTMAX分类器得到不同分类结果下的概率,即计算出代价函数。
TensorFlow训练模块会根据前向传播的步骤自动实现反向传播和参数更新。使用TensorFlow训练模块的有益效果在于,其能够准确、快速的获取代价函数,是一种兼容性好的机器深度学习模块。
图3为本发明实施例一中危险液体识别装置的结构示意图。如图3所示,在本实施例中,还提供一种危险液体识别装置,其包括主控平台1和微波检测模块2,微波检测模块2与主控平台1连接。主控平台1内包含有神经网络模块10。
微波检测模块2能够发送和接收宽频微波信号。微波检测模块2包括宽频DDS源21、鉴频鉴相器22、发射天线23、接收天线24、第一采样模块25和第一检测区域,第一检测空间设置在发射天线23、接收天线24之间,第一检测区域用于放置非金属瓶6,宽频DDS源21分别与主控平台1、鉴频鉴相器22和发射天线23连接,鉴频鉴相器22还分别与接收天线24和第一采样模块25连接,第一采样模块25还与主控平台1连接。
主控平台1控制宽频DDS源21,主控平台1能够触发宽频DDS源21开始扫频,宽频DDS源21开始扫频后会产生扫频信号。另外,宽频DDS源21还向鉴频鉴相器22发送同幅反向参考信号。扫频信号经发射天线23发出宽频微波信号,宽频微波信号再经非金属瓶6内液体反射后被接收天线24获取,被接收天线24获取到的接收信号被输入至鉴频鉴相器22中,鉴频鉴相器22用于处理接收信号和同幅反向参考信号以形成幅度相位信号,鉴频鉴相器22将幅度相位信号发送给第一采样模块25,第一采样模块25用于通过幅度相位信号获取待分析的宽频相位曲线和宽频幅度曲线,第一采样模块25将待分析的宽频相位曲线和宽频幅度曲线发送给主控平台1。优选地,第一采样模块25为双路AD采样模块。
优选地,步骤S1中,主控平台1控制微波检测模块2对多组训练样本分别发射宽频微波信号,并收集经对应训练样本反射的宽频微波回波信号,从宽频微波回波信号中获取相位曲线和幅度曲线;
本发明提出的危险液体识别装置和危险液体识别方法,利用了相位和幅度两个维度的曲线信息综合分析进行分类识别,增进了识别精准度和识别的速度。
本发明提出的危险液体识别装置和危险液体识别方法,均将通过机器学习进行分类识别的方法用在基于宽频微波反射法的危险液体检测中,获得了良好的分类识别效果。
实施例二
图4为本发明实施例二中危险液体识别装置的结构示意图。如图4所示,本实施例提供的一种中危险液体识别装置,其还包括压力传感器51,主控平台1与压力传感器51连接。
压力传感器51用于检测第一检测区域内是否存在非金属瓶6,当压力传感器51感知第一检测区域内存在非金属瓶6时,主控平台1能够控制微波检测模块2执行对非金属瓶6的检测工作。压力传感器51作为检测的触发器件。
实施例三
本实施例中还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如实施例一种所述的危险液体识别方法的步骤。
实施例四
本实施例与实施例一不同之处在于:
图5为本发明实施例四危险液体识别方法的流程图。如图5所示,在步骤S2后,由于标签组与序列组内容已经匹配,所以可以继续执行步骤:
步骤S21,主控平台1对匹配后的标签组与序列组进行排列,继续执行步骤S3。
实施例五
本实施例与实施例一不同之处在于:
图6为本发明实施例五危险液体识别方法的流程图。如图6所示,在步骤S3后,继续执行步骤:
步骤S31,主控平台1调节神经网络模块10的超参数,以得出最优的代价函数曲线,继续执行步骤S4。调节神经网络的超参数的有益效果在于,能得到最小的训练误差。
实施例六
本实施例与实施例四不同之处在于:
图7为本发明实施例六危险液体识别方法的流程图。如图7所示,在步骤S3后,继续执行步骤:
步骤S31,主控平台1调节神经网络模块10的超参数,以得出最优的代价函数曲线,继续执行步骤S4。调节神经网络的超参数的有益效果在于,能得到最小的训练误差。
以上所述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,均应包含在本发明的保护范围之内。
Claims (9)
1.一种危险液体识别方法,其特征在于,所述危险液体识别方法包括如下步骤:
步骤S1,收集经对应训练样本反射的宽频微波回波信号,并从宽频微波回波信号中获取相位曲线和幅度曲线;
步骤S2,对多组训练样本各自分配标签,形成标签组,将由同一训练样本所获取的相位曲线和幅度曲线共同合成序列,多组训练样本的各个序列共同形成序列组,将标签组与序列组内容匹配;
步骤S3,将匹配后的标签组与序列组输入神经网络模块中进行训练,通过所述神经网络模块得到用于表征不同分类结果概率的代价函数;
步骤S4,根据代价函数建立参数模型;
步骤S5,将基于待检物品的相位曲线和幅度曲线的合成序列与参数模型对比,通过概率值分析对待检物品进行归类判别;
步骤S2中,在相位曲线和幅度曲线合成序列前,先将相位曲线和幅度曲线各自归一化。
2.如权利要求1所述的危险液体识别方法,其特征在于,在步骤S2后,继续执行步骤:
步骤S21,对匹配后的标签组与序列组进行排列,然后继续执行步骤S3。
3.如权利要求2任一所述的危险液体识别方法,其特征在于,在步骤S3后,继续执行步骤:
步骤S31,调节神经网络的超参数,以得出最优的代价函数曲线,然后继续执行步骤S4。
4.一种危险液体识别装置,其特征在于,其包括主控平台和微波检测模块,所述微波检测模块与主控平台连接,所述主控平台内包含有神经网络模块,所述主控平台执行权利要求1-3任一所述的危险液体识别方法。
5.如权利要求4所述的危险液体识别装置,其特征在于,所述微波检测模块包括宽频DDS源、鉴频鉴相器、发射天线、接收天线、第一采样模块和第一检测区域;所述第一检测区域设置在所述发射天线和所述接收天线之间;所述宽频DDS源分别与所述主控平台、所述鉴频鉴相器和所述发射天线连接,所述鉴频鉴相器还分别与所述接收天线和所述第一采样模块连接;所述第一采样模块还与所述主控平台连接。
6.如权利要求5所述的危险液体识别装置,其特征在于,所述宽频DDS源既用于向所述发射天线发送扫频信号,也用于向所述鉴频鉴相器发送同幅反向参考信号,所述主控平台控制所述宽频DDS源;所述发射天线用于将所述扫频信号转化为宽频微波信号,并向外发射;所述接收天线用于将经非金属瓶内液体反射后的宽频微波信号转化为接收信号;所述鉴频鉴相器用于处理所述接收信号和所述同幅反向参考信号以形成幅度相位信号;所述第一采样模块用于通过所述幅度相位信号获取待分析的宽频相位曲线和宽频幅度曲线。
7.如权利要求6任一所述的危险液体识别装置,其特征在于,所述神经网络模块为TensorFlow训练模块,所述TensorFlow训练模块用于计算出代价函数。
8.如权利要求6任一所述的危险液体识别装置,其特征在于,其还包括压力传感器,所述压力传感器与所述主控平台连接,所述压力传感器既用于识别对应检测区域内是否存在所述非金属瓶,还用于触发所述微波检测模块工作。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述危险液体识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910495889.8A CN110276282B (zh) | 2019-06-10 | 2019-06-10 | 危险液体识别方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910495889.8A CN110276282B (zh) | 2019-06-10 | 2019-06-10 | 危险液体识别方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110276282A CN110276282A (zh) | 2019-09-24 |
CN110276282B true CN110276282B (zh) | 2021-07-20 |
Family
ID=67960755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910495889.8A Active CN110276282B (zh) | 2019-06-10 | 2019-06-10 | 危险液体识别方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276282B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205844542U (zh) * | 2016-07-15 | 2016-12-28 | 南京觅力觅特电子科技有限公司 | 一种微波危险液体探测装置 |
CN108169248A (zh) * | 2016-12-07 | 2018-06-15 | 成都理工大学 | 一种自适应的用于液态危险品检测的s参数匹配方法 |
CN109470720A (zh) * | 2018-09-29 | 2019-03-15 | 深圳市华讯方舟太赫兹科技有限公司 | 液体识别方法、向量提取方法、液体识别装置及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034178A (zh) * | 2011-10-10 | 2013-04-10 | 无锡协讯科技有限公司 | 危险废物监管***及其电子联单管理方法 |
US10168305B2 (en) * | 2013-10-17 | 2019-01-01 | Battelle Memorial Institute | Container screening system and method |
-
2019
- 2019-06-10 CN CN201910495889.8A patent/CN110276282B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205844542U (zh) * | 2016-07-15 | 2016-12-28 | 南京觅力觅特电子科技有限公司 | 一种微波危险液体探测装置 |
CN108169248A (zh) * | 2016-12-07 | 2018-06-15 | 成都理工大学 | 一种自适应的用于液态危险品检测的s参数匹配方法 |
CN109470720A (zh) * | 2018-09-29 | 2019-03-15 | 深圳市华讯方舟太赫兹科技有限公司 | 液体识别方法、向量提取方法、液体识别装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110276282A (zh) | 2019-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Novel YOLOv3 model with structure and hyperparameter optimization for detection of pavement concealed cracks in GPR images | |
CN102928435A (zh) | 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置 | |
CN111517092A (zh) | 一种传动带撕裂检测方法 | |
CN112329587A (zh) | 饮料瓶的分类方法、装置及电子设备 | |
Hassan et al. | Deep CMST framework for the autonomous recognition of heavily occluded and cluttered baggage items from multivendor security radiographs | |
Li et al. | A two-stage crack detection method for concrete bridges using Convolutional Neural Networks | |
CN117434082A (zh) | 用于硅胶制品生产线的质量检测方法及其*** | |
CN114972880A (zh) | 一种标签识别方法、装置、电子设备及存储介质 | |
CN110276282B (zh) | 危险液体识别方法、装置及计算机可读存储介质 | |
CN111008956A (zh) | 基于图像处理的梁底裂纹检测方法、***、装置及介质 | |
CN112528690B (zh) | 非接触式物品材质和形状识别方法、存储介质及计算设备 | |
CN113376609B (zh) | 一种基于毫米波雷达的液体识别方法 | |
CN111126112B (zh) | 候选区域确定方法和装置 | |
CN102496032A (zh) | 一种电气设备x射线数字图片处理算法支持*** | |
Liu et al. | A survey of real-time surface defect inspection methods based on deep learning | |
EP3349049B1 (en) | Inspection devices and methods for inspecting a container | |
Zewei et al. | Vehicle recognition and classification method based on laser scanning point cloud data | |
CN112906672A (zh) | 钢轨缺陷识别方法及*** | |
CN110879821A (zh) | 评分卡模型衍生标签生成方法、装置、设备及存储介质 | |
Khumsap et al. | Novel feature extractions for reflection, alligator cracks and potholes road surface classification | |
Fairuzi et al. | Performance analysis of YOLOv4 and SSD Mobilenet V2 for foreign object debris (FOD) detection at airport runway using custom dataset | |
CN108665398A (zh) | 基于盲源分离的多物品安检算法 | |
CN110443301B (zh) | 一种基于双层特征分类的液态危险品识别方法 | |
Patel et al. | Surface defect detection using SVM‐based machine vision system with optimized feature | |
Li et al. | Pid-yolox: An x-ray prohibited items detector based on yolox |
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 |