CN113591677A - 违禁品识别方法、装置、存储介质及计算机设备 - Google Patents
违禁品识别方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN113591677A CN113591677A CN202110857749.8A CN202110857749A CN113591677A CN 113591677 A CN113591677 A CN 113591677A CN 202110857749 A CN202110857749 A CN 202110857749A CN 113591677 A CN113591677 A CN 113591677A
- Authority
- CN
- China
- Prior art keywords
- electromagnetic wave
- contraband
- wave signals
- training
- frequency
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供的违禁品识别方法、装置、存储介质及计算机设备,在使用安检设备进行违禁品检测时,可先将采集到的待测对象的电磁波信号进行预处理,以便得到多个频段的电磁波信号,然后将各个频段的电磁波信号依次输入至预先配置的分类模型中,通过分类模型对每个频段的电磁波信号进行识别并分类后,能够确保每个频段的电磁波信号都能够得到较为准确的分类结果,最终基于每个频段的电磁波信号对应的分类结果来确定待测对象携带的违禁品的类型,可以进一步提高违禁品识别的准确率;并且,通过本申请的违禁品识别方法,不仅可以识别违禁品和非违禁品,还可以识别违禁品的种类,有利于提高安检设备的检测效率。
Description
技术领域
本发明涉及安防领域,尤其涉及一种违禁品识别方法、装置、存储介质及计算机设备。
背景技术
安检设备作为安防行业的新兴事物,已被越来越多的企业和用户关注并使用。例如,安检门在工作时,由晶振产生3.5-4.95M的正弦振荡,该正弦振荡通过分频器分频为7.8K左右的正弦波,该正弦波经三极管与线圈功率放大后输入门板(7区)大线圈内进行电磁波发射,接着由门内1-6区线圈分别进行接收。
现有技术在使用安检门进行违禁品检测时,主要是将接收到的电磁波信号与基准信号进行比较,若发生变化的话,则改变采集卡输出电平,使得CPU在300毫秒内对6个区位采集卡数据进行扫描,判断违禁品所在区位并输出显示。
由上述内容可知,现有的安检设备在进行违禁品检测时,只能够判断违禁品所在区位并显示,无法检测具体的违禁品种类。
发明内容
本发明的目的旨在至少能解决上述的技术缺陷之一,特别是现有技术中安检设备在进行违禁品检测时,只能够判断违禁品所在区位并显示,无法检测具体的违禁品种类的技术缺陷。
本发明提供了一种违禁品识别方法,所述方法包括:
获取安检设备采集的待测对象的电磁波信号;
对所述电磁波信号进行预处理后,得到多个频段的电磁波信号;
将各个频段的电磁波信号依次输入至预先配置的分类模型中,得到所述分类模型输出的每个频段的电磁波信号对应的分类结果;所述分类模型为,以所述安检设备采集的训练对象的电磁波信号为训练样本,以所述训练对象携带的违禁品的类型为样本标签训练得到的;
基于每个频段的电磁波信号对应的分类结果,确定所述待测对象携带的违禁品的类型。
可选地,所述对所述电磁波信号进行预处理后,得到多个频段的电磁波信号的步骤,包括:
将所述电磁波信号转换为频域信号;
对所述频域信号进行滤波处理并分段,得到多个频段的电磁波信号。
可选地,所述对所述频域信号进行滤波处理并分段,得到多个频段的电磁波信号的步骤,包括:
利用预定义函数对所述频域信号进行滤波处理;
对滤波处理后的频域信号进行分段,得到多个频段的电磁波信号;
其中,所述预定义函数包括带通滤波器和窗函数。
可选地,所述带通滤波器的高截止频率大于所述带通滤波器的低截止频率,且所述带通滤波器的低截止频率大于零。
可选地,所述基于每个频段的电磁波信号对应的分类结果,确定所述待测对象携带的违禁品的类型的步骤,包括:
统计每个频段的电磁波信号对应的分类结果;
将各个分类结果中得票数最多的分类结果,作为所述待测对象携带的违禁品的类型。
可选地,所述分类模型的训练过程,包括:
将所述安检设备采集的训练对象的电磁波信号输入所述分类模型;
得到所述分类模型输出的分类结果;
以所述分类模型对输入的训练对象的电磁波信号所预测的分类结果趋近于所述训练对象携带的违禁品的类型为目标,更新模型参数。
本发明还提供了一种违禁品识别装置,包括:
信号获取模块,用于获取安检设备工作时采集的待测对象的电磁波信号;
预处理模块,用于对所述电磁波信号进行预处理后,得到多个频段的电磁波信号;
分类模块,用于将各个频段的电磁波信号依次输入至预先配置的分类模型中,得到所述分类模型输出的每个频段的电磁波信号对应的分类结果;所述分类模型为,所述安检设备采集的训练对象的电磁波信号为训练样本,以所述训练对象携带的违禁品的类型为样本标签训练得到的;
违禁品识别模块,用于基于每个频段的电磁波信号对应的分类结果,确定所述待测对象携带的违禁品的类型。
可选地,所述预处理模块包括:
频域转换模块,用于将所述电磁波信号转换为频域信号;
滤波分段模块,用于对所述频域信号进行滤波处理并分段,得到多个频段的电磁波信号。
本发明还提供了一种存储介质,所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如上述实施例中任一项所述违禁品识别方法的步骤。
本发明还提供了一种计算机设备,所述计算机设备中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如上述实施例中任一项所述违禁品识别方法的步骤。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明提供的违禁品识别方法、装置、存储介质及计算机设备,在使用安检设备进行违禁品检测时,可先将采集到的待测对象的电磁波信号进行预处理,以便得到多个频段的电磁波信号,然后将各个频段的电磁波信号依次输入至预先配置的分类模型中,由于电磁波信号被划分为多个频段,通过分类模型对每个频段的电磁波信号进行识别并分类后,能够确保每个频段的电磁波信号都能够得到较为准确的分类结果,最终基于每个频段的电磁波信号对应的分类结果来确定待测对象携带的违禁品的类型,可以进一步提高违禁品识别的准确率;并且,本申请中的分类模型是以安检设备采集的训练对象的电磁波信号为训练样本,以训练对象携带的违禁品的类型为样本标签训练得到的,因此,通过本申请的违禁品识别方法,不仅可以识别违禁品和非违禁品,还可以识别违禁品的种类,有利于提高安检设备的检测效率。
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性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种违禁品识别方法的流程示意图;
图2为本发明实施例提供的一种违禁品识别装置的结构示意图;
图3为本发明实施例提供的一种计算机设备的内部结构示意图。
具体实施方式
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。
安检设备作为安防行业的新兴事物,已被越来越多的企业和用户关注并使用。例如,安检门在工作时,由晶振产生3.5-4.95M的正弦振荡,该正弦振荡通过分频器分频为7.8K左右的正弦波,该正弦波经三极管与线圈功率放大后输入门板(7区)大线圈内进行电磁波发射,接着由门内1-6区线圈分别进行接收。
现有技术在使用安检门进行违禁品检测时,主要是将接收到的电磁波信号与基准信号进行比较,若发生变化的话,则改变采集卡输出电平,使得CPU在300毫秒内对6个区位采集卡数据进行扫描,判断违禁品所在区位并输出显示。
由上述内容可知,现有的安检设备在进行违禁品检测时,只能够判断违禁品所在区位并显示,无法检测具体的违禁品种类。
因此,本发明的目的是解决现有技术中安检设备在进行违禁品检测时,只能够判断违禁品所在区位并显示,无法检测具体的违禁品种类的技术问题,并提出如下技术方案:
在一个实施例中,如图1所示,图1为本发明实施例提供的一种违禁品识别方法的流程示意图;本发明提供了一种违禁品识别方法,所述方法包括:
S110:获取安检设备采集的待测对象的电磁波信号。
本步骤中,在进行违禁品识别之前,可以获取安检设备采集的待测对象的电磁波信号,通过对电磁波信号进行检测和识别后,即可确定待测对象所携带的违禁品的类型。
可以理解的是,这里的安检设备包括但不限于安检门、手持金属探测仪、安检X光机、危险液体检测仪、车底视频检查镜、鞋内金属探测仪、软管内窥镜等,一般用于公安反恐、机场、车站、法院、检察院等。
这里的安检指的是安全检查,比如对机场中需要登机的旅客进行安全检查时,主要是检查旅客及其行李物品中是否携带***、弹药、易燃、易爆、腐蚀、有毒放射性等危险物品,以确保航空器及乘客的人身、财产安全;而安检门主要用来检测旅客是否携带金属物品,如硬币、钥匙、铜箔、铝箔、银箔、锌片、铜片、铁块、铜块、刀具、***、腰带炸弹、背心炸弹及各种罐体、管体等。
这里的待测对象可以是正在接受安检的人员,也可以是正在接受安检的行李物品等,在此不做限制。
S120:对电磁波信号进行预处理后,得到多个频段的电磁波信号。
本步骤中,通过步骤S110获取安检设备采集的待测对象的电磁波信号后,可以对该电磁波信号进行预处理,以便得到多个频段的电磁波信号。
可以理解的是,实际采集的电磁波信号为模拟信号,在对电磁波信号进行数字处理之前,需要将模拟电磁波信号以采样周期T进行采样,将其离散化为数字信号,采样周期的选取可以根据模拟电磁波信号的带宽来确定,以避免信号的频域混叠失真。
在对离散后的电磁波信号进行量化处理过程中会带来一定的量化噪声和失真。因此,本申请在对电磁波信号进行检测之前,可以对电磁波信号进行预处理操作,该预处理操作包括但不限于滤波和分频段操作,电磁波信号经滤波处理后,不但可以滤除噪声,还可以增加信号强度,滤波处理后的电磁波信号经分频段处理后,可以划分为多个频段的电磁波信号,这样可以对电磁波信号的局部特征进行精确识别,以使最终的检测结果更为精准。
S130:将各个频段的电磁波信号依次输入至预先配置的分类模型中,得到分类模型输出的每个频段的电磁波信号对应的分类结果。
本步骤中,通过步骤S120对电磁波信号进行预处理后得到多个频段的电磁波信号之后,可以将各个频段的电磁波信号依次输入至预先配置的分类模型中,以使该分类模型对每个频段的电磁波信号进行识别并分类,并输出每个频段的电磁波信号对应的分类结果。
其中,分类模型是以安检设备采集的训练对象的电磁波信号为训练样本,以训练对象携带的违禁品的类型为样本标签训练得到的。
可以理解的是,这里的训练对象指的是模型训练时的待测对象,该训练对象可以是正在接受安检的人员,也可以是正在接受安检的行李物品等,在此不做限制。
这里训练对象携带的违禁品的类型可以是违禁品和非违禁品,违禁品可以包括金属物品,金属物品可以包括手机、硬币、钥匙、铜箔、铝箔、银箔、锌片、铜片、铁块、铜块、刀具、***、腰带炸弹、背心炸弹及各种罐体、管体等,非违禁品可以是除违禁品外的其他物品。
当分类模型以安检设备采集的训练对象的电磁波信号为训练样本,以训练对象携带的违禁品的类型为样本标签进行多次迭代训练后,即可投入到正常安检作业当中。
另外,需要说明的是,分类模型训练过程中输入的训练样本,也可以是分段形式的训练对象的电磁波信号。
S140:基于每个频段的电磁波信号对应的分类结果,确定待测对象携带的违禁品的类型。
本步骤中,通过步骤S130将各个频段的电磁波信号依次输入至预先配置的分类模型中,得到分类模型输出的每个频段的电磁波信号对应的分类结果后,可以根据每个频段的电磁波信号对应的分类结果,来确定待测对象携带的违禁品类型。
举例来说,分类模型在输出每个频段的电磁波信号对应的分类结果之后,还可以通过融合算法来对每个频段的电磁波信号对应的分类结果进行融合,如分类模型在输出每个频段的电磁波信号对应的分类结果的同时,给出该分类结果的置信度,然后根据每个频段的电磁波信号对应的置信度对每个频段的电磁波信号对应的分类结果进行加权融合,从而确定待测对象携带的违禁品类型。
另外,该融合算法还可以通过投票的方式来确定待测对象携带的违禁品类型。比如说,对于每个频段的电磁波信号对应的分类结果,可以通过投票的方式,并按照少数服从多数的原则融合得到一个新的预测结果,该预测结果即为本申请中待测对象携带的违禁品类型。
需要说明的是,本申请的违禁品识别方法,在确定待测对象携带的违禁品类型时,若待测对象为正在接受安检的人员,对正在接受安检的人员的电磁波信号进行采集后,检测出该电磁波信号中并不包含违禁品成分,则表明正在接受安检的人员未携带违禁品;而检测出该电磁波信号中包含违禁品成分时,则表明正在接受安检的人员携带了违禁品,通过本申请的分类模型即可确定携带的违禁品的类型。
上述实施例中,在使用安检设备进行违禁品检测时,可先将采集到的待测对象的电磁波信号进行预处理,以便得到多个频段的电磁波信号,然后将各个频段的电磁波信号依次输入至预先配置的分类模型中,由于电磁波信号被划分为多个频段,通过分类模型对每个频段的电磁波信号进行识别并分类后,能够确保每个频段的电磁波信号都能够得到较为准确的分类结果,最终基于每个频段的电磁波信号对应的分类结果来确定待测对象携带的违禁品的类型,可以进一步提高违禁品识别的准确率;并且,本申请中的分类模型是以安检设备采集的训练对象的电磁波信号为训练样本,以训练对象携带的违禁品的类型为样本标签训练得到的,因此,通过本申请的违禁品识别方法,不仅可以识别违禁品和非违禁品,还可以识别违禁品的种类,有利于提高安检设备的检测效率。
上述实施例对本申请的违禁品检测方法进行了展开说明,下面将对本申请中对电磁波信号进行处理的步骤进行说明。
在一个实施例中,步骤S120中对所述电磁波信号进行预处理后,得到多个频段的电磁波信号的步骤,可以包括:
S121:将所述电磁波信号转换为频域信号。
S122:对所述频域信号进行滤波处理并分段,得到多个频段的电磁波信号。
本实施例中,在对电磁波信号进行滤波处理之前,可以将电磁波信号进行频域转换后,得到对应的频域信号,接着再选择合适的滤波器对频域信号进行滤波处理并分段,从而得到多个频段的电磁波信号。
上述实施例中对本申请中对电磁波信号进行处理的步骤进行说明,下面将对本申请中如何对频域信号进行滤波处理并分段,得到多个频段的电磁波信号的过程进行展开描述。
在一个实施例中,步骤S122中对所述频域信号进行滤波处理并分段,得到多个频段的电磁波信号的步骤,可以包括:
S221:利用预定义函数对所述频域信号进行滤波处理。
S222:对滤波处理后的频域信号进行分段,得到多个频段的电磁波信号;其中,所述预定义函数包括带通滤波器和窗函数。
本实施例中,在对频域信号进行滤波处理时,可以使用预定义函数,该预定义函数可以包括带通滤波器和窗函数。
例如,对频域信号进行滤波处理的计算公式可以是:y[n]=x[n]·gw[n,f1,f2],
其中,x[n]是电磁波信号对应的频域信号,y[n]是输出,gw[n,f1,f2]包括滤波器和窗函数,gw[n,f1,f2]的计算方式为gw[n,f1,f2]=g[n,f1,f2]·w[n],w[n]是Hamming窗,为了平滑gw函数的截断特性,
另外,g[n,f1,f2]是带通滤波器,在频域上有截断特性,它的计算方法是g[n,f1,f2]=2f2sinc(2πf2n)-2f1sinc(2πf1n),这里sinc(x)=sin(x)/x,其中f1,f2分别是低截断频率和高截断频率,两者都是可学习的,截断频率均随机初始化为[0,fs/2]范围的值,fs为信号采样率。
在对频域信号进行滤波处理后,还可以对滤波处理后的频域信号划分频段,从而得到多个频段的电磁波信号。划分频段时,可以依据电磁波信号的采样频率来进行划分。
上述实施例中对本申请中如何对频域信号进行滤波处理并分段,得到多个频段的电磁波信号的过程进行展开描述,下面将对本申请中带通滤波器进行说明。
在一个实施例中,所述带通滤波器的高截止频率大于所述带通滤波器的低截止频率,且所述带通滤波器的低截止频率大于零。
本实施例中,为了更好地从低频中提取有效信息,截断频率初始化均采用Mel频率。此外,为了保证f1>0,f2>f1,f1定义为取绝对值,f2定义为f2=f1+|f2-f1|。
上述实施例对本申请中带通滤波器进行说明,下面将对本申请只能够如何确定待测对象携带的违禁品的类型进行展开描述。
在一个实施例中,步骤S140中基于每个频段的电磁波信号对应的分类结果,确定所述待测对象携带的违禁品的类型的步骤,可以包括:
S141:统计每个频段的电磁波信号对应的分类结果。
S142:将各个分类结果中得票数最多的分类结果,作为所述待测对象携带的违禁品的类型。
本实施例中,在确定待测对象携带的违禁品的类型时,可以基于每个频段的电磁波信号对应的分类结果来进行确定。
举例来说,可以统计每个频段的电磁波信号对应的分类结果,然后将各个分类结果中得票数最多的分类结果,作为待测对象携带的违禁品的类型。
比如说,得到每个频段的电磁波信号对应的分类结果后,若统计得到的票数最多的分类结果为当前检测的电磁波信号对应的违禁品类型是手机的话,则表示当前待测对象携带的违禁品的类型为手机。
进一步地,当统计后出现得票数最多的分类结果对应的违禁品类型有多个的话,则表示当前待测对象携带的违禁品的类型不止一个,可能包括手机、钥匙、项链等金属物品。
上述实施例对本申请只能够如何确定待测对象携带的违禁品的类型进行展开描述,下面将对本申请中分类模型的训练过程进行说明。
在一个实施例中,所述分类模型的训练过程,可以包括:
S151:将所述安检设备采集的训练对象的电磁波信号输入所述分类模型。
S152:得到所述分类模型输出的分类结果。
S153:以所述分类模型对输入的训练对象的电磁波信号所预测的分类结果趋近于所述训练对象携带的违禁品的类型为目标,更新模型参数。
本实施例中,当分类模型以安检设备采集的训练对象的电磁波信号为训练样本,以训练对象携带的违禁品的类型为样本标签进行多次迭代训练,并在每次迭代训练时,以分类模型对输入的训练对象的电磁波信号所预测的分类结果趋近于训练对象携带的违禁品的类型为目标,更新模型参数。
若当前的分类模型对输入的训练对象对应的电磁波信号所预测的分类结果趋近于训练对象携带的违禁品的类型的话,则停止更新模型参数,并将当前的分类模型作为最终的分类模型。
下面对本申请实施例提供的违禁品识别装置进行描述,下文描述的违禁品识别装置与上文描述的违禁品识别方法可相互对应参照。
在一个实施例中,如图2所示,图2为本发明实施例提供的一种违禁品识别装置的结构示意图;本发明还提供了一种违禁品识别装置,包括信号获取模块210、预处理模块220、分类模块230、违禁品识别模块240,具体包括如下:
信号获取模块210,用于获取安检设备工作时采集的待测对象的电磁波信号。
预处理模块220,用于对所述电磁波信号进行预处理后,得到多个频段的电磁波信号。
分类模块230,用于将各个频段的电磁波信号依次输入至预先配置的分类模型中,得到所述分类模型输出的每个频段的电磁波信号对应的分类结果;所述分类模型为,所述安检设备采集的训练对象的电磁波信号为训练样本,以所述训练对象携带的违禁品的类型为样本标签训练得到的。
违禁品识别模块240,用于基于每个频段的电磁波信号对应的分类结果,确定所述待测对象携带的违禁品的类型。
上述实施例中,在使用安检设备进行违禁品检测时,可先将采集到的待测对象的电磁波信号进行预处理,以便得到多个频段的电磁波信号,然后将各个频段的电磁波信号依次输入至预先配置的分类模型中,由于电磁波信号被划分为多个频段,通过分类模型对每个频段的电磁波信号进行识别并分类后,能够确保每个频段的电磁波信号都能够得到较为准确的分类结果,最终基于每个频段的电磁波信号对应的分类结果来确定待测对象携带的违禁品的类型,可以进一步提高违禁品识别的准确率;并且,本申请中的分类模型是以安检设备采集的训练对象的电磁波信号为训练样本,以训练对象携带的违禁品的类型为样本标签训练得到的,因此,通过本申请的违禁品识别方法,不仅可以识别违禁品和非违禁品,还可以识别违禁品的种类,有利于提高安检设备的检测效率。
在一个实施例中,所述预处理模块220可以包括:
频域转换模块,用于将所述电磁波信号转换为频域信号。
滤波分段模块,用于对所述频域信号进行滤波处理并分段,得到多个频段的电磁波信号。
在一个实施例中,所述滤波分段模块可以包括:
滤波模块,用于利用预定义函数对所述频域信号进行滤波处理。
分段模块,用于对滤波处理后的频域信号进行分段,得到多个频段的电磁波信号;其中,所述预定义函数包括带通滤波器和窗函数。
在一个实施例中,所述带通滤波器的高截止频率大于所述带通滤波器的低截止频率,且所述带通滤波器的低截止频率大于零。
在一个实施例中,所述违禁品识别模块240可以包括:
统计模块,用于统计每个频段的电磁波信号对应的分类结果。
确定模块,用于将各个分类结果中得票数最多的分类结果,作为所述待测对象携带的违禁品的类型。
在一个实施例中,所述分类模型的训练过程,可以包括:
输入模块,用于将所述安检设备采集的训练对象的电磁波信号输入所述分类模型。
输出模块,用于得到所述分类模型输出的分类结果。
参数更新模块,用于以所述分类模型对输入的训练对象的电磁波信号所预测的分类结果趋近于所述训练对象携带的违禁品的类型为目标,更新模型参数。
在一个实施例中,本发明还提供了一种存储介质,所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如上述实施例中任一项所述违禁品识别方法的步骤。
在一个实施例中,本发明还提供了一种计算机设备,所述计算机设备中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如上述实施例中任一项所述违禁品识别方法的步骤。
示意性地,如图3所示,图3为本发明实施例提供的一种计算机设备的内部结构示意图,该计算机设备300可以被提供为一服务器。参照图3,计算机设备300包括处理组件302,其进一步包括一个或多个处理器,以及由存储器301所代表的存储器资源,用于存储可由处理组件302的执行的指令,例如应用程序。存储器301中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件302被配置为执行指令,以执行上述任意实施例的文本识别方法。
计算机设备300还可以包括一个电源组件303被配置为执行计算机设备300的电源管理,一个有线或无线网络接口304被配置为将计算机设备300连接到网络,和一个输入输出(I/O)接口305。计算机设备300可以操作基于存储在存储器301的操作***,例如WindowsServer TM、Mac OS XTM、Unix TM、Linux TM、Free BSDTM或类似。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间可以根据需要进行组合,且相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种违禁品识别方法,其特征在于,所述方法包括:
获取安检设备采集的待测对象的电磁波信号;
对所述电磁波信号进行预处理后,得到多个频段的电磁波信号;
将各个频段的电磁波信号依次输入至预先配置的分类模型中,得到所述分类模型输出的每个频段的电磁波信号对应的分类结果;所述分类模型为,以所述安检设备采集的训练对象的电磁波信号为训练样本,以所述训练对象携带的违禁品的类型为样本标签训练得到的;
基于每个频段的电磁波信号对应的分类结果,确定所述待测对象携带的违禁品的类型。
2.根据权利要求1所述的违禁品识别方法,其特征在于,所述对所述电磁波信号进行预处理后,得到多个频段的电磁波信号的步骤,包括:
将所述电磁波信号转换为频域信号;
对所述频域信号进行滤波处理并分段,得到多个频段的电磁波信号。
3.根据权利要求2所述的违禁品识别方法,其特征在于,所述对所述频域信号进行滤波处理并分段,得到多个频段的电磁波信号的步骤,包括:
利用预定义函数对所述频域信号进行滤波处理;
对滤波处理后的频域信号进行分段,得到多个频段的电磁波信号;
其中,所述预定义函数包括带通滤波器和窗函数。
4.根据权利要求3所述的违禁品识别方法,其特征在于,所述带通滤波器的高截止频率大于所述带通滤波器的低截止频率,且所述带通滤波器的低截止频率大于零。
5.根据权利要求1所述的违禁品识别方法,其特征在于,所述基于每个频段的电磁波信号对应的分类结果,确定所述待测对象携带的违禁品的类型的步骤,包括:
统计每个频段的电磁波信号对应的分类结果;
将各个分类结果中得票数最多的分类结果,作为所述待测对象携带的违禁品的类型。
6.根据权利要求1所述的违禁品识别方法,其特征在于,所述分类模型的训练过程,包括:
将所述安检设备采集的训练对象的电磁波信号输入所述分类模型;
得到所述分类模型输出的分类结果;
以所述分类模型对输入的训练对象的电磁波信号所预测的分类结果趋近于所述训练对象携带的违禁品的类型为目标,更新模型参数。
7.一种违禁品识别装置,其特征在于,包括:
信号获取模块,用于获取安检设备工作时采集的待测对象的电磁波信号;
预处理模块,用于对所述电磁波信号进行预处理后,得到多个频段的电磁波信号;
分类模块,用于将各个频段的电磁波信号依次输入至预先配置的分类模型中,得到所述分类模型输出的每个频段的电磁波信号对应的分类结果;所述分类模型为,所述安检设备采集的训练对象的电磁波信号为训练样本,以所述训练对象携带的违禁品的类型为样本标签训练得到的;
违禁品识别模块,用于基于每个频段的电磁波信号对应的分类结果,确定所述待测对象携带的违禁品的类型。
8.根据权利要求7所述的违禁品识别方法,其特征在于,所述预处理模块包括:
频域转换模块,用于将所述电磁波信号转换为频域信号;
滤波分段模块,用于对所述频域信号进行滤波处理并分段,得到多个频段的电磁波信号。
9.一种存储介质,其特征在于:所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求1至7中任一项所述违禁品识别方法的步骤。
10.一种计算机设备,其特征在于:所述计算机设备中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求1至7中任一项所述违禁品识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110857749.8A CN113591677A (zh) | 2021-07-28 | 2021-07-28 | 违禁品识别方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110857749.8A CN113591677A (zh) | 2021-07-28 | 2021-07-28 | 违禁品识别方法、装置、存储介质及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113591677A true CN113591677A (zh) | 2021-11-02 |
Family
ID=78251086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110857749.8A Pending CN113591677A (zh) | 2021-07-28 | 2021-07-28 | 违禁品识别方法、装置、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591677A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140231649A1 (en) * | 2011-04-29 | 2014-08-21 | Tsinghua University | Concealed dangerous articles detection method and device |
US20160018557A1 (en) * | 2014-07-21 | 2016-01-21 | Nuctech Company Limited | Methods and devices for inspecting liquid |
CN107886050A (zh) * | 2017-10-16 | 2018-04-06 | 电子科技大学 | 利用时频特征与随机森林的水下目标识别方法 |
CN108845321A (zh) * | 2018-04-19 | 2018-11-20 | 北京三快在线科技有限公司 | 目标对象的识别方法、装置及无人驾驶智能设备 |
CN109375220A (zh) * | 2018-03-30 | 2019-02-22 | 清华大学 | 安全检查***及其数据处理方法 |
CN109470720A (zh) * | 2018-09-29 | 2019-03-15 | 深圳市华讯方舟太赫兹科技有限公司 | 液体识别方法、向量提取方法、液体识别装置及存储介质 |
CN109870697A (zh) * | 2018-12-27 | 2019-06-11 | 东莞理工学院 | 一种基于超声波声学的物体检测和分类方法 |
CN109978892A (zh) * | 2019-03-21 | 2019-07-05 | 浙江啄云智能科技有限公司 | 一种基于太赫兹成像的智能安检方法 |
CN110956225A (zh) * | 2020-02-25 | 2020-04-03 | 浙江啄云智能科技有限公司 | 一种违禁品检测方法及***、一种计算设备及存储介质 |
CN210572738U (zh) * | 2019-08-27 | 2020-05-19 | 王玲 | 一种毫米波违禁品检测仪电子学数据采集处理传输*** |
CN111709445A (zh) * | 2020-05-14 | 2020-09-25 | 北京航空航天大学 | 一种基于频谱特征的电磁发射要素识别方法 |
-
2021
- 2021-07-28 CN CN202110857749.8A patent/CN113591677A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140231649A1 (en) * | 2011-04-29 | 2014-08-21 | Tsinghua University | Concealed dangerous articles detection method and device |
US20160018557A1 (en) * | 2014-07-21 | 2016-01-21 | Nuctech Company Limited | Methods and devices for inspecting liquid |
CN107886050A (zh) * | 2017-10-16 | 2018-04-06 | 电子科技大学 | 利用时频特征与随机森林的水下目标识别方法 |
CN109375220A (zh) * | 2018-03-30 | 2019-02-22 | 清华大学 | 安全检查***及其数据处理方法 |
CN108845321A (zh) * | 2018-04-19 | 2018-11-20 | 北京三快在线科技有限公司 | 目标对象的识别方法、装置及无人驾驶智能设备 |
CN109470720A (zh) * | 2018-09-29 | 2019-03-15 | 深圳市华讯方舟太赫兹科技有限公司 | 液体识别方法、向量提取方法、液体识别装置及存储介质 |
CN109870697A (zh) * | 2018-12-27 | 2019-06-11 | 东莞理工学院 | 一种基于超声波声学的物体检测和分类方法 |
CN109978892A (zh) * | 2019-03-21 | 2019-07-05 | 浙江啄云智能科技有限公司 | 一种基于太赫兹成像的智能安检方法 |
CN210572738U (zh) * | 2019-08-27 | 2020-05-19 | 王玲 | 一种毫米波违禁品检测仪电子学数据采集处理传输*** |
CN110956225A (zh) * | 2020-02-25 | 2020-04-03 | 浙江啄云智能科技有限公司 | 一种违禁品检测方法及***、一种计算设备及存储介质 |
CN111709445A (zh) * | 2020-05-14 | 2020-09-25 | 北京航空航天大学 | 一种基于频谱特征的电磁发射要素识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20090184865A1 (en) | Method and system for automatic classification of objects | |
CN108304816B (zh) | 身份识别方法、装置、存储介质及电子设备 | |
US20160148076A1 (en) | Method and system for automating an image rejection process | |
Campos et al. | False alarm reduction in wavelength–resolution SAR change detection schemes by using a convolutional neural network | |
CN113850838A (zh) | 船舶航行意图获取方法、装置、计算机设备及存储介质 | |
Xu et al. | A defect inspection for explosive cartridge using an improved visual attention and image-weighted eigenvalue | |
CN115439693A (zh) | 目标识别网络模型的训练方法、电子设备及程序产品 | |
CN111126112B (zh) | 候选区域确定方法和装置 | |
CN110687513A (zh) | 人体目标检测方法、装置及存储介质 | |
Tello-Cifuentes et al. | Detection and classification of pavement damages using wavelet scattering transform, fractal dimension by box-counting method and machine learning algorithms | |
CN113591677A (zh) | 违禁品识别方法、装置、存储介质及计算机设备 | |
Xu et al. | Marine radar oil spill monitoring technology based on dual-threshold and c–v level set methods | |
CN111245815B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN108169248A (zh) | 一种自适应的用于液态危险品检测的s参数匹配方法 | |
US10557787B1 (en) | Detection of compounds in material samples utilizing a transformation and subsequent decomposition | |
CN116933002A (zh) | 一种动作检测方法、装置、终端设备和存储介质 | |
CN115063740A (zh) | 安全监测方法、装置、设备及计算机可读存储介质 | |
Miah et al. | Design of multidimensional sensor fusion system for road pavement inspection | |
Fairuzi et al. | Performance analysis of YOLOv4 and SSD Mobilenet V2 for foreign object debris (FOD) detection at airport runway using custom dataset | |
Rhee | Gaussian filtering detection using band pass residual and contrast of forgery image | |
Manerikar et al. | Adaptive target recognition: A case study involving airport baggage screening | |
Wilensky et al. | Evidence of Ultrafaint Radio Frequency Interference in Deep 21 cm Epoch of Reionization Power Spectra with the Murchison Wide-field Array | |
Mostfa et al. | Design and implementation of vehicles identification and tracking system | |
Penariu et al. | A parallel approach on airport runways detection using MPI and CImg | |
CN111798237A (zh) | 基于应用日志的异常交易诊断方法及*** |
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 |