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 PDFInfo
- 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
Links
- 239000007788 liquid Substances 0.000 title claims abstract description 88
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 230000001678 irradiating effect Effects 0.000 claims abstract description 3
- 238000004040 coloring Methods 0.000 claims description 12
- 238000007689 inspection Methods 0.000 claims description 12
- 239000003550 marker Substances 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 12
- 239000003086 colorant Substances 0.000 claims description 7
- 231100001261 hazardous Toxicity 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 150000001298 alcohols Chemical class 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000003350 kerosene Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
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。
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)
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)
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 |
-
2021
- 2021-03-05 CN CN202110243687.1A patent/CN113159110A/zh active Pending
Patent Citations (17)
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)
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)
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 |