CN113139950B - 一种目标对象识别的方法及装置 - Google Patents
一种目标对象识别的方法及装置 Download PDFInfo
- Publication number
- CN113139950B CN113139950B CN202110501793.5A CN202110501793A CN113139950B CN 113139950 B CN113139950 B CN 113139950B CN 202110501793 A CN202110501793 A CN 202110501793A CN 113139950 B CN113139950 B CN 113139950B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- target object
- judging
- fragments
- 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 44
- 239000012634 fragment Substances 0.000 claims abstract description 66
- 238000001514 detection method Methods 0.000 claims description 47
- 238000007689 inspection Methods 0.000 claims description 26
- 230000008030 elimination Effects 0.000 claims description 17
- 238000003379 elimination reaction Methods 0.000 claims description 17
- 238000003709 image segmentation Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 22
- 238000004458 analytical method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种目标对象识别的方法及装置，其中所述方法包括：接收X射线设备发送的图像分片，所述图像分片的图像扫描线的数量少于第一预设阈值；在预设缓冲区存储所述图像分片，并将图像分片发送至目标判图设备，由所述目标判图设备显示所述图像分片；当预设缓冲区中存储的图像分片的数量达到第二预设阈值时，将存储的所述图像分片拼接成目标图像；对所述目标图像进行目标对象识别。这样判图员可以根据图像分片进行判图，而无需等待整个图像出现后再进行判图，增加了人工判图的时间，提高了判图的效率和准确率。且当服务器对图像完成识别以后，判图设备那一侧的图像也已经显示完整，判图员已经完成了判图，实现图像识别与判图的同步进行。
Description
技术领域
本申请实施例涉及数据处理技术，尤其涉及一种目标对象识别的方法及装置。
背景技术
X光安检机已被广泛应用于交通、物流等领域，社会的高速发展对安检速度和精确度的需求越来越高。
现有在轨道交通领域使用的X射线检查设备，在远程集中判图时，一般X光机扫描完一个包裹，现场判图端出现一个包裹图像后，如果配备智能识图仪，智能识图仪的视频采集卡将抓取现场判图端的视频接口的图像、并传送到识图仪的AI模块，AI模块完成智能识图后再将整个图片推送到远程判图端。而由于X光机扫描、智能识图仪AI识图(如果配备)、现场判图端(如果配备现场判图)、远程判图端是串行工作的，会给远程判图端的判图员在视觉上造成明显的顿挫感。且在包裹图像到达判图端之前，判图员要么是对着空白的屏幕，要么是上一张图的屏幕，不能对正在扫描的包裹进行判图，而当当前包裹图像到达判图端进行显示时，留给判图员的时间又太短了，加剧了人工判图的时间紧迫感。
发明内容
本申请提供一种目标对象识别的方法及装置，以解决现有技术中包裹图像出现时给判图员视觉上产生顿挫感以及加剧了人工判图的时间紧迫感的问题。
第一方面，本申请实施例提供了一种目标对象识别的方法，所述方法包括：
接收X射线设备发送的图像分片，所述图像分片的图像扫描线的数量少于第一预设阈值；
在预设缓冲区存储所述图像分片，并将所述图像分片发送至目标判图设备，由所述目标判图设备显示所述图像分片；
当所述预设缓冲区中存储的图像分片的数量达到第二预设阈值时，将存储的所述图像分片拼接成目标图像；
对所述目标图像进行目标对象识别。
可选地，所述方法还包括：
获取所述目标对象识别的识别结果；
将所述识别结果发送至所述目标判图设备中，由所述目标判图设备在显示的图像中显示所述识别结果。
可选地，所述方法还包括：
当根据所述识别结果判定所述目标对象为指定告警对象时，生成告警标记；
将所述告警标记发送至所述目标判图设备中，由所述目标判图设备在显示的图像中显示所述告警标记，并发出告警信号。
可选地，所述将所述图像分片发送至目标判图设备，包括：
按照负载均衡规则从多台候选判图设备中确定目标判图设备；
将所述图像分片发送至所述目标判图设备，其中，所述预设缓冲区中识别出的属于同一目标对象的图像分片均分配至同一目标判图设备中。
可选地，所述对所述目标图像进行目标对象识别，包括：
判断所述目标图像是否为空白图像；
若所述目标图像不为空白图像，则对所述目标图像进行连通域检测，以获得一个或多个目标连通域；
根据所述一个或多个目标连通域将所述目标图像分割成图像小片集合；
对所述图像小片集合中各图像小片分别进行去干扰处理；
分别将去干扰后的各图像小片输入至预先生成的目标检测模型中，并获得所述目标检测模型针对各图像小片输出的目标对象的检测结果。
可选地，所述对所述目标图像进行目标对象识别，还包括：
根据所述检测结果，判断各目标连通域是否存在漏检。
可选地，在所述对所述目标图像进行目标对象识别之后，所述方法还包括：
判断检测出的目标对象为完整的目标对象或不完整的目标对象；
当判定所述目标图像包含不完整的目标对象时，确定所述不完整的目标对象的左边界；
根据所述不完整的目标对象的左边界，往左回溯第三预设阈值的图像扫描线，得到所述不完整的目标对象的左边界信息；
将所述不完整的目标对象的左边界信息为起始边界的右部分的扫描线作为该目标对象的图像分片；
将所述不完整的目标对象的图像分片分配至下一个确定的目标判图设备中。
第二方面，本申请实施例还提供了一种目标对象识别的装置，所述装置包括：
图像分片接收模块，用于接收X射线设备发送的图像分片，所述图像分片的图像扫描线的数量少于第一预设阈值；
图像分片发送模块，用于在预设缓冲区存储所述图像分片，并将所述图像分片发送至目标判图设备，由所述目标判图设备显示所述图像分片；
图像拼接模块，用于当所述预设缓冲区中存储的图像分片的数量达到第二预设阈值时，将存储的所述图像分片拼接成目标图像；
图像识别模块，用于对所述目标图像进行目标对象识别。
第三方面，本申请实施例还提供了一种安检设备，所述安检设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述第一方面的方法。
第四方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面的方法。
本申请所提供的技术方案，具有如下有益效果：
在本实施例中，X射线设备传送的图像分片为图像扫描线的数量少于第一预设阈值的图像分片，服务器在接收到该图像分片以后，在预设缓冲区存储该图像分片的同时，还可以将该图像分片发送至目标判图设备中进行显示，这样判图员可以根据图像分片进行判图，而无需等待整个图像出现后再进行判图，增加了人工判图的时间，提高了判图的效率和准确率。
另外，当服务器中的预设缓冲区中存储的图像分片的数量达到第二预设阈值时，服务器还可以将存储的图像分片拼接成目标图像，并对目标图像进行目标对象识别，这样，当服务器对图像完成识别以后，判图设备那一侧的图像也已经显示完整，判图员已经完成了判图，从而实现了图像识别与判图的同步进行。
附图说明
图1是本申请实施例一提供的一种目标对象识别的方法实施例的流程图；
图2是本申请实施例二提供的一种目标对象识别的方法实施例的流程图；
图3是本申请实施例三提供的一种目标对象识别的装置实施例的结构框图；
图4是本申请实施例四提供的一种安检设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
实施例一
图1为本申请实施例一提供的一种目标对象识别的方法实施例的流程图，本实施例可以应用于服务器中，在一种应用场景中，该服务器可以包括安检场景中的安检设备，具体可以包括如下步骤：
步骤110，接收X射线设备发送的图像分片，所述图像分片的图像扫描线的数量少于第一预设阈值。
在一种实施例中，本实施例可以应用于安检场景中，则X射线设备可以包括安检机中的X射线检查设备。在实现时，X射线设备在其内部计算机算法底层、可以将在显卡缓冲区的X射线图像扫描线直接送到网络接口进行发送。进一步地，为了节省CPU资源，提高处理效率，上述图像扫描线不是一行一行发送，而是组成图像小片(即图像分片)后采用网卡的巨帧模式打包发送。
图像分片可以作为本实施例的传输和处理单元，作为一种示例，可以设定图像分片的图像扫描线的数量少于第一预设阈值。其中，第一预设阈值可以根据实际业务需求设定，本实施例对此不作限定，当然，第一预设阈值的设定不宜过大或者过小，过大了会影响后面的同步效果，太小了又不利于优化处理效率。例如，第一预设阈值可以设定为50(假设安检机的传送带速度为0.6m/s计算，X射线探测器的扫描频率为750Hz，则50条图像扫描线为1/15秒的对应4cm包裹的射线图像)。
在一种实现中，服务器可以向X射线设备下发扫描线的配置文件，该配置文件中可以包含每个图像分片的图像扫描线的数量的配置，例如，配置文件中可以包括按照少于50扫描线的规则来组合图像分片的记录。则X射线设备按照该配置文件，可以将少于50线的X射线图像扫描线作为一个图像分片来进进行传输。
步骤120，在预设缓冲区存储所述图像分片，并将所述图像分片发送至目标判图设备，由所述目标判图设备显示所述图像分片。
在该步骤中，服务器中可以预先生成用于存储图像分片的预设缓冲区，服务器每接收到一个图像分片以后，则首先将该图像分片存入该预设缓冲区。然后，服务器可以从该预设缓冲区中读取该图像分片，并将读取的图像分片发送至目标判图设备中，由目标判图设备以卷轴形式实时展示接收的图像分片，以便于该目标判图设备的判图员能够根据该图像分片进行预先判图，增加了人工判图的时间。并且，对于判图员而言，图像分片是以平滑卷轴式展开的，在视觉上不会产生明显的顿挫感。
在一种实施方式中，步骤120中将所述图像分片发送至目标判图设备的步骤，进一步可以包括如下步骤：
按照负载均衡规则从多台候选判图设备中确定目标判图设备；将所述图像分片发送至所述目标判图设备。
其中，本实施例对具体的负载均衡规则不作限定，在根据负载均衡规则选择目标判图设备时，可以综合考虑各候选判图设备的负荷、判图员的经验值、历史执行任务等因素。例如，在安检场景中，可以获取各候选判图设备的工作状态，该工作状态可以包括空闲状态与忙碌状态；如果存在超过一个处于空闲状态的候选判图设备，则可以获取各处于空闲状态的候选判图设备对应的判图员的经验值，选取经验值高的判图员对应的候选判图设备作为目标判图设备。如果仅存在一个处于空闲状态的候选判图设备，则直接将该候选判图设备作为目标判图设备。如果不存在处于空闲状态的候选判图设备，则可以获取各候选判图设备对应的判图员的经验值，选取经验值高的判图员对应的候选判图设备作为目标判图设备。如果各个候选判图设备的判图员的经验值都差不多，可以选取处理任务比较少的设备作为目标判图设备。
为了确保对象(如安检机中的包裹)的完整展示，预设缓冲区中识别出的属于同一目标对象的图像分片均分配至同一目标判图设备中。
本实施例按照负载均衡规则从多个候选判图设备中选取目标判图设备，并将图像分片分发到该目标判图设备中，可以避免多个判图任务堆积到同一判图设备中进行处理，提高判图效率。例如，通过本实施例将不同的包裹图像自动分派给多个不同的判图员进行同时判别，相比于同一个判图员对多个包裹图像进行判图，可以提高判图的效率和准确性。
步骤130，当所述预设缓冲区中存储的图像分片的数量达到第二预设阈值时，将存储的所述图像分片拼接成目标图像。
在实际中，由于在后续步骤140中进行一次图像识别所需的时间基本是固定的，为了降低图像识别的工作量，本实施例可以在缓冲区中的图像分片的数量达到第二预设阈值时，将存储的图像分片拼接成目标图像，然后再基于目标图像进行图像识别。
在一种实现中，可以在预设缓冲区中设置一计数器，当计数器显示预设缓冲区中存储的图像分片的数量达到第二预设阈值时，则触发图像拼接操作。
具体的，X射线设备在生成图像分片时，可以为图像分片添加分片序号，在服务器侧，可以根据各图像分片的分片序号进行图像的拼接。本实施例对具体的图像拼接算法不作限定。
需要说明的是，第二预设阈值可以根据实际业务需求确定，本实施例对此不作限定，例如，可以将第二预设阈值设置为20。
步骤140，对所述目标图像进行目标对象识别。
例如，在安检场景中，目标对象可以包括处于安检传送带中的包裹(如箱包等)，通过对目标图像中的包裹进行识别，可以判断该目标图像是否包含完整的包裹图像。
在一种实现中，可以通过传统视觉算法与深度学习算法相结合的方式来进行目标对象识别。则步骤140进一步可以包括如下步骤：
步骤140-1，判断所述目标图像是否为空白图像。
在一种实施方式中，服务器可以采用如下方式判断目标图像是否为空白图像：
获取目标图像的灰度信息；若该灰度信息符合指定的灰度条件，则判定该目标图像为空白图像。
具体的，可以将目标图像进行灰度化处理，生成灰度图像，并获得该灰度图像的灰度直方图。如果该灰度直方图符合指定的灰度条件，则可以判定目标图像为空白图像。
在一种例子中，指定的灰度条件可以包括：灰度直方图包络线的拐点数量为一个，即，如果目标图像的灰度直方图的包络线的拐点数量为一个时，则判定该目标图像为空白图像。
在其他例子中，指定的灰度条件可以包括：满刻度灰度直方图，即，如果当前目标图像的灰度直方图接近满刻度灰度直方图，则判定该目标图像为空白图像。其中，满刻度的意思是，图像采集设备所处的采集环境中没有目标对象时的响应，例如，在安检场景中，满刻度是指没有物体时X射线直接打到探测器时的响应，当目标图像的灰度直方图接近满刻度响应产生的图像的灰度直方图时，则可以判定目标图像为空白图像。
在另一种实施方式中，还可以将不存在目标对象但存在噪声(如各种干扰物)的图像作为空白图像，则服务器可以采用如下方式判断目标图像是否为空白图像：
对目标图像进行连通域检测，若检测出一个或多个连通域，则获得该一个或多个连通域的面积，并过滤掉面积小于一定阈值的连通域；如果最终没有剩下连通域，则判定目标图像为空白图像。其中，连通域又称为连通区域(Connected Component)，是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域(Region，Blob)。
当然，除了上述两种方式以外，本领域技术人员还可以根据实际的场景采用其他合适的方式识别空白图像，本实施例对此不作限定。
如果目标图像为空白图像，则可以直接丢弃该空白图像，避免后续对空白图像的识别造成的资源浪费。如果目标图像不为空白图像，则可以继续执行步骤140-2。
步骤140-2，若所述目标图像不为空白图像，则对所述目标图像进行连通域检测，以获得一个或多个目标连通域。
在该步骤中，当服务器判定目标图像不是空白图像时，则作进一步的检测，该检测可以包括连通域检测，从而将目标图像识别成一个或多个目标连通域。
在一种实施方式中，步骤140-2进一步可以包括如下步骤：
步骤140-2-1，对所述目标图像进行灰度化以及二值化处理，得到二值图像。
该步骤通过对目标图像进行灰度化以及二值化处理来去除目标图像的背景干扰，得到二值图像Ibin。
步骤140-2-2，对所述二值图像进行去噪处理。
该步骤通过对二值图像进行去噪处理，可以把图像中粘连不紧密的对象(在安检场景下，该对象例如可以是传送带中的箱包)进行分离，去噪处理后的二值图像可以表示为Idenoise。
在一种例子中，去噪处理可以包括中值滤波处理、形态学腐蚀处理等。
步骤140-2-3，对去噪处理后的二值图像进行连通域分析，获得一个或多个候选连通域。
该步骤中，服务器可以通过连通区域分析(Connected Component Analysis，Connected Component Labeling)算法来将去噪处理后的二值图像Idenoise中的各个连通区域找出并标记，最后得到一个或多个候选连通域。
需要说明的是，本实施例对具体的连通区域分析算法并不作限定，例如，可以是Two-Pass(两遍扫描法)或者Seed-Filling种子填充法，只要最后能得到一个或多个候选连通域即可。
步骤140-2-4，过滤掉面积小于设定面积阈值的候选连通域，并将剩下的连通域作为目标连通域。
该步骤中，在得到一个或多个候选连通域以后，可以计算每个候选连通域的面积，在一种实现中，可以采用fabs(cvContourArea(c,CV_WHOLE_SEQ))来计算每个候选连通域的面积。当然，还可以采用其他方式来计算每个候选连通域的面积，例如，统计每个候选连通域的像素点的数量作为面积，或者，采用matlab中的其他函数(如total＝bwarea(BW)等)来计算连通区域的面积。
得到每个候选连通域的面积以后，则可以将每个候选连通域的面积与设定面积阈值T进行比较，然后将面积小于T的候选连通域过滤掉，最后把剩下的连通域作为目标连通域。
目标连通域可以包括一个或多个，例如，多个目标连通域可以描述为：Lcoarse＝｛(x1,y1,w1,h1),…,(xi,yi,wi,hi)｝，其中，i表示第i个目标连通域，(xi,yi)是第i个目标连通域的左上角坐标，wi和hi分别是第i个连通域的宽度和高度。
步骤140-3，根据所述一个或多个目标连通域将所述目标图像分割成图像小片集合。
在该步骤中，在标记出一个或多个目标连通域以后，可以按照该一个或多个目标连通域将目标图像进行分割，得到对应的图像小片，各图像小片可以组成图像小片集合。图像小片集合可以表示为Isplit＝｛I1,…,Ii｝，其中，Ii为图像小片。
步骤140-4，对所述图像小片集合中各图像小片分别进行去干扰处理。
在该实施例中，通过对各图像小片进行去干扰处理，可以确保各图像小片对应的连通域不超过1个，从而提高后续的目标对象的检测的准确率。
对于图像小片集合Isplit＝｛I1,…,Ii｝，对各图像小片去干扰处理后，可以得到去干扰后的图像小片集合Id＝｛Id1,…,Idi｝。
在一种实施方式中，步骤140-4进一步可以包括如下步骤：
分别对各图像小片进行连通域检测；如果当前图像小片中包含的连通域的个数为1，则不对当前图像小片进行处理，将当前图像小片直接作为去干扰处理后的图像小片；如果当前图像小片中包含的连通域的个数大于1，则保留当前图像小片中面积最大的连通域，并将其他连通域的像素设置为背景像素，得到去干扰处理后的图像小片。
具体的，可以参考步骤140-2的连通域检测的方法来对各图像小片进行连通域检测，以得到各图像小片的连通域位置。然后分析各图像小片的连通域的数量，如果某个图像小片中包含的连通域的个数为1，则不对该图像小片进行去干扰处理，此时，将该图像小片直接作为去干扰处理后的图像小片，即Idi＝Ii，其中，Idi为去干扰处理后的图像小片。如果某个图像小片中包含的连通域的个数大于1，则计算各连通域的面积，并保留当前图像小片中面积最大的连通域，然后将其他连通域的像素设置为背景像素，得到去干扰处理后的图像小片，即，Idi为Ii中保留最大面积的连通域、且其余连通域内的像素值设置为背景像素值得到的图片。
其中，背景像素值可以根据图像小片的背景来进行设置，例如，如果图像小片的背景为白色，则其背景像素值可以为(255,255,255)。
步骤140-5，分别将去干扰后的各图像小片输入至预先生成的目标检测模型中，并获得所述目标检测模型针对各图像小片输出的目标对象的检测结果。
在该步骤中，在对各图像小片进行去干扰处理得到去干扰后的图像小片Idi以后，则可以分别将各Idi输入至预先生成的目标检测模型中，由该目标检测模型对各Idi进行对象检测，输出对应的检测结果。
在一种实施例中，目标检测模型可以为基于深度学习的机器模型，例如，目标检测模型可以为YOLOv3模型。
在一种实现中，假设YOLOv3模型用于安检场景的箱包检测场景下，可以采用如下方式训练YOLOv3模型：
使用垂直投影的方法对X射线长图进行分割，获得数据集D，对D进行相应的标注并划分为训练集、测试集和验证集；在D上采用k-means聚类算法重新聚类出9个anchor(锚)的坐标，替换YOLOv3模型的默认anchor；采用随机梯度下降算法优化模型参数，直到损失函数收敛。
示例性地，在安检场景中，目标对象可以为安检传送带中的箱包，目标检测模型输出的目标对象的检测结果可以包括各图像小片中箱包的位置信息，可以表示为：Lfine＝｛B1,…,Bi｝＝｛｛(x11,y11,w11,h11),…｝,…,｛…,(xij,yij,wij,hij)｝｝，其中，Bi表示第i个图像小片中箱包的位置信息，ij表示第i个图像小片细检测出来的第j个箱包。
在一种实施例中，当通过步骤140-5对目标对象进行细检测以后，步骤140还可以包括如下步骤：
步骤140-6，根据所述检测结果，判断各目标连通域是否存在漏检。
在实际处理过程中，对于各目标连通域而言，还可能会存在漏检的情况。因此，本实施例通过对各目标连通域的漏检分析来降低漏检情况。
在一种实施方式中，检测结果可以包括目标对象的位置；步骤140-6进一步可以包括如下步骤：
根据各目标对象的位置，判断当前目标连通域中是否检测出目标对象；若当前目标连通域中没有检测出目标对象，则判定当前目标连通域存在漏检，并将当前目标连通域作为目标对象；若当前目标连通域中检测出目标对象，则定位当前目标连通域对应的图像分片；将当前目标连通域对应的图像分片中的检测出的所述目标对象对应的像素值设置为背景像素值，然后对该图像分片进行连通域检测；若检测出连通域，则判定所述当前目标连通域存在漏检，并将检测出的连通域作为目标对象。
具体的，如果目标连通域的位置信息为Li＝｛(xi,yi,wi,hi)｝，各目标对象的位置信息为Bi＝｛{(xi1,yi1,wi1,hi1),…,(xij,yij,wij,hij)}｝，可以分别将各目标对象的位置信息(xij,yij,wij,hij)与Li＝｛(xi,yi,wi,hi)｝进行位置匹配，判断当前目标连通域的位置信息包含多少个目标对象。
由于目标连通域必然会存在目标对象。如果当前目标连通域的位置信息包含0个目标对象，即没有目标对象的位置信息与当前目标连通域的位置信息重叠，则可以将该目标连通域确定为漏检连通域，并将该漏检连通域作为目标对象加入到目标对象集合，即，将Li加入Lresult(目标对象集合)中。
如果当前目标连通域的位置信息包含超过0个目标对象，即超过0个目标对象的位置信息与当前目标连通域的位置信息重叠，则可以先将当前目标连通域的位置信息包含的各目标对象的位置信息Bi加入Lresult，然后将对应图像分片Ii中Bi中所对应的所有区域内的像素值设置为背景像素值(如(255,255,255))，然后将得到的图像进行粗检测，如果粗检测得到的连通域的个数不为0，则该连通域为漏检连通域，也将检测出的连通域作为目标对象加入Lresult。
步骤140-7，判断检测出的目标对象为完整的目标对象或不完整的目标对象。
在该实施例中，各目标连通域对应的检测结果加起来为整张目标图像的检测结果。步骤140-7中对整张目标图像的检测结果进行完整性分析，主要是判断各检测出的目标对象在目标图像中是完整的目标对象还是不完整的目标对象。例如，在X光安检场景中，履带是一直动的，可能箱包还没有扫描完整就切出生成目标图像，所以需要进行箱包的完整性分析。
在一种实施方式中，步骤140-7进一步可以包括步骤：
获取所述目标对象的左上角横坐标以及宽度；根据所述左上角坐标以及所述宽度，判断该目标对象是否位于所述目标图像的右边缘位置；若是，则判定所述目标对象为不完整的目标对象；若否，则判定所述目标对象为完整的目标对象。
例如，假设目标对象的左上角横坐标以及宽度分别为xi和wi，目标图像的宽度为W，如果xi+wi+a>W，其中，a为正常数，其可以根据实际需求确定，例如，根据经验值将a确定为5，则表示该目标对象位于目标图像的右边缘位置，则该目标对象为不完整目标对象(由于不完整的目标对象一般处于边缘位置)。反之，如果xi+wi+a<W，则表示该目标对象没有位于目标图像的右边缘位置，则该目标对象为完整目标对象。
步骤140-8，当判定所述目标图像包含不完整的目标对象时，确定所述不完整的目标对象的左边界；根据所述不完整的目标对象的左边界，往左回溯第三预设阈值的图像扫描线，得到所述不完整的目标对象的左边界信息；将所述不完整的目标对象的左边界信息为起始边界的右部分的扫描线作为该目标对象的图像分片；将所述不完整的目标对象的图像分片分配至下一个确定的目标判图设备中。
具体的，如果目标图像包含不完整的目标对象，则可以获得该不完整的目标对象的位置信息，并从该不完整的目标对象的位置信息中提取该不完整的目标对象的左边界。
得到该不完整的目标对象的左边界以后，为了避免误差，可以以该左边界为起始边界，往左回溯第三预设阈值的图像扫描线作为该不完整的目标对象的左边界信息。例如，可以从左边界开始往左继续取20条图像扫描线，到第20条扫描线的位置作为该不完整的目标对象的左边界信息。
得到该不完整的目标对象的左边界信息以后，可以以该左边界信息为起始位置，将其右部份的图像扫描线组成该不完整的目标对象的图像分片。然后将该不完整的目标对象的图像分片分配至下一个确定的目标判图设备中，同时，该下一个确定的目标判图设备还会继续接收服务器发送的来自X射线设备发送的图像分片，以此确保目标对象的完整性。
在本实施例中，X射线设备传送的图像分片为图像扫描线的数量少于第一预设阈值的图像分片，服务器在接收到该图像分片以后，在预设缓冲区存储该图像分片的同时，还可以将该图像分片发送至目标判图设备中进行显示，这样判图员可以根据图像分片进行判图，而无需等待整个图像出现后再进行判图，增加了人工判图的时间，提高了判图的效率和准确率。
另外，当服务器中的预设缓冲区中存储的图像分片的数量达到第二预设阈值时，服务器还可以将存储的图像分片拼接成目标图像，并对目标图像进行目标对象识别，这样，当服务器对图像完成识别以后，判图设备那一侧的图像也已经显示完整，判图员已经完成了判图，从而实现了图像识别与判图的同步进行。
实施例二
图2为本申请实施例二提供的一种目标对象识别的方法实施例的流程图，本实施例可以应用于服务器中，具体可以包括如下步骤：
步骤210，接收X射线设备发送的图像分片，所述图像分片的图像扫描线的数量少于第一预设阈值。
步骤220，在预设缓冲区存储所述图像分片，并将所述图像分片发送至目标判图设备，由所述目标判图设备显示所述图像分片。
步骤230，当所述预设缓冲区中存储的图像分片的数量达到第二预设阈值时，将存储的所述图像分片拼接成目标图像。
步骤240，对所述目标图像进行目标对象识别，并获取所述目标对象识别的识别结果。
步骤250，将所述识别结果发送至所述目标判图设备中，由所述目标判图设备在显示的图像中显示所述识别结果。
示例性地，对目标图像进行目标对象识别的识别结果可以包括目标对象的位置信息。服务器在获得该识别结果以后，可以同时将该识别结果发送至目标判图设备中，由目标判图设备在当前的显示的图像中显示该识别结果。例如，目标判图设备获得包裹的位置信息以后，可以在当前的包裹图像中显示该位置信息。其中，在显示该位置信息的过程中，目标判图设备可以根据包裹的位置信息框出包裹的位置边界并进行显示。
步骤260，当根据所述识别结果判定所述目标对象为指定告警对象时，生成告警标记。
在一种实现中，上述识别结果还可以包括目标对象的对象类型。服务器中可以预先设置告警对象列表，该告警对象列表可以记录多种告警对象的类型以及对应的特征信息。当服务器判定上述目标对象的对象类型属于告警对象列表中记录的告警对象的类型时，则可以判定该目标对象为指定告警对象。否则，当服务器判定上述目标对象的对象类型不属于告警对象列表中记录的告警对象的类型时，则可以判定该目标对象不为指定告警对象。
如果服务器判定目标对象为指定告警对象时，则可以根据该目标对象的对象类型生成对应的告警标记。在一种实现中，在告警对象列表中还可以记录各告警对象的类型对应的告警标记，服务器可以直接从告警对象列表中获得目标对象的对象类型对应的告警标记。
步骤270，将所述告警标记发送至所述目标判图设备中，由所述目标判图设备在显示的图像中显示所述告警标记，并发出告警信号。
当服务器获得目标对象的告警标记以后，可以将该告警标记发送至目标判图设备中。目标判图设备接收到该告警标记以后，可以在显示的图像中显示告警标记。在其他实施例中，目标判图设备还可以根据该告警标记发出告警信号，该告警信号可以是高亮告警标记、发出报警声音等，本实施例对此不作限定。
在本实施例中，服务器可以将图像识别的识别结果、告警识别结果等同步至目标判图设备中，从而实现判图与识图的同步。
实施例三
图3为本申请实施例三提供的一种目标对象识别的装置实施例的结构框图，所述装置可以位于服务器中，可以包括如下模块：
图像分片接收模块310，用于接收X射线设备发送的图像分片，所述图像分片的图像扫描线的数量少于第一预设阈值；
图像分片发送模块320，用于在预设缓冲区存储所述图像分片，并将所述图像分片发送至目标判图设备，由所述目标判图设备显示所述图像分片；
图像拼接模块330，用于当所述预设缓冲区中存储的图像分片的数量达到第二预设阈值时，将存储的所述图像分片拼接成目标图像；
图像识别模块340，用于对所述目标图像进行目标对象识别。
在一种实施例中，所述装置还可以包括如下模块：
识别结果获取模块，用于获取所述目标对象识别的识别结果；
识别结果发送模块，用于将所述识别结果发送至所述目标判图设备中，由所述目标判图设备在显示的图像中显示所述识别结果。
在一种实施例中，所述装置还可以包括如下模块：
告警标记生成模块，用于当根据所述识别结果判定所述目标对象为指定告警对象时，生成告警标记；
告警标记发送模块，用于将所述告警标记发送至所述目标判图设备中，由所述目标判图设备在显示的图像中显示所述告警标记，并发出告警信号。
在一种实施例中，所述图像分片发送模块320具体用于：
按照负载均衡规则从多台候选判图设备中确定目标判图设备；
将所述图像分片发送至所述目标判图设备，其中，所述预设缓冲区中识别出的属于同一目标对象的图像分片均分配至同一目标判图设备中。
在一种实施例中，所述图像识别模块340可以包括如下子模块：
空白判断子模块，用于判断所述目标图像是否为空白图像；
连通域检测子模块，用于若所述目标图像不为空白图像，则对所述目标图像进行连通域检测，以获得一个或多个目标连通域；
图像分割子模块，用于根据所述一个或多个目标连通域将所述目标图像分割成图像小片集合；
去干扰处理子模块，用于对所述图像小片集合中各图像小片分别进行去干扰处理；
对象检测子模块，用于分别将去干扰后的各图像小片输入至预先生成的目标检测模型中，并获得所述目标检测模型针对各图像小片输出的目标对象的检测结果。
在一种实施例中，所述图像识别模块340还可以包括如下子模块：
漏检分析子模块，根据所述检测结果，判断各目标连通域是否存在漏检。
在一种实施例中，所述装置还可以包括如下模块：
完整性判断模块，用于判断检测出的目标对象为完整的目标对象或不完整的目标对象；
不完整信息截取模块，用于当判定所述目标图像包含不完整的目标对象时，确定所述不完整的目标对象的左边界；根据所述不完整的目标对象的左边界，往左回溯第三预设阈值的图像扫描线，得到所述不完整的目标对象的左边界信息；将所述不完整的目标对象的左边界信息为起始边界的右部分的扫描线作为该目标对象的图像分片；将所述不完整的目标对象的图像分片分配至下一个确定的目标判图设备中。
本申请实施例所提供的一种目标对象识别的装置可执行本申请实施例一和实施例二任一实施例所提供的一种目标对象识别的方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4为本申请实施例四提供的一种安检设备的结构示意图，该安检设备可以包括服务器，所述服务器可以位于安检设备内部，也可以位于安检设备外部，可以设置在本地也可以设置在远端，服务器与安检设备通信连接。如图4所示，该安检设备包括处理器410、存储器420、输入装置430和输出装置440；安检设备中处理器410的数量可以是一个或多个，图4中以一个处理器410为例；安检设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请实施例中的上述实施例对应的程序指令/模块。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行安检设备的各种功能应用以及数据处理，即实现上述任一方法实施例中提到的目标对象识别的方法。
存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至设备/终端/安检设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字或字符信息，以及产生与安检设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
实施例五
本申请实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行上述方法实施例中的方法。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本申请任意实施例所提供的目标对象识别方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本申请可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
值得注意的是，上述装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。
Claims (9)
1.一种目标对象识别的方法，其特征在于，所述方法包括：
接收X射线设备发送的图像分片，所述图像分片的图像扫描线的数量少于第一预设阈值；
在预设缓冲区存储所述图像分片，并将所述图像分片发送至目标判图设备，由所述目标判图设备显示所述图像分片；
当所述预设缓冲区中存储的图像分片的数量达到第二预设阈值时，将存储的所述图像分片拼接成目标图像；
对所述目标图像进行目标对象识别；
所述将所述图像分片发送至目标判图设备，包括：
按照负载均衡规则从多台候选判图设备中确定目标判图设备；
将所述图像分片发送至所述目标判图设备，其中，所述预设缓冲区中识别出的属于同一目标对象的图像分片均分配至同一目标判图设备中。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述目标对象识别的识别结果；
将所述识别结果发送至所述目标判图设备中，由所述目标判图设备在显示的图像中显示所述识别结果。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
当根据所述识别结果判定所述目标对象为指定告警对象时，生成告警标记；
将所述告警标记发送至所述目标判图设备中，由所述目标判图设备在显示的图像中显示所述告警标记，并发出告警信号。
4.根据权利要求1所述的方法，其特征在于，所述对所述目标图像进行目标对象识别，包括：
判断所述目标图像是否为空白图像；
若所述目标图像不为空白图像，则对所述目标图像进行连通域检测，以获得一个或多个目标连通域；
根据所述一个或多个目标连通域将所述目标图像分割成图像小片集合；
对所述图像小片集合中各图像小片分别进行去干扰处理；
分别将去干扰后的各图像小片输入至预先生成的目标检测模型中，并获得所述目标检测模型针对各图像小片输出的目标对象的检测结果。
5.根据权利要求4所述的方法，其特征在于，所述对所述目标图像进行目标对象识别，还包括：
根据所述检测结果，判断各目标连通域是否存在漏检。
6.根据权利要求1或4或5所述的方法，其特征在于，在所述对所述目标图像进行目标对象识别之后，所述方法还包括：
判断检测出的目标对象为完整的目标对象或不完整的目标对象；
当判定所述目标图像包含不完整的目标对象时，确定所述不完整的目标对象的左边界；
根据所述不完整的目标对象的左边界，往左回溯第三预设阈值的图像扫描线，得到所述不完整的目标对象的左边界信息；
将所述不完整的目标对象的左边界信息为起始边界的右部分的扫描线作为该目标对象的图像分片；
将所述不完整的目标对象的图像分片分配至下一个确定的目标判图设备中。
7.一种目标对象识别的装置，其特征在于，所述装置包括：
图像分片接收模块，用于接收X射线设备发送的图像分片，所述图像分片的图像扫描线的数量少于第一预设阈值；
图像分片发送模块，用于在预设缓冲区存储所述图像分片，并将所述图像分片发送至目标判图设备，由所述目标判图设备显示所述图像分片；
图像拼接模块，用于当所述预设缓冲区中存储的图像分片的数量达到第二预设阈值时，将存储的所述图像分片拼接成目标图像；
图像识别模块，用于对所述目标图像进行目标对象识别；
所述图像分片发送模块，具体用于按照负载均衡规则从多台候选判图设备中确定目标判图设备；
将所述图像分片发送至所述目标判图设备，其中，所述预设缓冲区中识别出的属于同一目标对象的图像分片均分配至同一目标判图设备中。
8.一种安检设备，其特征在于，所述安检设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6任一项所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110501793.5A CN113139950B (zh) | 2021-05-08 | 2021-05-08 | 一种目标对象识别的方法及装置 |
| PCT/CN2021/134341 WO2022237135A1 (zh) | 2021-05-08 | 2021-11-30 | 目标对象识别的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110501793.5A CN113139950B (zh) | 2021-05-08 | 2021-05-08 | 一种目标对象识别的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113139950A CN113139950A (zh) | 2021-07-20 |
| CN113139950B true CN113139950B (zh) | 2024-04-16 |
Family
ID=76816692
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110501793.5A Active CN113139950B (zh) | 2021-05-08 | 2021-05-08 | 一种目标对象识别的方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113139950B (zh) |
| WO (1) | WO2022237135A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113139950B (zh) * | 2021-05-08 | 2024-04-16 | 佳都科技集团股份有限公司 | 一种目标对象识别的方法及装置 |
| CN114693529B (zh) * | 2022-04-20 | 2023-03-14 | 北京理工大学重庆创新中心 | 一种图像拼接方法、装置、设备及存储介质 |
| CN115457398B (zh) * | 2022-11-14 | 2023-04-07 | 成都智元汇信息技术股份有限公司 | 一种基于双重视角的集中判图客户端及展示方法 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1476811A (zh) * | 2002-07-29 | 2004-02-25 | ��ʽ���綫֥ | X射线图像处理装置及x射线图像处理方法 |
| JP2005084157A (ja) * | 2003-09-05 | 2005-03-31 | Nec Corp | 文字認識装置及び方法、文字強調方法、表示装置及び携帯機器 |
| CN1910618A (zh) * | 2004-01-15 | 2007-02-07 | 皇家飞利浦电子股份有限公司 | 心脏功能的随机分析 |
| CN104345350A (zh) * | 2013-07-23 | 2015-02-11 | 清华大学 | 人体安全检查方法和人体安全检查*** |
| CN104483335A (zh) * | 2014-12-29 | 2015-04-01 | 同方威视技术股份有限公司 | 一种用于安检设备的判图预警***、方法和安检设备 |
| CN107346539A (zh) * | 2016-05-06 | 2017-11-14 | 同方威视技术股份有限公司 | 用于判图任务分配的方法、***和设备 |
| CN108195855A (zh) * | 2017-12-27 | 2018-06-22 | 同方威视技术股份有限公司 | 安全检查***及其方法 |
| CN109030524A (zh) * | 2018-09-04 | 2018-12-18 | 广州地铁设计研究院有限公司 | 一种城市轨道交通安检集中判图*** |
| CN109242762A (zh) * | 2018-08-27 | 2019-01-18 | 北京铂石空间科技有限公司 | 图像识别方法、装置、存储介质及电子设备 |
| WO2019096181A1 (zh) * | 2017-11-14 | 2019-05-23 | 深圳码隆科技有限公司 | 安检检测方法、装置、***及电子设备 |
| WO2019161578A1 (zh) * | 2018-02-23 | 2019-08-29 | 华讯方舟科技有限公司 | 一种并行式人体安检*** |
| CN110400626A (zh) * | 2019-07-08 | 2019-11-01 | 上海联影智能医疗科技有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
| CN110597126A (zh) * | 2019-09-19 | 2019-12-20 | 广州新科佳都科技有限公司 | 智能安检方法、装置、设备和存储介质 |
| CN111612089A (zh) * | 2020-05-29 | 2020-09-01 | 浙江大华技术股份有限公司 | 一种在安检机中危险品的标注方法及设备 |
| CN111667464A (zh) * | 2020-05-21 | 2020-09-15 | 平安科技（深圳）有限公司 | 危险品三维图像检测方法、装置、计算机设备及存储介质 |
| CN111709422A (zh) * | 2020-06-22 | 2020-09-25 | 平安养老保险股份有限公司 | 基于神经网络的图像识别方法、装置和计算机设备 |
| CN112070743A (zh) * | 2020-09-08 | 2020-12-11 | 北京声迅电子股份有限公司 | 一种图像序列化的远程智能判图*** |
| CN112444889A (zh) * | 2020-11-13 | 2021-03-05 | 北京航星机器制造有限公司 | 一种快速安检行包远程集中判读***及方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7515772B2 (en) * | 2004-08-21 | 2009-04-07 | Xerox Corp | Document registration and skew detection system |
| US8300938B2 (en) * | 2010-04-09 | 2012-10-30 | General Electric Company | Methods for segmenting objects in images |
| JP6117183B2 (ja) * | 2012-04-02 | 2017-04-19 | 株式会社日立製作所 | Ｘ線画像診断装置及びｘ線発生装置の制御方法 |
| CN113139950B (zh) * | 2021-05-08 | 2024-04-16 | 佳都科技集团股份有限公司 | 一种目标对象识别的方法及装置 |
-
2021
- 2021-05-08 CN CN202110501793.5A patent/CN113139950B/zh active Active
- 2021-11-30 WO PCT/CN2021/134341 patent/WO2022237135A1/zh active Application Filing
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1476811A (zh) * | 2002-07-29 | 2004-02-25 | ��ʽ���綫֥ | X射线图像处理装置及x射线图像处理方法 |
| JP2005084157A (ja) * | 2003-09-05 | 2005-03-31 | Nec Corp | 文字認識装置及び方法、文字強調方法、表示装置及び携帯機器 |
| CN1910618A (zh) * | 2004-01-15 | 2007-02-07 | 皇家飞利浦电子股份有限公司 | 心脏功能的随机分析 |
| CN104345350A (zh) * | 2013-07-23 | 2015-02-11 | 清华大学 | 人体安全检查方法和人体安全检查*** |
| CN104483335A (zh) * | 2014-12-29 | 2015-04-01 | 同方威视技术股份有限公司 | 一种用于安检设备的判图预警***、方法和安检设备 |
| CN107346539A (zh) * | 2016-05-06 | 2017-11-14 | 同方威视技术股份有限公司 | 用于判图任务分配的方法、***和设备 |
| WO2019096181A1 (zh) * | 2017-11-14 | 2019-05-23 | 深圳码隆科技有限公司 | 安检检测方法、装置、***及电子设备 |
| CN108195855A (zh) * | 2017-12-27 | 2018-06-22 | 同方威视技术股份有限公司 | 安全检查***及其方法 |
| WO2019161578A1 (zh) * | 2018-02-23 | 2019-08-29 | 华讯方舟科技有限公司 | 一种并行式人体安检*** |
| CN109242762A (zh) * | 2018-08-27 | 2019-01-18 | 北京铂石空间科技有限公司 | 图像识别方法、装置、存储介质及电子设备 |
| CN109030524A (zh) * | 2018-09-04 | 2018-12-18 | 广州地铁设计研究院有限公司 | 一种城市轨道交通安检集中判图*** |
| CN110400626A (zh) * | 2019-07-08 | 2019-11-01 | 上海联影智能医疗科技有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
| CN110597126A (zh) * | 2019-09-19 | 2019-12-20 | 广州新科佳都科技有限公司 | 智能安检方法、装置、设备和存储介质 |
| CN111667464A (zh) * | 2020-05-21 | 2020-09-15 | 平安科技（深圳）有限公司 | 危险品三维图像检测方法、装置、计算机设备及存储介质 |
| CN111612089A (zh) * | 2020-05-29 | 2020-09-01 | 浙江大华技术股份有限公司 | 一种在安检机中危险品的标注方法及设备 |
| CN111709422A (zh) * | 2020-06-22 | 2020-09-25 | 平安养老保险股份有限公司 | 基于神经网络的图像识别方法、装置和计算机设备 |
| CN112070743A (zh) * | 2020-09-08 | 2020-12-11 | 北京声迅电子股份有限公司 | 一种图像序列化的远程智能判图*** |
| CN112444889A (zh) * | 2020-11-13 | 2021-03-05 | 北京航星机器制造有限公司 | 一种快速安检行包远程集中判读***及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于连通域标记的目标检测算法设计与实现;戴华东;胡谋法;卢焕章;王阳;;现代电子技术;第38卷(第20期);第71-74页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113139950A (zh) | 2021-07-20 |
| WO2022237135A1 (zh) | 2022-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113139950B (zh) | 一种目标对象识别的方法及装置 | |
| CN109142366B (zh) | 球形外壳缺陷检测方法、装置及计算机可读存储介质 | |
| CN110781839A (zh) | 一种基于滑窗的大尺寸图像中小目标识别方法 | |
| CN110298802B (zh) | 路面裂缝检测方法及装置 | |
| US8660373B2 (en) | PDF de-chunking and object classification | |
| US20130120125A1 (en) | Method and system for lane departure warning | |
| CN114255436B (zh) | 基于人工智能的安检图像识别***及其方法 | |
| CN107622501B (zh) | 一种医学图像的边界检测的方法 | |
| CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
| CN113420673B (zh) | 垃圾分类方法、装置、设备及存储介质 | |
| CN116091503B (zh) | 一种面板异物缺陷的判别方法、装置、设备及介质 | |
| CN111598033A (zh) | 货物的定位方法、装置、***及计算机可读存储介质 | |
| CN106530292A (zh) | 一种基于线扫描相机的带钢表面缺陷图像快速辨识方法 | |
| CN113139952B (zh) | 一种图像处理的方法及装置 | |
| JP6831396B2 (ja) | 映像監視装置 | |
| CN113052116B (zh) | 超声视频数据处理方法、装置、超声设备及存储介质 | |
| Sandhu et al. | Automatic edge detection algorithm and area calculation for flame and fire images | |
| CN115116083A (zh) | 监控画面电力图元自动标识及修正方法、***及存储介质 | |
| CN116543327A (zh) | 作业人员工种识别的方法、装置、计算机设备及存储介质 | |
| US20190034596A1 (en) | Tool that Analyzes Image Data and Generates and Displays a Confidence Indicator Along with a Cancer Score | |
| US20060269132A1 (en) | Apparatus and method for detecting white areas within windows and selectively merging the detected white areas into the enclosing window | |
| CN114255344A (zh) | 安检图像切分方法、装置、电子设备及计算机可读介质 | |
| CN112668676A (zh) | 包裹的安检图像处理方法、电子装置和存储介质 | |
| JP2022056219A (ja) | 情報処理装置、情報処理方法及びプログラム | |
| US20060269142A1 (en) | Apparatus and method for subtyping window elements in a document windowing system |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40052366 Country of ref document: HK |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |