CN113159110A - 一种基于x射线液体智能检测方法 - Google Patents

一种基于x射线液体智能检测方法 Download PDF

Info

Publication number
CN113159110A
CN113159110A CN202110243687.1A CN202110243687A CN113159110A CN 113159110 A CN113159110 A CN 113159110A CN 202110243687 A CN202110243687 A CN 202110243687A CN 113159110 A CN113159110 A CN 113159110A
Authority
CN
China
Prior art keywords
image
liquid
ray
marked
identification
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
CN202110243687.1A
Other languages
English (en)
Inventor
吴勇敢
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.)
Anhui Qixin Smart Technology Co ltd
Original Assignee
Anhui Qixin Smart 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 Anhui Qixin Smart Technology Co ltd filed Critical Anhui Qixin Smart Technology Co ltd
Priority to CN202110243687.1A priority Critical patent/CN113159110A/zh
Publication of CN113159110A publication Critical patent/CN113159110A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G01N23/06—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 measuring the absorption
    • G01N23/083—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 measuring the absorption the radiation being X-rays
    • G01N23/087—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 measuring the absorption the radiation being X-rays using polyenergetic X-rays
    • 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
    • G01V5/224—Multiple energy techniques using one type of radiation, e.g. X-rays of different energies
    • 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
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/03—Investigating materials by wave or particle radiation by transmission
    • G01N2223/04—Investigating materials by wave or particle radiation by transmission and measuring absorption
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/10—Different kinds of radiation or particles
    • G01N2223/101—Different kinds of radiation or particles electromagnetic radiation
    • G01N2223/1016—X-ray
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/637—Specific applications or type of materials liquid
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/05—Recognition of patterns representing particular kinds of hidden objects, e.g. weapons, explosives, drugs

Landscapes

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

Abstract

本发明涉及液体检测分类，具体涉及一种基于X射线液体智能检测方法，利用高、低能X射线对物体进行照射，并计算出等效原子序数和物体密度，根据等效原子序数和物体密度确定液体种类，根据液体种类对X光图像中各像素进行标记，得到标记图像，利用卷积神经网络模型对X光图像进行识别，得到识别图像，将标记图像与识别图像进行对比，根据对比结果判断是否存在危险液体；本发明提供的技术方案能够有效克服现有技术所存在的不能通过X光图像进行液体及液体种类识别的缺陷。

Description

一种基于X射线液体智能检测方法
技术领域
本发明涉及液体检测分类，具体涉及一种基于X射线液体智能检测 方法。
背景技术
日常生活中，存在不法分子携带危险液体，包括汽油、酒精、火 机油、煤油以及各类***弹等违禁物品乘坐公共交通，一旦不能有 效检测将造成重大的人员伤亡和财产损失，也给社会造成非常恶劣的 负面影响。
为了减少这类事件的发生，安保工作势在必行。安检机作为安全 检查的工具之一，已被广泛应用于公共交通、司法机关和物流公司等 重要场所，是目前最有效的安保工具之一。安检机主要是对除人体以 外的行李、物品等进行透视性扫描，能够发现隐藏的危险物品，借助 于输送带将被检查行李送入X射线检查通道而完成检查的电子设备。
然而，现有安检机采用的是高、低能X射线穿过被检测物体，不 同物质对高能X射线、低能X射线的吸收率差异较大，从而可以根据 高能X射线和低能X射线的衰减率来计算被检测物体的等效原子序 数，再根据等效原子序数按照一定规则进行着色，显示最终的X射线 安检物品图像。
但是由于不同液体的等效原子序数差异较小，传统安检机按照着 色规则进行着色后，无法根据着色后的图片进行液体识别，而且不同 安检机厂家的着色规则标准不同，导致人工检测难度进一步加大，只 能要求乘客取出液体，通过“嗅”、“看”、“闻”、“尝”等方式 进行人工检测，大大提升了安检难度，同时也降低了安检效率。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点，本发明提供了一种基于X射线 液体智能检测方法，能够有效克服现有技术所存在的不能通过X光图 像进行液体及液体种类识别的缺陷。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种基于X射线液体智能检测方法，包括以下步骤：
S1、利用高、低能X射线对物体进行照射，并计算出等效原子序 数和物体密度；
S2、根据等效原子序数和物体密度确定液体种类；
S3、根据液体种类对X光图像中各像素进行标记，得到标记图像；
S4、利用卷积神经网络模型对X光图像进行识别，得到识别图像；
S5、将标记图像与识别图像进行对比，根据对比结果判断是否存 在危险液体。
优选地，S1中计算出等效原子序数和物体密度，包括：
利用X射线的衰减值计算出等效原子序数和物体密度。
优选地，S3中根据液体种类对X光图像中各像素进行标记，得到 标记图像，包括：
确定液体种类后，X光图像中的每个像素都包含横坐标、纵坐标 和液体种类信息，采用不同种类液体对应的颜色对每个像素进行着色 标记，得到标记图像。
优选地，S4中利用卷积神经网络模型对X光图像进行识别，得到 识别图像，包括：
利用训练好的卷积神经网络模型对X光图像进行识别，并根据识 别结果，采用不同种类液体对应的颜色对识别区域进行着色标记，得 到识别图像。
优选地，S4中利用卷积神经网络模型对X光图像进行识别，得到 识别图像之前，包括：
构建卷积神经网络模型，并采集着色后的标记图像作为训练图像 集，利用训练图像集对卷积神经网络模型进行训练，得到训练好的卷 积神经网络模型。
优选地，S5中将标记图像与识别图像进行对比，根据对比结果判 断是否存在危险液体，包括：
若标记图像、识别图像中存在着色相同的区域，并且该颜色与危 险液体对应的颜色相同时，判断该区域存在危险液体；
若标记图像、识别图像中存在着色相同的区域，并且该颜色与非 危险液体对应的颜色相同时，判断该区域不存在危险液体；
若标记图像、识别图像中存在着色不相同的区域时，则返回S1重 新生成标记图像、识别图像，并对重新生成的标记图像与识别图像进 行对比，判断是否存在危险液体。
优选地，S5中将标记图像与识别图像进行对比，判断是否为危险 液体之后，包括：若判断存在危险液体，对存在危险液体区域的位置 信息进行实时更新，并提示安检人员开包检查。
(三)有益效果
与现有技术相比，本发明所提供的一种基于X射线液体智能检测 方法，能够根据等效原子序数和物体密度确定液体种类，并根据液体 种类对X光图像中各像素进行标记，同时结合卷积神经网络模型的识 别结果对危险液体进行判定，从而能够准确对X光图像中的液体进行 分类，并准确判定是否存在危险液体，大大降低了安检难度，同时提 高了安检效率，为公共安全保驾护航。
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为本发明的流程示意图；
图2为本发明中等效原子序数和物体密度对应物体种类的示意 图；
图3为本发明中根据液体种类对X光图像中各像素进行标记，得 到的标记图像。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结 合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、 完整地描述。显然，所描述的实施例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 作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护 的范围。
一种基于X射线液体智能检测方法，如图1至图3所示，利用高、 低能X射线对物体进行照射，并计算出等效原子序数和物体密度。
其中，计算出等效原子序数和物体密度，包括：
利用X射线的衰减值计算出等效原子序数和物体密度。
根据等效原子序数和物体密度确定液体种类。
如图2所示，等效原子序数在6.8-7.2，物体密度在0.68-0.72g/cm3范围内的液体认定为酒精；等效原子序数在7.6-8.0，物体密度在 0.98-1.02g/cm3范围内的液体认定为水；等效原子序数在7-9，物体密 度在1.25-1.7g/cm3范围被认定为***物区域。
根据液体种类对X光图像中各像素进行标记，得到标记图像，具 体包括：
确定液体种类后，X光图像中的每个像素都包含横坐标、纵坐标 和液体种类信息，采用不同种类液体对应的颜色对每个像素进行着色 标记，得到标记图像。
如图3所示，其中左上方标记框内的深色着色区域为危险液体。
利用卷积神经网络模型对X光图像进行识别，得到识别图像，具 体包括：
利用训练好的卷积神经网络模型对X光图像进行识别，并根据识 别结果，采用不同种类液体对应的颜色对识别区域进行着色标记，得 到识别图像。
利用卷积神经网络模型对X光图像进行识别，得到识别图像之前， 包括：
构建卷积神经网络模型，并采集着色后的标记图像作为训练图像 集，利用训练图像集对卷积神经网络模型进行训练，得到训练好的卷 积神经网络模型。
将标记图像与识别图像进行对比，根据对比结果判断是否存在危 险液体，具体包括：
若标记图像、识别图像中存在着色相同的区域，并且该颜色与危 险液体对应的颜色相同时，判断该区域存在危险液体；
若标记图像、识别图像中存在着色相同的区域，并且该颜色与非 危险液体对应的颜色相同时，判断该区域不存在危险液体；
若标记图像、识别图像中存在着色不相同的区域时，则重新生成 标记图像、识别图像，并对重新生成的标记图像与识别图像进行对比， 判断是否存在危险液体。
将标记图像与识别图像进行对比，判断是否为危险液体之后，包 括：若判断存在危险液体，对存在危险液体区域的位置信息进行实时 更新，并提示安检人员开包检查。
以上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 会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。

Claims (7)

1.一种基于X射线液体智能检测方法，其特征在于：包括以下步骤：
S1、利用高、低能X射线对物体进行照射，并计算出等效原子序数和物体密度；
S2、根据等效原子序数和物体密度确定液体种类；
S3、根据液体种类对X光图像中各像素进行标记，得到标记图像；
S4、利用卷积神经网络模型对X光图像进行识别，得到识别图像；
S5、将标记图像与识别图像进行对比，根据对比结果判断是否存在危险液体。
2.根据权利要求1所述的基于X射线液体智能检测方法，其特征在于：S1中计算出等效原子序数和物体密度，包括：
利用X射线的衰减值计算出等效原子序数和物体密度。
3.根据权利要求2所述的基于X射线液体智能检测方法，其特征在于：S3中根据液体种类对X光图像中各像素进行标记，得到标记图像，包括：
确定液体种类后，X光图像中的每个像素都包含横坐标、纵坐标和液体种类信息，采用不同种类液体对应的颜色对每个像素进行着色标记，得到标记图像。
4.根据权利要求3所述的基于X射线液体智能检测方法，其特征在于：S4中利用卷积神经网络模型对X光图像进行识别，得到识别图像，包括：
利用训练好的卷积神经网络模型对X光图像进行识别，并根据识别结果，采用不同种类液体对应的颜色对识别区域进行着色标记，得到识别图像。
5.根据权利要求4所述的基于X射线液体智能检测方法，其特征在于：S4中利用卷积神经网络模型对X光图像进行识别，得到识别图像之前，包括：
构建卷积神经网络模型，并采集着色后的标记图像作为训练图像集，利用训练图像集对卷积神经网络模型进行训练，得到训练好的卷积神经网络模型。
6.根据权利要求4所述的基于X射线液体智能检测方法，其特征在于：S5中将标记图像与识别图像进行对比，根据对比结果判断是否存在危险液体，包括：
若标记图像、识别图像中存在着色相同的区域，并且该颜色与危险液体对应的颜色相同时，判断该区域存在危险液体；
若标记图像、识别图像中存在着色相同的区域，并且该颜色与非危险液体对应的颜色相同时，判断该区域不存在危险液体；
若标记图像、识别图像中存在着色不相同的区域时，则返回S1重新生成标记图像、识别图像，并对重新生成的标记图像与识别图像进行对比，判断是否存在危险液体。
7.根据权利要求6所述的基于X射线液体智能检测方法，其特征在于：S5中将标记图像与识别图像进行对比，判断是否为危险液体之后，包括：若判断存在危险液体，对存在危险液体区域的位置信息进行实时更新，并提示安检人员开包检查。
CN202110243687.1A 2021-03-05 2021-03-05 一种基于x射线液体智能检测方法 Pending CN113159110A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110243687.1A CN113159110A (zh) 2021-03-05 2021-03-05 一种基于x射线液体智能检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110243687.1A CN113159110A (zh) 2021-03-05 2021-03-05 一种基于x射线液体智能检测方法

Publications (1)

Publication Number Publication Date
CN113159110A true CN113159110A (zh) 2021-07-23

Family

ID=76884233

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110243687.1A Pending CN113159110A (zh) 2021-03-05 2021-03-05 一种基于x射线液体智能检测方法

Country Status (1)

Country Link
CN (1) CN113159110A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113781426A (zh) * 2021-09-07 2021-12-10 海深智能科技(上海)有限公司 一种识别液体成分的智能安检方法
WO2023087653A1 (zh) * 2021-11-17 2023-05-25 湖南苏科智能科技有限公司 基于神经网络和多源数据的双视角关联安检方法及***
CN116401587A (zh) * 2023-06-08 2023-07-07 乐山师范学院 一种基于x射线的物品类别识别方法
CN117347396A (zh) * 2023-08-18 2024-01-05 北京声迅电子股份有限公司 基于XGBoost模型的物质种类识别方法

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101629916A (zh) * 2008-07-15 2010-01-20 公安部第一研究所 液体安全检测的双能量x射线螺旋ct装置及其检测方法
US20100208972A1 (en) * 2008-09-05 2010-08-19 Optosecurity Inc. Method and system for performing x-ray inspection of a liquid product at a security checkpoint
US20100284514A1 (en) * 2007-10-05 2010-11-11 Li Zhang Method and device for inspection of liquid articles
CN102496032A (zh) * 2011-12-02 2012-06-13 云南电力试验研究院（集团）有限公司电力研究院 一种电气设备x射线数字图片处理算法支持***
CN103900503A (zh) * 2012-12-27 2014-07-02 清华大学 提取形状特征的方法、安全检查方法以及设备
CN105807329A (zh) * 2016-05-30 2016-07-27 公安部第研究所 一种用于识别包裹中危险液体的x射线检测装置与方法
CN107145898A (zh) * 2017-04-14 2017-09-08 北京航星机器制造有限公司 一种基于神经网络的射线图像分类方法
CN107271467A (zh) * 2017-07-26 2017-10-20 公安部第三研究所 一种基于x射线透视和散射技术的危险液体识别方法及***
CN109884721A (zh) * 2018-12-10 2019-06-14 深圳极视角科技有限公司 基于人工智能的安检违禁物品检测方法、装置及电子设备
CN109946746A (zh) * 2019-03-21 2019-06-28 长安大学 一种基于深度神经网络的安检***及方法
CN110163179A (zh) * 2019-05-29 2019-08-23 浙江啄云智能科技有限公司 一种基于深度学习的违禁品检测识别方法、***、设备及其存储介质
CN110544282A (zh) * 2019-08-30 2019-12-06 清华大学 基于神经网络的三维多能谱ct重建方法和设备及存储介质
CN111126238A (zh) * 2019-12-19 2020-05-08 华南理工大学 一种基于卷积神经网络的x光安检***及方法
CN111458760A (zh) * 2020-04-28 2020-07-28 合肥格泉智能科技有限公司 跨境物品图像查验方法及***
CN111767902A (zh) * 2020-07-31 2020-10-13 上海中通吉网络技术有限公司 安检机危险品的识别方法、装置、设备及存储介质
CN111815616A (zh) * 2020-07-21 2020-10-23 山西卡斯特网络科技有限公司 一种基于深度学习的x光安检图像中危险品检测方法
CN112346138A (zh) * 2019-08-09 2021-02-09 株式会社日立解决方案 X射线图像处理***及其方法、记录介质

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100284514A1 (en) * 2007-10-05 2010-11-11 Li Zhang Method and device for inspection of liquid articles
CN101629916A (zh) * 2008-07-15 2010-01-20 公安部第一研究所 液体安全检测的双能量x射线螺旋ct装置及其检测方法
US20100208972A1 (en) * 2008-09-05 2010-08-19 Optosecurity Inc. Method and system for performing x-ray inspection of a liquid product at a security checkpoint
CN102496032A (zh) * 2011-12-02 2012-06-13 云南电力试验研究院（集团）有限公司电力研究院 一种电气设备x射线数字图片处理算法支持***
CN103900503A (zh) * 2012-12-27 2014-07-02 清华大学 提取形状特征的方法、安全检查方法以及设备
CN105807329A (zh) * 2016-05-30 2016-07-27 公安部第研究所 一种用于识别包裹中危险液体的x射线检测装置与方法
CN107145898A (zh) * 2017-04-14 2017-09-08 北京航星机器制造有限公司 一种基于神经网络的射线图像分类方法
CN107271467A (zh) * 2017-07-26 2017-10-20 公安部第三研究所 一种基于x射线透视和散射技术的危险液体识别方法及***
CN109884721A (zh) * 2018-12-10 2019-06-14 深圳极视角科技有限公司 基于人工智能的安检违禁物品检测方法、装置及电子设备
CN109946746A (zh) * 2019-03-21 2019-06-28 长安大学 一种基于深度神经网络的安检***及方法
CN110163179A (zh) * 2019-05-29 2019-08-23 浙江啄云智能科技有限公司 一种基于深度学习的违禁品检测识别方法、***、设备及其存储介质
CN112346138A (zh) * 2019-08-09 2021-02-09 株式会社日立解决方案 X射线图像处理***及其方法、记录介质
CN110544282A (zh) * 2019-08-30 2019-12-06 清华大学 基于神经网络的三维多能谱ct重建方法和设备及存储介质
CN111126238A (zh) * 2019-12-19 2020-05-08 华南理工大学 一种基于卷积神经网络的x光安检***及方法
CN111458760A (zh) * 2020-04-28 2020-07-28 合肥格泉智能科技有限公司 跨境物品图像查验方法及***
CN111815616A (zh) * 2020-07-21 2020-10-23 山西卡斯特网络科技有限公司 一种基于深度学习的x光安检图像中危险品检测方法
CN111767902A (zh) * 2020-07-31 2020-10-13 上海中通吉网络技术有限公司 安检机危险品的识别方法、装置、设备及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
KEVIN J LIANG等: "Toward automatic threat recognition for airport X-ray baggage screening with deep convolutional object detection", 《ARXIV PREPRINT》, pages 1 - 11 *
REZA HASSANPOUR: "Illicit material detection using dual-energy X-ray images", 《INTERNATIONAL ARAB JOURNAL OF INFORMATION TECHNOLOGY》, vol. 13, no. 4, pages 409 - 416 *
朱涛涛等: "基于CT安检技术的机场智能旅检通道新探索", 《CT理论与应用研究》, vol. 29, no. 4, pages 447 - 455 *
李文博: "低剂量双能X射线物品检查与液态危险品识别技术的研究", 《中国优秀硕士学位论文全文数据库：信息科技辑》, no. 2013, pages 140 - 477 *
陈志强等: "X射线安全检查技术研究新进展", 《科学通报》, vol. 62, no. 13, pages 1350 - 1365 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113781426A (zh) * 2021-09-07 2021-12-10 海深智能科技(上海)有限公司 一种识别液体成分的智能安检方法
CN113781426B (zh) * 2021-09-07 2024-02-13 海深智能科技(上海)有限公司 一种识别液体成分的智能安检方法
WO2023087653A1 (zh) * 2021-11-17 2023-05-25 湖南苏科智能科技有限公司 基于神经网络和多源数据的双视角关联安检方法及***
CN116401587A (zh) * 2023-06-08 2023-07-07 乐山师范学院 一种基于x射线的物品类别识别方法
CN116401587B (zh) * 2023-06-08 2023-08-18 乐山师范学院 一种基于x射线的物品类别识别方法
CN117347396A (zh) * 2023-08-18 2024-01-05 北京声迅电子股份有限公司 基于XGBoost模型的物质种类识别方法
CN117347396B (zh) * 2023-08-18 2024-05-03 北京声迅电子股份有限公司 基于XGBoost模型的物质种类识别方法

Similar Documents

Publication Publication Date Title
CN113159110A (zh) 一种基于x射线液体智能检测方法
CN104636707B (zh) 自动检测香烟的方法
De Charette et al. Traffic light recognition using image processing compared to learning processes
CN104350510B (zh) 用于将图像的前景对象与背景模型区分开的方法和***
CN110009913A (zh) 一种闯红灯车辆的非现场执法图片智能审核方法和***
CN106951879A (zh) 基于摄像头与毫米波雷达的多特征融合车辆检测方法
CN102999749B (zh) 基于人脸检测的安全带违章事件智能检测方法
CN105809091B (zh) 检查方法和***
CN106469309A (zh) 车辆监控的方法和装置、处理器、图像采集设备
CN105279475A (zh) 一种基于车辆身份识别的***识别的方法与装置
CN115995119B (zh) 基于物联网的气瓶充装环节违规行为识别方法及***
CN109389046A (zh) 用于自动驾驶的全天候物体识别与车道线检测方法
CN106355180B (zh) 一种基于颜色与边缘特征相结合的车牌定位方法
CN103824081A (zh) 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法
CN106940784A (zh) 一种基于视频的公交车检测与识别方法及***
CN109409191A (zh) 一种基于机器学习的斑马线车辆避让检测方法及***
CN103679205A (zh) 基于阴影假设和分层hog对称特征验证的前车检测方法
CN111523415A (zh) 一种基于图像的两客一危车辆检测方法和装置
CN107194393A (zh) 一种检测临时车牌的方法及装置
CN113553916B (zh) 一种基于卷积神经网络的轨道危险区域障碍物检测方法
CN104361366B (zh) 一种车牌识别方法及车牌识别设备
CN105809219B (zh) 一种隧道预制管片生产线的预制管片质量检测统计***和方法
CN113298077A (zh) 一种基于深度学习的变电站异物识别定位方法及装置
CN108074227B (zh) 残损人民币销毁前检测***和检测方法
CN113657305B (zh) 一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法

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