CN111861986A - 一种基于x光机图像的正负数据集双向联合智能判图方法 - Google Patents
一种基于x光机图像的正负数据集双向联合智能判图方法 Download PDFInfo
- Publication number
- CN111861986A CN111861986A CN202010520327.7A CN202010520327A CN111861986A CN 111861986 A CN111861986 A CN 111861986A CN 202010520327 A CN202010520327 A CN 202010520327A CN 111861986 A CN111861986 A CN 111861986A
- Authority
- CN
- China
- Prior art keywords
- data set
- positive
- picture
- goods
- negative
- 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 28
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
一种基于X光机图像的正负数据集双向联合智能判图方法,包括分别获取多张具有危险品和/或安全品的X光机图片,形成样本数据集,对所有样本数据集中的样本按照图片中物品的属性划分为危险品和安全品,并提取图片中各类危险品与安全品的特征信息,对应建立正数据集和负数据集。对负数据集和正数据集分别进行神经网络训练,形成负样本网络训练模型和正样本网络训练模型;获取待判断图片中物品的数据;分别输入到负样本网络训练模型和正样本网络训练模型进行目标检测,识别图片中的安全品和危险品并在图片中进行显示。本发明能够提高检出率等提供有效措施。
Description
技术领域
本发明涉及X光机图像识别领域,尤其涉及一种基于X光机图像的正负数据集双向联合智能判图方法。
背景技术
近年来,国际国内航空事件频发,安全形势日益严峻,对机场安检***的市场需求量也逐年增大。为保证旅客安全,在安检时必须能够准确识别行李包裹内的违禁物品,降低危险发生的概率。对于旅客的行李物品检查,以及航空货物的检查等,目前主要手段为使用X光机透视后产生的图像进行辨别,防止违禁物品带上飞机,所以X光机图像的识别检测方法是机场安检技术中的重要组成部分。机场安全检查对X光机图像的识别准确度和效率有很高要求,对X光机的安检员来说,仅凭肉眼人工识别,不仅自动化程度低、工作量大易疲劳,且由于危险品种类繁多,以及行李摆放角度不同,物体密度及体积不同等原因,识别过程中也非常容易判断失误,增大安检难度,对民航安全造成隐患。
在日常行李安检过程中,相较于危险品而言,常见的安全品类别和数量占据安检图像所有数据的比重更高更多,所以安检员在判图过程中,往往会首先判断所认知的安全品并予以排除,继而在剩下区域中找寻危险品,因此本发明提出一种基于X光机图像的正负数据集双向联合智能判图方法,通过危险品与安全品正负数据集双向联合对图像进行智能检测识别,避免由于危险品种类繁多且样本数据少造成的漏检和误检情况发生,从而提高X光机图像安全检查的识别准确率。
发明内容
本发明的目的是设计一种基于X光机图像的正负数据集双向联合智能判图方法,降低行李判图的误检漏检率、提高X光机图像安全检查的识别准确率。
本发明采用以下技术方案:
一种基于X光机图像的正负数据集双向联合智能判图方法,包括:
(1)分别获取多张具有危险品和/或安全品的X光机图片,形成样本数据集,对所有样本数据集中的样本按照图片中物品的属性划分为危险品和安全品,并提取图片中各类危险品与安全品的特征信息,对应建立正数据集和负数据集;所述正数据集和负数据集中的数据包括属性为危险品的所有正样本数据和属性为安全品的所有负样本数据;
(2)对负数据集和正数据集分别进行神经网络训练,形成负样本网络训练模型和正样本网络训练模型;
(3)获取待判断图片,并提取待判定图片中物品的信息;
(4)将待判断图片的信息输入负样本网络训练模型进行目标检测,识别图片中的安全品,然后将安全品在X光机输出的图像中进行显示,并将排除安全品数据后的待判断图片的数据发送至正样本网络训练模型;
(5)正样本网络训练模型对排除安全品数据后的待判断图片的数据进行目标检测,识别图片中的危险品,然后将危险品在X光机输出的图像中进行显示,并进行报警提醒,如未检测到危险品,则结束该待判断图片的判断。
所述(3)中,所述信息至少包括待判定图片中物品的特征信息和位置信息。
所述(2)中,负样本网络训练模型和正样本网络训练模型训练时,将图片中的物品类别和位置坐标作为训练时的标签,训练后的神经网络模型至少具有物品类别、位置信息和数量的检测信息。
本发明的有益效果:
本发明对危险品数据集(正数据集)和安全品数据集(负数据集)均采用神经网络学习的方法进行训练学习,检测时首先从常见安全品角度出发,对输入的 X光机图像进行常见安全品的检测筛选识别,将判别出的常见安全品予以排除,后从危险品角度出发,将排除后的图像进行二次检测即危险品检测,从而为降低行李判图的误检漏检率、提高检出率等提供有效措施。
附图说明
图1为基于X光机图像的正负样本数据集处理流程。
图2为基于X光机图像的正负数据集联合智能判图算法流程。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细说明。
应该指出,以下详细说明都是例式性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的技术含义相同。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作和/或它们的组合。
本发明提供一种基于X光机图像的正负数据集双向联合智能判图方法,该方法首先获取样本数据集,样本数据集中每个样本图片中的物品均只包括一种类型(安全品或者危险品)的物品,然后根据物品的类型,将物品划分为危险品数据集和安全品数据集,危险品数据集为正数据集,安全品数据集为负数据集。采用现有的深度学习算法对正负数据集进行深度学习训练,学习时,将数据集样本中的危险品或者安全品的图像特征信息作为训练数据,把图片上的物体类别及位置坐标作为标签,对模型进行训练,最终得到的模型将会具有计算物***置坐标及识别物体类别的能力。学习训练后分别得到正负数据集的训练模型,然后进入检测识别阶段。输入待测图像,预处理后使用训练好的模型对图像进行目标检测,识别并标注出图中常见安全品的类别、位置和数量,将常见安全品进行筛选排除后,将图像送入危险品模型进行目标检测,若检测到危险品,***通过声/光报警,进行安全隐患排查,若未检测到,则图像过检,输入下一幅待测图像。
具体来说,本发明的一种基于X光机图像的正负数据集双向联合智能判图方法,包括以下步骤:
步骤1:首先建立样本数据集。所述的样本数据集从事先拍摄好的X光图片中获取,每个X光图片中可仅包含安全品或者可仅包含危险品或者安全品和危险品均包括,然后对每个X光图片中的危险品和安全品进行特征提取分别,获取危险品和安全品的特征信息和位置信息并对应存储,将每张X光图片中的物品根据所属类别相应地划分为危险品或者安全品,然后对样本数据集建立对应的正数据集和负数据集;所述数据集中的数据包括属性为危险品的所有正样本数据和属性为安全品的所有负样本数据。
该步骤中,可对作为样本数据集的X光机图片通过现有的图像处理算法(例如图像增强算法、现有的图像降噪算法、现有的边缘提取算法)进行处理,使图像中的物品更加清晰,且处理过程中可提取物品的特征信息,然后与每个图片进行对应存储,最终处理好的X光机图片为分别标注好安全品和危险品的图片,剩余的背景信息不关注,且安全品和危险品的特征信息、位置信息、标签(即危险品还是安全品)均对应存储。上述中,危险品或者安全品的特征信息可包括物品的轮廓特征,而提取物品轮廓特征的图像处理算法为现有非常常见的算法,本发明中不再具体陈述;危险品或者安全品的位置信息可以设定为图片中的位置。
步骤2:对负数据集和正数据集分别进行神经网络训练,形成负样本网络训练模型和正样本网络训练模型。所述的神经网络训练方法采用现有的方法,本发明并不对其方法本身进行改进,因此不再具体陈述;
步骤3:获取待判断图片,并对图片进行预处理,获取图片中物品的信息,所述物品的信息至少包括特征信息和位置信息;
步骤4:将待判断图片的信息输入负样本网络训练模型进行目标检测,识别图片中的安全品,然后将安全品在X光机输出的图像中的相应位置进行显示,并将排除安全品数据后的待判断图片的数据发送至正样本网络训练模型;
步骤5:正样本网络训练模型对排除安全品数据后的待判断图片的信息进行目标检测,识别图片中的危险品,然后将危险品在X光机输出的图像中进行显示,并进行报警提醒,如未检测到危险品,则结束该待判断图片的判断;
所述步骤2中,负样本网络训练模型和正样本网络训练模型训练时,训练数据为安全品或者危险品的特征信息,将图片中的物品类别和位置坐标作为训练时的标签,训练后的神经网络模型具有物品类别、位置坐标和数量的检测信息。
下面以图1~2的实施例具体说明本发明的正负样本数据集处理流程。
STEP-1:将所有的样本数据集中物品按危险品与安全品的区别划分为正数据集DateSetPositive和负数据集DateSetNegative,此时的样本数据集仅仅图片中的物品的属性划分,并未对其进行处理;
STEP-2:将STEP-1中DateSetPositive和DateSetNegative中的物品进行图像预处理,目的为后续学习和训练以及检测等过程提供清晰的图像及特征信息,可采用增强、降噪、边缘提取等方法操作处理。
STEP-3:对正、负数据集分别进行深度学习。该阶段是离线训练阶段,将预处理后的DateSetPositive和DateSetNegative进行卷积神经网络设计、网络训练及模型优化,物体类别及位置坐标作为训练时的标签,分别获取正样本网络训练模型 ModelPositive和负样本网络训练模型ModelNegative,模型具备目标类别class、位置 position和数量number的检测信息。以上为正负样本数据集的处理流程。
在图1完成的基础上,进入基于X光机图像的正负数据集联合智能判图流程,如图2所示。
STEP-1:输入待检测图像imagetest,对待测图像进行相应预处理。
STEP-2:imagetest输入ModelNegative进行目标检测,识别图像中的常见安全品,将检测出的常见安全品在图像中输出显示 (ClassNegative,PositionNegative,NumberNegative),筛选排除后的图像image′test进入STEP- 3。
STEP-3:image′test输入ModelPositive进行目标检测,识别常见安全品排除后的图像,将检测出的危险品输出显示(ClassPositive,PositionPositive,NumberPositive)并通过声/光报警进行安全隐患排查,若未检测到危险品,则图像安全过检,此时输入新的待测图像重新进入STEP-1重复该过程。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (3)
1.一种基于X光机图像的正负数据集双向联合智能判图方法,其特征在于,包括:
(1)分别获取多张具有危险品和/或安全品的X光机图片,形成样本数据集,对所有样本数据集中的样本按照图片中物品的属性划分为危险品和安全品,并提取图片中各类危险品与安全品的特征信息,对应建立正数据集和负数据集;所述正数据集和负数据集中的数据包括属性为危险品的所有正样本数据和属性为安全品的所有负样本数据;
(2)对负数据集和正数据集分别进行神经网络训练,形成负样本网络训练模型和正样本网络训练模型;
(3)获取待判断图片,并提取待判定图片中物品的信息;
(4)将待判断图片的信息输入负样本网络训练模型进行目标检测,识别图片中的安全品,然后将安全品在X光机输出的图像中进行显示,并将排除安全品数据后的待判断图片的数据发送至正样本网络训练模型;
(5)正样本网络训练模型对排除安全品数据后的待判断图片的数据进行目标检测,识别图片中的危险品,然后将危险品在X光机输出的图像中进行显示,并进行报警提醒,如未检测到危险品,则结束该待判断图片的判断。
2.根据权利要求1所述的一种基于X光机图像的正负数据集双向联合智能判图方法,其特征在于:
所述(3)中,所述信息至少包括待判定图片中物品的特征信息和位置信息。
3.根据权利要求1所述的一种基于X光机图像的正负数据集双向联合智能判图方法,其特征在于:
所述(2)中,负样本网络训练模型和正样本网络训练模型训练时,将图片中的物品类别和位置坐标作为训练时的标签,训练后的神经网络模型至少具有物品类别、位置信息和数量的检测信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010520327.7A CN111861986A (zh) | 2020-06-09 | 2020-06-09 | 一种基于x光机图像的正负数据集双向联合智能判图方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010520327.7A CN111861986A (zh) | 2020-06-09 | 2020-06-09 | 一种基于x光机图像的正负数据集双向联合智能判图方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111861986A true CN111861986A (zh) | 2020-10-30 |
Family
ID=72986312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010520327.7A Pending CN111861986A (zh) | 2020-06-09 | 2020-06-09 | 一种基于x光机图像的正负数据集双向联合智能判图方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861986A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875805A (zh) * | 2018-05-31 | 2018-11-23 | 北京迈格斯智能科技有限公司 | 基于深度学习的利用检测识别一体化提高检测精度的方法 |
CN109001833A (zh) * | 2018-06-22 | 2018-12-14 | 天和防务技术(北京)有限公司 | 一种基于深度学习的太赫兹危险品检测方法 |
CN110458166A (zh) * | 2019-08-19 | 2019-11-15 | 广东工业大学 | 一种基于可变形卷积的危险品检测方法、装置及设备 |
-
2020
- 2020-06-09 CN CN202010520327.7A patent/CN111861986A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875805A (zh) * | 2018-05-31 | 2018-11-23 | 北京迈格斯智能科技有限公司 | 基于深度学习的利用检测识别一体化提高检测精度的方法 |
CN109001833A (zh) * | 2018-06-22 | 2018-12-14 | 天和防务技术(北京)有限公司 | 一种基于深度学习的太赫兹危险品检测方法 |
CN110458166A (zh) * | 2019-08-19 | 2019-11-15 | 广东工业大学 | 一种基于可变形卷积的危险品检测方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765412B (zh) | 一种带钢表面缺陷分类方法 | |
CN111080622B (zh) | 神经网络训练方法、工件表面缺陷分类与检测方法及装置 | |
CN111693534B (zh) | 表面缺陷的检测方法、模型训练方法、装置、设备和介质 | |
CN109685780B (zh) | 一种基于卷积神经网络的零售商品识别方法 | |
CN110711718A (zh) | 基于x光图像的快递包裹智能分拣***、方法及存储介质 | |
CN105809091B (zh) | 检查方法和*** | |
CN113792826B (zh) | 基于神经网络和多源数据的双视角关联安检方法及*** | |
EP3373246A1 (en) | Inspection apparatuses and methods for segmenting an image of a vehicle | |
CN111368696A (zh) | 基于视觉协同的危化品运输车违规驾驶行为检测方法及*** | |
CN110751079A (zh) | 物品检测方法、装置、***和计算机可读存储介质 | |
CN112712093B (zh) | 安检图像识别方法、装置、电子设备及存储介质 | |
CN110992305A (zh) | 基于深度学习和多目标跟踪技术的包裹计数方法及*** | |
CN111680729A (zh) | 基于x光机图像机场旅客安检危险品实时高识别率方法 | |
WO2017107533A1 (zh) | 一种电子元件样本标注方法及装置 | |
CN109726730A (zh) | 自动光学检测图像分类方法、***及计算机可读介质 | |
CN111179250A (zh) | 一种基于多任务学习的工业品缺陷检测*** | |
CN111767902A (zh) | 安检机危险品的识别方法、装置、设备及存储介质 | |
CN110910363A (zh) | 基于机器视觉和深度学习的虚焊检测方法、***及介质 | |
KR20210122429A (ko) | 영상 딥러닝을 이용한 ai 기반 화장품 용기 인쇄 제조 공정에서의 자동 결함 탐지 방법 및 시스템 | |
CN103258218A (zh) | 蒙版检测框架生成方法、装置、缺陷检测方法及装置 | |
CN111523488A (zh) | 厨房工作人员行为实时监控方法 | |
CN206897873U (zh) | 一种基于检测产品特性的图像处理与检测*** | |
CN111861986A (zh) | 一种基于x光机图像的正负数据集双向联合智能判图方法 | |
Bhutta et al. | Smart-inspect: micro scale localization and classification of smartphone glass defects for industrial automation | |
CN114998357B (zh) | 基于多信息分析的工业检测方法、***、终端和介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201030 |