CN111767902A - 安检机危险品的识别方法、装置、设备及存储介质 - Google Patents
安检机危险品的识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111767902A CN111767902A CN202010755792.9A CN202010755792A CN111767902A CN 111767902 A CN111767902 A CN 111767902A CN 202010755792 A CN202010755792 A CN 202010755792A CN 111767902 A CN111767902 A CN 111767902A
- Authority
- CN
- China
- Prior art keywords
- article
- identified
- image
- dangerous
- identification result
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000007689 inspection Methods 0.000 claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000004590 computer program Methods 0.000 claims description 14
- 231100001261 hazardous Toxicity 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000013056 hazardous product Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 description 7
- 239000000383 hazardous chemical Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F18/24—Classification techniques
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
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)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及一种安检机危险品的识别方法、装置、设备及存储介质,该方法包括:获取安检机发送的待识别物品图像;利用卷积网络算法对待识别物品图像进行识别,判断待识别物品图像对应的物品是否为危险品,得到识别结果;若物品是否为危险品,根据预设目标检测模型确定危险品的具***置;将识别结果及具***置返回安检机。采用上述方法或装置或设备极大地提高了快递安检效率及准确率,实现了智能危险品识别功能。
Description
技术领域
本发明涉及快递安检技术领域,具体涉及一种安检机危险品的识别方法、装置、设备及存储介质。
背景技术
随着电商平台的发展,快件总量高速增长,根据国家邮政规定需要对每一个快递进行验视。这需要大量有经验的安检员和安检机,对传统的依靠人工盯着安检机查看快递的工作方式带来了巨大的挑战,特别是重要节假日这一问题更加突出,而培养一个熟练的安检员需要5-6个月时间,因此无法在短期内培训出大量熟练的安检员进而会引发连锁的雪崩效应。而面对日益增长的快递量现有的人工处理方式无异于杯水车薪。
发明内容
有鉴于此,本发明的目的在于克服现有技术的不足,提供一种安检机危险品的识别方法、装置、设备及存储介质。
为实现以上目的,本发明采用如下技术方案:
一种安检机危险品的识别方法,包括:
获取安检机发送的待识别物品图像;
利用卷积网络算法对所述待识别物品图像进行识别,判断所述待识别物品图像对应的物品是否为危险品,得到识别结果;
若所述物品是否为危险品,根据预设目标检测模型确定所述危险品的具***置;
将所述识别结果及所述具***置返回安检机。
可选的,所述利用卷积网络算法对所述待识别物品图像进行识别,判断所述待识别物品图像对应的物品是否为危险品,得到识别结果,包括:
利用设定种类的卷积网络算法对所述待识别物品图像进行识别,得到设定种类的初步识别结果;
根据预设识别标准对所有的所述初步识别结果进行统计,得到最终的识别结果。
可选的,所述设定种类为三种;所述卷积网络算法包括密集卷积网络算法、残差网络算法和高效轻量卷积网络算法;
所述利用设定种类的卷积网络算法对所述待识别物品图像进行识别,得到设定种类的初步识别结果,包括:
利用所述密集卷积网络算法对所述待识别物品图像进行识别,得到第一初步识别结果;
利用所述残差网络算法对所述待识别物品图像进行识别,得到第二初步识别结果;
利用所述高效轻量卷积网络算法对所述待识别物品图像进行识别,得到第三初步识别结果;
所述第一初步识别结果、所述第二初步识别结果和所述第三初步识别结果构成所述初步识别结果。
可选的,所述根据预设识别标准对所有的所述初步识别结果进行统计,得到最终的识别结果,包括:
分别判断所述第一初步识别结果、所述第二初步识别结果和所述第三初步识别结果是否为危险品;
若至少两个识别结果为危险品,则确定最终的所述识别结果为危险品。
可选的,所述根据预设目标检测模型确定所述危险品的具***置,包括:
利用所述预设目标检测模型对所述待识别物品图像中的物品进行区分及位置确定,得到多个检测目标;
对所述检查目标进行种类识别,确定所述危险品的种类及具***置。
可选的,还包括:
在所述待识别图片图像中的所述具***置处用设定方式标注所述危险品。
可选的,所述获取安检机发送的待识别物品图像,包括:
接收安检机发送的初始检测图像;
对所述初始检测图像进行格式预处理,得到所述待识别物品图像。
一种安检机危险品的识别装置,包括:
图像获取模块,用于获取安检机发送的待识别物品图像;
危险品识别模块,用于利用卷积网络算法对所述待识别物品图像进行识别,判断所述待识别物品图像对应的物品是否为危险品,得到识别结果;
位置识别模块,用于若所述物品是否为危险品,根据预设目标检测模型确定所述危险品的具***置;
信息返回模块,用于将所述识别结果及所述具***置返回安检机。
一种安检机危险品的识别设备,包括:
处理器,及与所述处理器相连接的存储器;
所述存储器用于存储计算机程序,所述计算机程序至少用于执行上述所述的安检机危险品的识别方法;
所述处理器用于调用并执行所述存储器中的所述计算机程序。
一种存储介质,所述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,实现如上述所述的安检机危险品的识别方法中各个步骤。
本申请提供的技术方案可以包括以下有益效果:
本申请中公开了一种安检机危险品的识别方法,包括:获取安检机发送的待识别物品图像;利用卷积网络算法对待识别物品图像进行识别,判断待识别物品图像对应的物品是否为危险品,得到识别结果;若物品是否为危险品,根据预设目标检测模型确定危险品的具***置;将识别结果及具***置返回安检机。上述方法中采用图像分类和目标检测技术,对危险品进行识别,并确定危险品位置,同时在识别过程中无需借助人工进行主观判断,全程由设备进行危险品识别判断,以此极大地提高了快递物品的安检效率及准确率,大大减轻了安检员的工作量。
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是本发明一实施例提供的安检机危险品的识别方法的流程图;
图2是本发明一实施例提供的安检机危险品的识别装置的模块图;
图3是本发明一实施例提供的安检机危险品的识别设备的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
图1是本发明一实施例提供的安检机危险品的识别方法的流程图。参见图1,一种安检机危险品的识别方法,包括:
步骤101:获取安检机发送的待识别物品图像。其中,待识别物品图像的具体获取过程如下:接收安检机发送的初始检测图像;对初始检测图像进行格式预处理,得到待识别物品图像。
在实际应用中,当快递物品经过安检机时,安检机回生成对应的物品图像信息,为了得到物品图像信息,需要在安检机上安装有相应的程序,例如桌面截取程序,通过安装在安检机上的桌面截取程序,实时上传经过安检机的物品图像信息,即初始检测图像。然后对初始检测图像使用常规的图像处理方法,例如放缩、调整比对度等,将初始检测图像处理为符合本申请中模型识别的图片,即待识别物品图像。
步骤102:利用卷积网络算法对待识别物品图像进行识别,判断待识别物品图像对应的物品是否为危险品,得到识别结果。
其中,具体的识别过程如下:利用设定种类的卷积网络算法对待识别物品图像进行识别,得到设定种类的初步识别结果;根据预设识别标准对所有的初步识别结果进行统计,得到最终的识别结果。此处的设定种类为至少两种,具体种类数量并不固定,具体视情况而定。
本实施例中的设定种类为三种,该卷积网络算法包括:密集卷积网络算法(DenseNet)、残差网络算法(ResNet)和高效轻量卷积网络算法(EffNet)。通过分类神经网络的卷积算法进行危险品分类的具体过程如下:利用DenseNet网络算法对待识别物品图像进行识别,得到第一初步识别结果;利用ResNet网络算法对待识别物品图像进行识别,得到第二初步识别结果;利用EffNet网络算法对待识别物品图像进行识别,得到第三初步识别结果;然后这三种识别结构构成初步识别结果。
得到初步识别结果后,对初步识别结果中的三种识别结果分别进行判断,当三种识别结果中有两种识别结果相同时,则最终的识别结果则与这两种识别结果相同。例如:当第一初步识别结果为该物品为危险品,第二初步识别结果为该物品为危险品,第三初步识别结果为该物品为安全品,此时第一初步识别结果和第二初步识别结果相同,则判定该物品为危险品;或者当第一初步识别结果为该物品为危险品,第二初步识别结果为该物品为安全品,第三初步识别结果为该物品为安全品,此时第二初步识别结果和第三初步识别结果相同,则判定该物品为安全品。
当识别结果显示该物品为危险品时,执行步骤103,否则保存该物品相关信息及识别结果,并返回此识别结果至服务器。此处的识别结果为此物品为安全品。
步骤103:若物品是否为危险品,根据预设目标检测模型确定危险品的具***置。具体的:利用预设目标检测模型对待识别物品图像中的物品进行区分及位置确定,得到多个检测目标;对检查目标进行种类识别,确定危险品的种类及具***置。
本实施例中采用yolov3目标检测模型进行位置识别,当识别出含有危险品的图像中的危险品的具***置后,在对应图像中用方框圈出对应的危险品。需要注意的是,此处的危险品的标注方式并不固定,不仅仅局限于方框圈出危险品,还可以通过其他标注方式标注,例如可以用不同颜色突出危险品,或用文字标签标注危险品,具体方式视情况而定。
步骤104:将识别结果及具***置返回安检机。将失败结果及具***置返给安检机后,安检员可在服务器端查看该识别结果及具***置,同时存储相应的图像及对应的识别结果,以进行纠正和添加新的危险品图片,让机器自主学习。
现举例详细介绍本实施例中的识别方法,如下:
现有一个刀具的快递物品包裹进行安检,当该刀具包裹进入安检机后,安检机生成对应的刀具图像,然后将该刀具图像发送至服务器进行识别。服务器接收到该刀具图像后,利用DenseNet、ResNet和EffNet网络算法对该刀具图像分别进行物品识别,其中三种算法均识别该物品为危险品,此时则判定此刀具图像对应的物品为危险品。然后利用yolov3目标检测模型对该包裹中的刀具进行位置定位,确定该刀具位于包裹中的中下部的位置,并在刀具图像中圈出对应的刀具位置,将该结果返回给安检机,提醒安检员此物品为危险品。
上述识别方法采用人工智能的相关模型使安检机智能化,减少了对人的依赖,并且可以在最短的时间内学习和记忆新的危险品种类。极大地提高了快递包裹的安检效率,同时通过三种网络算法对包裹物品进行识别,保证了物品识别的准确性,极大地提高了安检的准确率。
对应于本发明实施例提供的一种安检机危险品的识别方法,本发明实施例还提供一种安检机危险品的识别装置。请参见下文实施例。
图2是本发明一实施例提供的安检机危险品的识别装置的模块图。参见图2,一种安检机危险品的识别装置,包括:
图像获取模块201,用于获取安检机发送的待识别物品图像;
危险品识别模块202,用于利用卷积网络算法对待识别物品图像进行识别,判断待识别物品图像对应的物品是否为危险品,得到识别结果;
位置识别模块203,用于若物品是否为危险品,根据预设目标检测模型确定危险品的具***置;
信息返回模块204,用于将识别结果及具***置返回安检机。
更详细地,危险品识别模块202具体用于利用设定种类的卷积网络算法对待识别物品图像进行识别,得到设定种类的初步识别结果;根据预设识别标准对所有的初步识别结果进行统计,得到最终的识别结果。
位置识别模块203具体用于利用预设目标检测模型对待识别物品图像中的物品进行区分及位置确定,得到多个检测目标;对检查目标进行种类识别,确定危险品的种类及具***置。
采用上述识别装置极大地提高了安检效率,降低了安检员的工作量,同时亦能提高安检准确率,确保了包裹的安全性。
为了更清楚地介绍实现本发明实施例的硬件***,对应于本发明实施例提供的一种安检机危险品的识别方法,本发明实施例还提供一种安检机危险品的识别设备。请参见下文实施例。
图3是本发明一实施例提供的安检机危险品的识别设备的结构图。参见图3,一种安检机危险品的识别设备,包括:
处理器301,及与处理器301相连接的存储器302;
存储器302用于存储计算机程序,计算机程序至少用于执行上述所述的安检机危险品的识别方法;处理器301用于调用并执行存储器302中的计算机程序。
在上述设备的基础上,本申请还公开了一种存储介质,该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,实现如上述所述的安检机危险品的识别方法中各个步骤。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
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。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种安检机危险品的识别方法,其特征在于,包括:
获取安检机发送的待识别物品图像;
利用卷积网络算法对所述待识别物品图像进行识别,判断所述待识别物品图像对应的物品是否为危险品,得到识别结果;
若所述物品是否为危险品,根据预设目标检测模型确定所述危险品的具***置;
将所述识别结果及所述具***置返回安检机。
2.根据权利要求1所述的方法,其特征在于,所述利用卷积网络算法对所述待识别物品图像进行识别,判断所述待识别物品图像对应的物品是否为危险品,得到识别结果,包括:
利用设定种类的卷积网络算法对所述待识别物品图像进行识别,得到设定种类的初步识别结果;
根据预设识别标准对所有的所述初步识别结果进行统计,得到最终的识别结果。
3.根据权利要求2所述的方法,其特征在于,所述设定种类为三种;所述卷积网络算法包括密集卷积网络算法、残差网络算法和高效轻量卷积网络算法;
所述利用设定种类的卷积网络算法对所述待识别物品图像进行识别,得到设定种类的初步识别结果,包括:
利用所述密集卷积网络算法对所述待识别物品图像进行识别,得到第一初步识别结果;
利用所述残差网络算法对所述待识别物品图像进行识别,得到第二初步识别结果;
利用所述高效轻量卷积网络算法对所述待识别物品图像进行识别,得到第三初步识别结果;
所述第一初步识别结果、所述第二初步识别结果和所述第三初步识别结果构成所述初步识别结果。
4.根据权利要求3所述的方法,其特征在于,所述根据预设识别标准对所有的所述初步识别结果进行统计,得到最终的识别结果,包括:
分别判断所述第一初步识别结果、所述第二初步识别结果和所述第三初步识别结果是否为危险品;
若至少两个识别结果为危险品,则确定最终的所述识别结果为危险品。
5.根据权利要求1所述的方法,其特征在于,所述根据预设目标检测模型确定所述危险品的具***置,包括:
利用所述预设目标检测模型对所述待识别物品图像中的物品进行区分及位置确定,得到多个检测目标;
对所述检查目标进行种类识别,确定所述危险品的种类及具***置。
6.根据权利要求5所述的方法,其特征在于,还包括:
在所述待识别图片图像中的所述具***置处用设定方式标注所述危险品。
7.根据权利要求1所述的方法,其特征在于,所述获取安检机发送的待识别物品图像,包括:
接收安检机发送的初始检测图像;
对所述初始检测图像进行格式预处理,得到所述待识别物品图像。
8.一种安检机危险品的识别装置,其特征在于,包括:
图像获取模块,用于获取安检机发送的待识别物品图像;
危险品识别模块,用于利用卷积网络算法对所述待识别物品图像进行识别,判断所述待识别物品图像对应的物品是否为危险品,得到识别结果;
位置识别模块,用于若所述物品是否为危险品,根据预设目标检测模型确定所述危险品的具***置;
信息返回模块,用于将所述识别结果及所述具***置返回安检机。
9.一种安检机危险品的识别设备,其特征在于,包括:
处理器,及与所述处理器相连接的存储器;
所述存储器用于存储计算机程序,所述计算机程序至少用于执行权利要求1-7任一项所述的安检机危险品的识别方法;
所述处理器用于调用并执行所述存储器中的所述计算机程序。
10.一种存储介质,其特征在于,所述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,实现如权利要求1-7任一项所述的安检机危险品的识别方法中各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010755792.9A CN111767902A (zh) | 2020-07-31 | 2020-07-31 | 安检机危险品的识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010755792.9A CN111767902A (zh) | 2020-07-31 | 2020-07-31 | 安检机危险品的识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111767902A true CN111767902A (zh) | 2020-10-13 |
Family
ID=72727944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010755792.9A Pending CN111767902A (zh) | 2020-07-31 | 2020-07-31 | 安检机危险品的识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111767902A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159110A (zh) * | 2021-03-05 | 2021-07-23 | 安徽启新明智科技有限公司 | 一种基于x射线液体智能检测方法 |
CN113341474A (zh) * | 2021-05-31 | 2021-09-03 | 上海英曼尼安全装备有限公司 | 一种辅助判别危险品方法和装置 |
CN114037939A (zh) * | 2021-11-11 | 2022-02-11 | 中国铁路设计集团有限公司 | 一种危险品识别方法、识别装置、电子设备及存储介质 |
CN117112816A (zh) * | 2023-10-20 | 2023-11-24 | 浙江啄云智能科技有限公司 | 安检图像的排序方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846419A (zh) * | 2018-05-25 | 2018-11-20 | 平安科技(深圳)有限公司 | 单页高负载图像识别方法、装置、计算机设备及存储介质 |
CN110163191A (zh) * | 2019-06-17 | 2019-08-23 | 北京航星机器制造有限公司 | 一种危险品智能识别方法、***及危险品安检*** |
JP2019152673A (ja) * | 2019-04-26 | 2019-09-12 | 株式会社寺岡精工 | 検査装置 |
CN110427898A (zh) * | 2019-08-07 | 2019-11-08 | 广东工业大学 | 包裹安检识别方法、***、装置及计算机可读存储介质 |
-
2020
- 2020-07-31 CN CN202010755792.9A patent/CN111767902A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846419A (zh) * | 2018-05-25 | 2018-11-20 | 平安科技(深圳)有限公司 | 单页高负载图像识别方法、装置、计算机设备及存储介质 |
JP2019152673A (ja) * | 2019-04-26 | 2019-09-12 | 株式会社寺岡精工 | 検査装置 |
CN110163191A (zh) * | 2019-06-17 | 2019-08-23 | 北京航星机器制造有限公司 | 一种危险品智能识别方法、***及危险品安检*** |
CN110427898A (zh) * | 2019-08-07 | 2019-11-08 | 广东工业大学 | 包裹安检识别方法、***、装置及计算机可读存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159110A (zh) * | 2021-03-05 | 2021-07-23 | 安徽启新明智科技有限公司 | 一种基于x射线液体智能检测方法 |
CN113341474A (zh) * | 2021-05-31 | 2021-09-03 | 上海英曼尼安全装备有限公司 | 一种辅助判别危险品方法和装置 |
CN114037939A (zh) * | 2021-11-11 | 2022-02-11 | 中国铁路设计集团有限公司 | 一种危险品识别方法、识别装置、电子设备及存储介质 |
CN117112816A (zh) * | 2023-10-20 | 2023-11-24 | 浙江啄云智能科技有限公司 | 安检图像的排序方法、装置、设备及存储介质 |
CN117112816B (zh) * | 2023-10-20 | 2024-02-02 | 浙江啄云智能科技有限公司 | 安检图像的排序方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111767902A (zh) | 安检机危险品的识别方法、装置、设备及存储介质 | |
CN109583535B (zh) | 一种基于视觉的物流条形码检测方法、可读存储介质 | |
CN107617573A (zh) | 一种基于多任务深度学习的物流编码识别和分拣方法 | |
CN111597857B (zh) | 一种物流包裹检测方法、装置、设备及可读存储介质 | |
CN105809091B (zh) | 检查方法和*** | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
JP6863326B2 (ja) | 選別支援装置、選別支援システム、選別支援方法及びプログラム | |
JP2018512567A5 (zh) | ||
CN110348293B (zh) | 一种商品识别方法及*** | |
CN103198705A (zh) | 车位状态自动检测方法 | |
CN111428682B (zh) | 快件分拣方法、装置、设备及存储介质 | |
US11810064B2 (en) | Method(s) and system(s) for vehicular cargo management | |
CN112712093A (zh) | 安检图像识别方法、装置、电子设备及存储介质 | |
CN111062252B (zh) | 一种实时危险物品语义分割方法、装置及存储装置 | |
CN112464785A (zh) | 一种目标检测方法、装置、计算机设备及存储介质 | |
CN116934195A (zh) | 一种商品信息查验方法、装置、电子设备及存储介质 | |
CN117622757A (zh) | 网格式物流仓分拣信息处理方法、***和存储介质 | |
CN111842187A (zh) | 一种快递安检机、安检方法、装置及其*** | |
KR102619659B1 (ko) | 택배화물 취급 자동화를 위한 화물정보 인식 장치 및 방법 | |
US11954903B2 (en) | System and method for automatically recognizing delivery point information | |
CN115138596A (zh) | 一种视觉检测的方法及装置 | |
CN108122081A (zh) | 机器人及其库存管理方法 | |
Sarkar et al. | Fault identification on cigarette packets-an image processing approach | |
CN114758259B (zh) | 一种基于x光物体图像识别的包裹检测方法及*** | |
CN111401104B (zh) | 分类模型的训练方法、分类方法、装置、设备及存储介质 |
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 |