CN110765990A - 一种物品智能检测方法及***、一种计算设备及存储介质 - Google Patents

一种物品智能检测方法及***、一种计算设备及存储介质 Download PDF

Info

Publication number
CN110765990A
CN110765990A CN201911387449.7A CN201911387449A CN110765990A CN 110765990 A CN110765990 A CN 110765990A CN 201911387449 A CN201911387449 A CN 201911387449A CN 110765990 A CN110765990 A CN 110765990A
Authority
CN
China
Prior art keywords
security inspection
image
images
view
detection
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
CN201911387449.7A
Other languages
English (en)
Inventor
程国华
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.)
Zhejiang Qiyun Intelligent Technology Co Ltd
Original Assignee
Zhejiang Qiyun Intelligent 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 Zhejiang Qiyun Intelligent Technology Co Ltd filed Critical Zhejiang Qiyun Intelligent Technology Co Ltd
Priority to CN201911387449.7A priority Critical patent/CN110765990A/zh
Publication of CN110765990A publication Critical patent/CN110765990A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本申请提供的一种物品智能检测方法及***、一种计算设备及存储介质，其中，所述方法包括利用多视角安检机获取包括同一目标物体的至少两张安检图像；图像预处理；将所述经预处理的安检图像同时输入到预设的孪生卷积神经网络模型中进行特征提取，再输入目标检测网络模型，得到所述安检图像上目标的候选预测；根据预设算法将所得目标区域中同一目标进行关联，获得筛选后的预测结果；输出最终检测及识别结果。形成了高效的智能安检***，提高了智能方法的识别危险物品的准确度和检出速度。

Description

一种物品智能检测方法及***、一种计算设备及存储介质
技术领域
本申请涉及安检技术领域，具体而言，涉及一种物品智能检测方法及***、一种计算设备及存储介质。
背景技术
安检一直是保障包括地铁、车站、机场、物流中转地等公共场所安全的重要环节，安检对象通常是人体和物体，安检目标包括且不限于金属、强制、道具、液体、***物等，在美国“9•11”事件之后，对于安检设备的要求进一步提高，安全检查设备需要不断更新扩充，现有技术中如磁力针、金属武器检测门、X射线检测仪、照片和视频采集设备、扫描设备等不断被开发出来，但是为了使这些设备在安全检查工作中更好地发挥其作用还需要多方技术的发展。例如，增多视角就可以更充分地发挥X射线探测、扫描、图像采集等设备的安全检查效果，很大程度上降低了受到检测目标的放置角度、背景环境等外界因素的影响，减少了漏掉部分危险品，达不到安检目的情况发生。
但是现阶段人工识别和定位违禁品的方法存在很明显的弊端：1.工作人员长时间进行物体识别，势必会产生疲劳，导致注意力下降，降低违禁品的识别率，给不法分子以可乘之机；2.工作人员用肉眼识别的速度较为缓慢，造成安检工作效率较低，更难以应对快递行业的大量快速安检需求；3.担任安检监测工作的工作人员在上岗前需要进行长时间的培训，会消耗大量的人力物力。而人工智能特别是深度学习方法的动机恰恰在于建立、模拟人脑进行分析学习，它通过模仿人脑的机制来解释数据，使用深度学习的方法来进行安检违禁品识别成为可能。
因此，开发出针对多视角安检设备人工智能识别违禁品的方法成为安全监测的关键问题。
发明内容
有鉴于此，本申请的主要目的在于提供一种物品智能检测方法及***、一种计算设备及存储介质，以解决现有技术中存在的技术空白及缺陷问题，保障人民和社会安全。
为了实现上述目的，根据本发明的一个方面，提供了一种基于多视角安检的物品智能检测方法。
根据本申请的一种基于多视角安检的物品智能检测方法，包括：
利用多视角安检机对物品进行安检扫描，获取包括同一目标物体的至少两张安检图像；
图像预处理；
将所述经预处理的安检图像同时输入到预设的孪生卷积神经网络模型中进行特征提取，以及根据所述神经网络模型输出图像的图像特征，再将图像特征输入目标检测网络模型得到所述安检图像的目标区域；
所述孪生卷积神经网络是深度学习理论基础上的权值共享多层神经网络；
根据预设算法将所得目标区域中同一目标进行关联；
所述预设算法包括：
将上述安检所得不同视角图像上目标区域内目标进行概率匹配，同时依据安检机图像采集视角对目标在相关联侧进行尺寸匹配，匹配度高的形成关联目标；
输出最终检测及识别结果。
其中，所述物品包括包裹、行李、箱包等，S1中目标物体的个数可以是一个或多个。
所述预处理包括图像归一化、去噪、背景差分、去伪影、边缘检测中的一种或多种。
所述输出最终检测及识别结果涉及位置和置信度结果在多视角图像上显示。
第二方面，本说明书实施例提供了一种基于多视角安检的物品智能检测***，包括：
获取模块，用于获取多视角安检机扫描物品得到的至少两张安检图像；
预处理模块，用于对安检图像进行预处理，处理方式包括但不限于图像归一化、去噪、背景差分、去伪影、边缘检测中的一种或多种。
目标区域提取模块，用于将经预处理的图像同时输入到预先训练的孪生卷积神经网络模型中进行特征提取，以及根据所述神经网络模型输出图像的图像特征，再将图像特征输入目标检测网络模型得到所述安检图像的目标区域。
关联模块，用于不同视角图像上同一目标的关联。
识别模块，用于输出最终检测及识别结果。
第三方面，本说明书实施例公开了一种计算设备，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指令，所述处理器执行所述指令时实现如上所述检测方法的步骤。
第四方面，本说明书实施例公开了一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时实现如上所述检测方法的步骤。
有益效果：本发明提供了一种适用于现有多视角安检设备的智能检测方法及***、一种计算设备及存储介质，不仅解决了安检过程中人工识别效率低、成本高、准确率低的问题，还通过将不同视角安检图像匹配，消除了检测目标因放置角度、背景环境等外界因素对检出率的影响，进一步提高了智能方法的识别危险物品的准确度和检出速度，形成能够即时、准确获取被检物品中是否包含违禁品以及相关违禁品信息的高效智能安检***。
附图说明
图1是本说明书一个或多个实施例提供的一种计算设备的结构框图；
图2是本说明书一个或多个实施例提供的一种基于多视角安检的物品智能检测方法的流程图；
图3是本说明书一个或多个实施例提供的一种基于双视角安检机的物品智能检测方法以***为目标物体的多角度安检图像示意图；
图4是本说明书一个或多个实施例提供的一种基于双视角安检机的物品智能检测方法的***框图；
图5是本说明书一个或多个实施例提供的一种基于双视角安检机的物品智能检测方法以***为目标物体的尺寸匹配示意图；
图6是本说明书一个或多个实施例提供一种基于多视角安检的物品智能检测网络的训练过程的***框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
首先，对本发明一个或多个实施例涉及的名词术语进行解释。
违禁品：法律规定的不准私自制造、购买、使用、持有、储存、运输进出口的物品，例如武器、弹药、***物品(如***、***、导火索等)等。
安检图像：利用安检设备获取的图像，本发明所涉及安检设备或安检机并不仅限于X光安检设备，可通过扫描实现的安检设备和/或安检机均是本发明所要保护的范围，例如太赫兹成像设备等。
在本申请中，提供了一种基于多视角安检的物品智能检测方法及***、一种计算设备及计算机可读存储介质，在下面的实施例中逐一进行详细说明。
图1是示出了根据本说明书一实施例的计算设备100的结构框图。该计算设备100的部件包括但不限于存储器110和处理器120。处理器120与存储器110通过总线130相连接，数据库150用于保存数据。
计算设备100还包括接入设备140，接入设备140使得计算设备100能够经由一个或多个网络160通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备140可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(NIC))中的一个或多个，诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口，等等。
在本说明书的一个实施例中，计算设备100的上述部件以及图1中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图1所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。
计算设备100可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备（例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等）、移动电话（例如，智能手机）、可佩戴的计算设备（例如，智能手表、智能眼镜等）或其他类型的移动设备，或者诸如台式计算机或PC的静止计算设备。计算设备100还可以是移动式或静止式的服务器。
其中，处理器120可以执行图2所示方法中的步骤。图2示出了根据本说明书一实施例的一种基于多视角安检的物品智能检测方法的示意性流程图，包括步骤202至步骤210。
步骤202：利用多视角安检机对物品进行安检扫描，获取同一目标物体的至少两张安检图像；其中，所述物品包括但不限于包裹、行李、箱包等。此处目标物体指违禁品，由于安检机图像采集所得图像切分原理不同以及实际包裹内违禁品数量不定，在一个角度扫描所得图像内可以有一个或者多个物品，在一个角度扫描所得图像内可以有一个或者多个目标物体。通常情况下，不同角度扫描所得图像内目标物体的个数是相同的，例如，在实际扫描中3个连接紧密的快递包裹进入安检机，在不同角度图像上通常都会有3个包裹。
所述多视角安检机为具有大于等于两个视角X射线成像***的安检机，本发明并不限定多视角安检设备除以上描述以外结构的具体结构，只要能实现多视角安检的设备均可。
为了便于描述，本说明书一个或多个实施例中均以所述多视角安检机为设有X射线源位于安检腔底部（底照）和侧部（侧照）的双视角安检机，以及装有***的一个快递包裹为例进行说明。
参见图3，在所述多视角安检机为设有底照和侧照的双视角安检机的情况下，将一个装有***的快递包裹随机放置于安检通道上，对快递包裹进行一次安检，得到含有目标物体的两张安检图像，分别为底照视角图像和侧照视角图像；所述目标物体为***；所述底照视角图像为3a，称作第一视角图像；所述侧照视角图像为3b，称作第二视角图像。
步骤204：对安检图像进行预处理，处理方式包括但不限于图像归一化、去噪、背景差分、去伪影中的一种或多种。
以预设尺寸对图像进行归一化操作，此实施例中以500*500为例。
利用高斯平滑算法对图像进行去噪，高斯平滑后的图像每一个点的值，都由其自身和领域内的其他像素值经过加权平均后得到；具体的操作是使用一个模板扫描图像中的每一个像素，用模板确定的领域内像素的加权平均灰度值代替模板中心像素点的值，滤波后的图像记为Ifg：
Figure 703747DEST_PATH_IMAGE001
，表示中心点If(i,j)邻域内If(k,l)点的权重值。
高斯平滑后，图像上细小的噪声被去除，虽然对图像中的边缘信息有一定的削弱，但是相对噪声来说，边缘还是被保留了；背景差分算法通过提取整幅图像(500*500)的灰度值中值作为背景的灰度值，再计算图像中每个像素点灰度值与背景的差值绝对值：Isub＝|Ifg-bg|，式中bg为整幅图像的中值，已知相比于背景点与背景灰度值的差异，异物点具有更大的差一点，因此将差值的绝对值Isub看做像素点属于异物点的可能性，该值越大对应的像素点越有可能是异物点。
步骤206：参见图4，将所述经预处理的第一视角图像和第二视角图像同时输入到预先训练的孪生卷积神经网络模型中进行特征提取，获得图像特征，再将图像特征输入目标检测网络模型，得到所述安检图像即第一视角图像和第二视角图像上目标的候选预测。
所述孪生卷积神经网络是深度学习理论基础上的权值共享多层神经网络，包含两个或多个子网络的架构，子网络具有相同的网络结构、参数和权重，参数的更新是在两个或多个子网络上同时进行，共享权值可以减少训练的参数数量，提高训练效率。其中，卷积神经网络模型即CNN，英文全称为Convolutional Neural Networks。
步骤208：图像对齐，根据预设算法将步骤206中所得同一目标进行关联，获得筛选后的预测结果。
所述预设算法包括：
将第一视角图像上的目标与第二视角图像上各目标的候选预测结果进行概率匹配，同时依据安检机图像采集视角对目标在相关联侧进行尺寸（参见图5）、位置匹配，匹配度高的形成关联目标。所述位置匹配是以一件装有多件物品的快递包裹为例，从其中的多件物品中根据位置信息对不同角度所得图像中同一目标进行匹配。
步骤210：对所述筛选后的预测结果进行后处理并通过绘图渲染输出，在显示器终端多视角图像上以位置和置信度结果为内容显示。
所述后处理过程包括非极大值抑制等。
本发明消除了检测目标因放置角度、背景环境等外界因素对检出率的影响，进一步提高了智能方法的识别危险物品的准确度和检出速度，形成能够即时、准确获取被检物品中是否包含违禁品以及相关违禁品信息的高效智能安检***。
参见图6，所示的是多视角检测网络的训练过程（以双视角检测为例），主要包括以下步骤：
1.收集多视角图像集，获取图像集及对应目标标签，构建多视角训练数据集。
2.预设深度学习网络模型包含孪生网络特征提取模块、目标检测网络、对齐模块、损失计算模块。
所述孪生网络特征提取模块为孪生卷积神经网络模型；所述目标检测网络为卷积神经网络模型。
3.所述孪生网络特征提取模块和目标检测网络均可通过单视角图像及对应预设目标标签进行预训练，通过预训练获得初始网络权重。
所述预训练可以加速后续多视角训练过程，并提升网络的鲁棒性。
4.根据所述预训练步骤初始化预设深度学习网络模型，将所述多视角训练数据集输入至预设的深度学习网络模型进行训练，获得训练好的多视角目标检测模型。
所述训练过程包括：将所述经预处理的第一视角图像和第二视角图像同时输入到孪生网络模型中进行特征提取，获得图像特征，再将图像特征输入到目标检测网络模型，得到所述图像的候选预测，对齐模块根据多视角的关联关系进行概率、尺寸、位置对齐，获得筛选后的候选预测，将筛选后的预测输入损失计算模块计算损失函数，并通过梯度反传算法训练所述预设深度学习网络模型。
本说明书一个或多个实施例提供了一种物品智能检测***，包括：
获取模块，用于获取多视角安检机扫描物品得到的至少两张安检图像；
预处理模块，用于对安检图像进行预处理，处理方式包括但不限于图像归一化、去噪、背景差分、去伪影、边缘检测中的一种或多种；
孪生网络特征提取模块，用于将经预处理的图像同时输入到预先训练的孪生卷积神经网络模型中进行特征提取；
目标检测模块，用于将所述提取到的特征输入目标检测网络模型得到所述安检图像的候选预测结果；
图像对齐模块，用于不同视角图像上同一目标的关联。所述关联通过将获取的不同角度安检图像上各目标的候选预测结果进行概率、尺寸、位置匹配的方式，选取匹配度高的获得；
结果输出模块，用于输出最终检测及识别结果。
上述为本实施例的一种基于多视角安检的物品智能检测***的示意性方案。需要说明的是，该检测***的技术方案与上述的检测方法的技术方案属于同一构思，检测***的技术方案未详细描述的细节内容，均可以参见上述检测方法的技术方案的描述。
本申请一实施例还提供一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时实现如前所述检测方法的步骤。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的检测方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述检测方法的技术方案的描述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或***、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上公开的本申请优选实施例只是用于帮助阐述本申请。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本申请的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本申请。本申请仅受权利要求书及其全部范围和等效物的限制。

Claims (8)

1.一种基于多视角安检的物品智能检测方法，其特征在于，包括：
S1利用多视角安检机对物品进行安检扫描，获取包括同一目标物体的至少两张安检图像；
S2图像预处理；
S3将所述经预处理的安检图像同时输入到预设的卷积神经网络模型中进行特征提取，以及根据所述神经网络模型输出图像的图像特征，再将图像特征输入目标检测网络模型得到所述安检图像的目标区域；
S4根据预设算法将所得目标区域中同一目标进行关联；
S5输出最终检测及识别结果。
2.根据权利要求1所述的一种基于多视角安检的物品智能检测方法，其特征在于，S3中所述预设的卷积神经网络为孪生卷积神经网络，包含两个或多个子网络的架构，子网络具有相同的多层网络结构、参数和权重，参数的更新是在两个或多个子网络上同时进行；所述子网络的个数与S1中所述一次获取的安检图像的个数相同。
3.根据权利要求1所述的一种基于多视角安检的物品智能检测方法，其特征在于，S4中所述预设算法包括：
将上述一次安检所得不同视角图像上目标区域内目标进行概率匹配，同时依据安检机图像采集视角对目标在相关联侧进行尺寸匹配，匹配度高的形成关联目标。
4.根据权利要求1所述的一种基于多视角安检的物品智能检测方法，其特征在于，所述输出最终检测及识别结果涉及位置和置信度结果在多视角图像上显示。
5.一种基于多视角安检的物品智能检测***，其特征在于，包括：
获取模块，用于获取多视角安检机扫描物品得到的至少两张安检图像；
预处理模块，用于对安检图像进行预处理；
目标区域提取模块，用于将经预处理的图像同时输入到预先训练的孪生卷积神经网络模型中进行特征提取，以及根据所述神经网络模型输出图像的图像特征，再将图像特征输入目标检测网络模型得到所述安检图像的目标区域；
关联模块，用于不同视角图像上同一目标的关联；
识别模块，用于输出最终检测及识别结果。
6.根据权利要求5所述的一种基于多视角安检的物品智能检测***，其特征在于，所述***用于实现权利要求1-4任意一项所述方法。
7.一种计算设备，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指令，其特征在于，所述处理器执行所述指令时实现权利要求1-4任意一项所述方法的步骤。
8.一种计算机可读存储介质，其存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1-4任意一项所述方法的步骤。
CN201911387449.7A 2019-12-30 2019-12-30 一种物品智能检测方法及***、一种计算设备及存储介质 Pending CN110765990A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911387449.7A CN110765990A (zh) 2019-12-30 2019-12-30 一种物品智能检测方法及***、一种计算设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911387449.7A CN110765990A (zh) 2019-12-30 2019-12-30 一种物品智能检测方法及***、一种计算设备及存储介质

Publications (1)

Publication Number Publication Date
CN110765990A true CN110765990A (zh) 2020-02-07

Family

ID=69341680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911387449.7A Pending CN110765990A (zh) 2019-12-30 2019-12-30 一种物品智能检测方法及***、一种计算设备及存储介质

Country Status (1)

Country Link
CN (1) CN110765990A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111290040A (zh) * 2020-03-12 2020-06-16 安徽启新明智科技有限公司 一种基于图像识别的主动式双视角关联的方法
CN111337989A (zh) * 2020-03-20 2020-06-26 安徽启新明智科技有限公司 多级安检仪主动式双视角筛查的方法及装置
CN111399073A (zh) * 2020-03-26 2020-07-10 浙江大华技术股份有限公司 一种智能安检方法、智能安检机及计算机可读存储介质
CN111680647A (zh) * 2020-06-12 2020-09-18 中华人民共和国杭州海关 一种用于危化品检验的护目镜及其检验方法
CN111856604A (zh) * 2020-07-31 2020-10-30 李国军 门式斜角底照x光机
CN112464698A (zh) * 2020-07-27 2021-03-09 三一重工股份有限公司 物料数量变化类别识别方法及装置
CN112967289A (zh) * 2021-02-08 2021-06-15 上海西井信息科技有限公司 安检包裹匹配方法、***、设备及存储介质
CN113391776A (zh) * 2021-05-24 2021-09-14 浙江大华技术股份有限公司 物品信息显示方法、装置、电子装置和存储介质
CN114092783A (zh) * 2020-08-06 2022-02-25 清华大学 一种基于注意力机制连续视角的危险品检测方法
CN114494891A (zh) * 2022-04-15 2022-05-13 中国科学院微电子研究所 一种基于多尺度并行检测的危险品识别装置和方法
CN115049620A (zh) * 2022-06-17 2022-09-13 中轻长泰(长沙)智能科技股份有限公司 一种纸垛外观检测方法、装置、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110133741A (zh) * 2019-05-08 2019-08-16 常州大学 一种多视角匹配和跟踪的自动安检方法
CN110532886A (zh) * 2019-07-31 2019-12-03 国网江苏省电力有限公司 一种基于孪生神经网络的目标检测算法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110133741A (zh) * 2019-05-08 2019-08-16 常州大学 一种多视角匹配和跟踪的自动安检方法
CN110532886A (zh) * 2019-07-31 2019-12-03 国网江苏省电力有限公司 一种基于孪生神经网络的目标检测算法

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111290040A (zh) * 2020-03-12 2020-06-16 安徽启新明智科技有限公司 一种基于图像识别的主动式双视角关联的方法
CN111337989A (zh) * 2020-03-20 2020-06-26 安徽启新明智科技有限公司 多级安检仪主动式双视角筛查的方法及装置
CN111399073A (zh) * 2020-03-26 2020-07-10 浙江大华技术股份有限公司 一种智能安检方法、智能安检机及计算机可读存储介质
CN111680647A (zh) * 2020-06-12 2020-09-18 中华人民共和国杭州海关 一种用于危化品检验的护目镜及其检验方法
CN112464698A (zh) * 2020-07-27 2021-03-09 三一重工股份有限公司 物料数量变化类别识别方法及装置
CN111856604A (zh) * 2020-07-31 2020-10-30 李国军 门式斜角底照x光机
CN114092783A (zh) * 2020-08-06 2022-02-25 清华大学 一种基于注意力机制连续视角的危险品检测方法
CN112967289A (zh) * 2021-02-08 2021-06-15 上海西井信息科技有限公司 安检包裹匹配方法、***、设备及存储介质
CN113391776A (zh) * 2021-05-24 2021-09-14 浙江大华技术股份有限公司 物品信息显示方法、装置、电子装置和存储介质
CN114494891A (zh) * 2022-04-15 2022-05-13 中国科学院微电子研究所 一种基于多尺度并行检测的危险品识别装置和方法
CN114494891B (zh) * 2022-04-15 2022-07-22 中国科学院微电子研究所 一种基于多尺度并行检测的危险品识别装置和方法
CN115049620A (zh) * 2022-06-17 2022-09-13 中轻长泰(长沙)智能科技股份有限公司 一种纸垛外观检测方法、装置、设备及存储介质
CN115049620B (zh) * 2022-06-17 2024-03-26 中轻长泰(长沙)智能科技股份有限公司 一种纸垛外观检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN110765990A (zh) 一种物品智能检测方法及***、一种计算设备及存储介质
CN110956225B (zh) 一种违禁品检测方法及***、一种计算设备及存储介质
US11816576B2 (en) Image quality assessment using similar scenes as reference
CN109584248B (zh) 基于特征融合和稠密连接网络的红外面目标实例分割方法
EP3635617B1 (en) Systems and methods for image processing
US10013615B2 (en) Inspection methods and devices
CN107563433B (zh) 一种基于卷积神经网络的红外小目标检测方法
CN109544563B (zh) 一种面向违禁物安检的被动毫米波图像人体目标分割方法
Shakya et al. Deep learning algorithm for satellite imaging based cyclone detection
Lopez-Tapia et al. Deep CNNs for object detection using passive millimeter sensors
Smeureanu et al. Real-time deep learning method for abandoned luggage detection in video
CN111223099B (zh) 违禁品检测方法、一种计算设备及存储介质
CN108009560B (zh) 商品图像相似类别判定方法及装置
CN107292229A (zh) 一种图像识别方法和装置
Freitas et al. Convolutional neural network target detection in hyperspectral imaging for maritime surveillance
Chumuang et al. Analysis of X-ray for locating the weapon in the vehicle by using scale-invariant features transform
Rahman et al. Unmanned aerial vehicle assisted forest fire detection using deep convolutional neural network
Gonçalves et al. Using a convolutional neural network for fingerling counting: A multi-task learning approach
CN111144220B (zh) 适于大数据的人员检测方法、装置、设备和介质
US11036970B2 (en) Hybrid deep learning method for gender classification
CN111931558A (zh) 船舶类别识别方法及***
Taghipour et al. A bottom-up and top-down human visual attention approach for hyperspectral anomaly detection
CN116958615A (zh) 图片识别方法、装置、设备和介质
CN113610832A (zh) 一种徽标缺陷检测方法、装置、设备和存储介质
CN112052912A (zh) 一种消防机器人智能火焰燃烧状态识别方法

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

Application publication date: 20200207

RJ01 Rejection of invention patent application after publication