CN115769062A - 利用高光谱成像的隐蔽物质检测 - Google Patents
利用高光谱成像的隐蔽物质检测 Download PDFInfo
- Publication number
- CN115769062A CN115769062A CN202180045504.3A CN202180045504A CN115769062A CN 115769062 A CN115769062 A CN 115769062A CN 202180045504 A CN202180045504 A CN 202180045504A CN 115769062 A CN115769062 A CN 115769062A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- fractional
- fractional image
- anomalies
- 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
- 238000001514 detection method Methods 0.000 title claims description 71
- 239000000463 material Substances 0.000 title description 6
- 238000000701 chemical imaging Methods 0.000 title description 3
- 238000000034 method Methods 0.000 claims abstract description 90
- 229940079593 drug Drugs 0.000 claims abstract description 55
- 239000003814 drug Substances 0.000 claims abstract description 55
- 239000000126 substance Substances 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 23
- 239000002575 chemical warfare agent Substances 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 16
- 150000001875 compounds Chemical class 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 210000001124 body fluid Anatomy 0.000 claims description 9
- 239000010839 body fluid Substances 0.000 claims description 9
- 235000013351 cheese Nutrition 0.000 claims description 9
- 239000003795 chemical substances by application Substances 0.000 claims description 9
- 235000013399 edible fruits Nutrition 0.000 claims description 9
- 235000019441 ethanol Nutrition 0.000 claims description 9
- 239000002360 explosive Substances 0.000 claims description 9
- 239000000796 flavoring agent Chemical class 0.000 claims description 9
- 235000019634 flavors Nutrition 0.000 claims description 9
- 239000003317 industrial substance Substances 0.000 claims description 9
- 235000013372 meat Nutrition 0.000 claims description 9
- 231100000331 toxic Toxicity 0.000 claims description 9
- 230000002588 toxic effect Effects 0.000 claims description 9
- 239000003053 toxin Substances 0.000 claims description 9
- 231100000765 toxin Toxicity 0.000 claims description 9
- 108700012359 toxins Proteins 0.000 claims description 9
- 150000001298 alcohols Chemical class 0.000 claims description 8
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical class CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims 1
- 238000007877 drug screening Methods 0.000 abstract description 4
- 238000007689 inspection Methods 0.000 abstract description 4
- 238000003331 infrared imaging Methods 0.000 abstract description 2
- 239000002245 particle Substances 0.000 description 14
- 239000004973 liquid crystal related substance Substances 0.000 description 12
- 230000009977 dual effect Effects 0.000 description 10
- 239000013076 target substance Substances 0.000 description 9
- 230000010287 polarization Effects 0.000 description 8
- 238000005286 illumination Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 7
- 238000010186 staining Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 239000000758 substrate Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 229910000661 Mercury cadmium telluride Inorganic materials 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- MLQRZXNZHAOCHQ-UHFFFAOYSA-N 3-methylfentanyl Chemical group C=1C=CC=CC=1N(C(=O)CC)C(C(C1)C)CCN1CCC1=CC=CC=C1 MLQRZXNZHAOCHQ-UHFFFAOYSA-N 0.000 description 2
- USSIQXCVUWKGNF-UHFFFAOYSA-N 6-(dimethylamino)-4,4-diphenylheptan-3-one Chemical compound C=1C=CC=CC=1C(CC(C)N(C)C)(C(=O)CC)C1=CC=CC=C1 USSIQXCVUWKGNF-UHFFFAOYSA-N 0.000 description 2
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 2
- 241000282412 Homo Species 0.000 description 2
- 238000002835 absorbance Methods 0.000 description 2
- ZPUCINDJVBIVPJ-LJISPDSOSA-N ***e Chemical compound O([C@H]1C[C@@H]2CC[C@@H](N2C)[C@H]1C(=O)OC)C(=O)C1=CC=CC=C1 ZPUCINDJVBIVPJ-LJISPDSOSA-N 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229960002428 fentanyl Drugs 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 229960001797 methadone Drugs 0.000 description 2
- BQJCRHHNABKAKU-KBQPJGBKSA-N morphine Chemical compound O([C@H]1[C@H](C=C[C@H]23)O)C4=C5[C@@]12CCN(C)[C@@H]3CC5=CC=C4O BQJCRHHNABKAKU-KBQPJGBKSA-N 0.000 description 2
- 239000002096 quantum dot Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- ZXEYZECDXFPJRJ-UHFFFAOYSA-N $l^{3}-silane;platinum Chemical compound [SiH3].[Pt] ZXEYZECDXFPJRJ-UHFFFAOYSA-N 0.000 description 1
- MNSDGJFEKUKHGO-UHFFFAOYSA-N 1,3-diphenylcyclopenta[l]phenanthren-2-one Chemical compound C=12C3=CC=CC=C3C3=CC=CC=C3C2=C(C=2C=CC=CC=2)C(=O)C=1C1=CC=CC=C1 MNSDGJFEKUKHGO-UHFFFAOYSA-N 0.000 description 1
- JGPNMZWFVRQNGU-HUUCEWRRSA-N 3,4-dichloro-n-[(1r,2r)-2-(dimethylamino)cyclohexyl]-n-methylbenzamide Chemical compound CN(C)[C@@H]1CCCC[C@H]1N(C)C(=O)C1=CC=C(Cl)C(Cl)=C1 JGPNMZWFVRQNGU-HUUCEWRRSA-N 0.000 description 1
- SRARDYUHGVMEQI-UHFFFAOYSA-N 3-methylthiofentanyl Chemical group C=1C=CC=CC=1N(C(=O)CC)C(C(C1)C)CCN1CCC1=CC=CS1 SRARDYUHGVMEQI-UHFFFAOYSA-N 0.000 description 1
- KXUBAVLIJFTASZ-UHFFFAOYSA-N 4-fluorofentanyl Chemical group C=1C=C(F)C=CC=1N(C(=O)CC)C(CC1)CCN1CCC1=CC=CC=C1 KXUBAVLIJFTASZ-UHFFFAOYSA-N 0.000 description 1
- OZDOSQNUJIXEOR-UHFFFAOYSA-N CC(C)C(=O)N(C1CCN(CCC2=CC=CC=C2)CC1)C1=CC=C(F)C=C1 Chemical group CC(C)C(=O)N(C1CCN(CCC2=CC=CC=C2)CC1)C1=CC=C(F)C=C1 OZDOSQNUJIXEOR-UHFFFAOYSA-N 0.000 description 1
- GVGLGOZIDCSQPN-PVHGPHFFSA-N Heroin Chemical compound O([C@H]1[C@H](C=C[C@H]23)OC(C)=O)C4=C5[C@@]12CCN(C)[C@@H]3CC5=CC=C4OC(C)=O GVGLGOZIDCSQPN-PVHGPHFFSA-N 0.000 description 1
- VAYOSLLFUXYJDT-RDTXWAMCSA-N Lysergic acid diethylamide Chemical compound C1=CC(C=2[C@H](N(C)C[C@@H](C=2)C(=O)N(CC)CC)C2)=C3C2=CNC3=C1 VAYOSLLFUXYJDT-RDTXWAMCSA-N 0.000 description 1
- JEYCTXHKTXCGPB-UHFFFAOYSA-N Methaqualone Chemical compound CC1=CC=CC=C1N1C(=O)C2=CC=CC=C2N=C1C JEYCTXHKTXCGPB-UHFFFAOYSA-N 0.000 description 1
- GLAAETOTOUGGSB-UHFFFAOYSA-N OC(CN1CCC(CC1)N(C(CC)=O)C1=CC=CC=C1)C=1SC=CC=1 Chemical group OC(CN1CCC(CC1)N(C(CC)=O)C1=CC=CC=C1)C=1SC=CC=1 GLAAETOTOUGGSB-UHFFFAOYSA-N 0.000 description 1
- FRPRNNRJTCONEC-UHFFFAOYSA-N Ohmefentanyl Chemical group C=1C=CC=CC=1N(C(=O)CC)C(C(C1)C)CCN1CC(O)C1=CC=CC=C1 FRPRNNRJTCONEC-UHFFFAOYSA-N 0.000 description 1
- BRUQQQPBMZOVGD-XFKAJCMBSA-N Oxycodone Chemical compound O=C([C@@H]1O2)CC[C@@]3(O)[C@H]4CC5=CC=C(OC)C2=C5[C@@]13CCN4C BRUQQQPBMZOVGD-XFKAJCMBSA-N 0.000 description 1
- FYIUUQUPOKIKNI-UHFFFAOYSA-N acetylfentanyl Chemical group C=1C=CC=CC=1N(C(=O)C)C(CC1)CCN1CCC1=CC=CC=C1 FYIUUQUPOKIKNI-UHFFFAOYSA-N 0.000 description 1
- YPOXDUYRRSUFFG-UHFFFAOYSA-N alphamethylthiofentanyl Chemical group C=1C=CC=CC=1N(C(=O)CC)C(CC1)CCN1C(C)CC1=CC=CS1 YPOXDUYRRSUFFG-UHFFFAOYSA-N 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- JEFVHLMGRUJLET-UHFFFAOYSA-N betahydroxythiofentanyl Chemical group C=1C=CC=CC=1N(C(=O)CC)C(CC1)CCN1CC(O)C1=CC=CC=C1 JEFVHLMGRUJLET-UHFFFAOYSA-N 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- QQOMYEQLWQJRKK-UHFFFAOYSA-N butyrfentanyl Chemical group C=1C=CC=CC=1N(C(=O)CCC)C(CC1)CCN1CCC1=CC=CC=C1 QQOMYEQLWQJRKK-UHFFFAOYSA-N 0.000 description 1
- MCMSPRNYOJJPIZ-UHFFFAOYSA-N cadmium;mercury;tellurium Chemical compound [Cd]=[Te]=[Hg] MCMSPRNYOJJPIZ-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 229960003920 ***e Drugs 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229960002069 diamorphine Drugs 0.000 description 1
- XYYVYLMBEZUESM-UHFFFAOYSA-N dihydrocodeine Natural products C1C(N(CCC234)C)C2C=CC(=O)C3OC2=C4C1=CC=C2OC XYYVYLMBEZUESM-UHFFFAOYSA-N 0.000 description 1
- IVLVTNPOHDFFCJ-UHFFFAOYSA-N fentanyl citrate Chemical compound OC(=O)CC(O)(C(O)=O)CC(O)=O.C=1C=CC=CC=1N(C(=O)CC)C(CC1)CCN1CCC1=CC=CC=C1 IVLVTNPOHDFFCJ-UHFFFAOYSA-N 0.000 description 1
- 239000005262 ferroelectric liquid crystals (FLCs) Substances 0.000 description 1
- -1 furyl fentanyl Chemical compound 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- LLPOLZWFYMWNKH-CMKMFDCUSA-N hydrocodone Chemical compound C([C@H]1[C@H](N(CC[C@@]112)C)C3)CC(=O)[C@@H]1OC1=C2C3=CC=C1OC LLPOLZWFYMWNKH-CMKMFDCUSA-N 0.000 description 1
- 229960000240 hydrocodone Drugs 0.000 description 1
- OROGSEYTTFOCAN-UHFFFAOYSA-N hydrocodone Natural products C1C(N(CCC234)C)C2C=CC(O)C3OC2=C4C1=CC=C2OC OROGSEYTTFOCAN-UHFFFAOYSA-N 0.000 description 1
- WVLOADHCBXTIJK-YNHQPCIGSA-N hydromorphone Chemical compound O([C@H]1C(CC[C@H]23)=O)C4=C5[C@@]12CCN(C)[C@@H]3CC5=CC=C4O WVLOADHCBXTIJK-YNHQPCIGSA-N 0.000 description 1
- 229960001410 hydromorphone Drugs 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- WPYVAWXEWQSOGY-UHFFFAOYSA-N indium antimonide Chemical compound [Sb]#[In] WPYVAWXEWQSOGY-UHFFFAOYSA-N 0.000 description 1
- 238000013101 initial test Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229950002454 lysergide Drugs 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- MYWUZJCMWCOHBA-VIFPVBQESA-N methamphetamine Chemical compound CN[C@@H](C)CC1=CC=CC=C1 MYWUZJCMWCOHBA-VIFPVBQESA-N 0.000 description 1
- 229960001252 methamphetamine Drugs 0.000 description 1
- 229960002803 methaqualone Drugs 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 229960005181 morphine Drugs 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- RFQNLMWUIJJEQF-UHFFFAOYSA-N n-phenyl-n-[1-(2-phenylethyl)piperidin-4-yl]prop-2-enamide Chemical group C=1C=CC=CC=1N(C(=O)C=C)C(CC1)CCN1CCC1=CC=CC=C1 RFQNLMWUIJJEQF-UHFFFAOYSA-N 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 229940005483 opioid analgesics Drugs 0.000 description 1
- 229960002085 oxycodone Drugs 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- YMRFZDHYDKZXPA-UHFFFAOYSA-N thienylfentanyl Chemical group C=1C=CC=CC=1N(C(=O)CC)C(CC1)CCN1CCC1=CC=CS1 YMRFZDHYDKZXPA-UHFFFAOYSA-N 0.000 description 1
- LLPOLZWFYMWNKH-UHFFFAOYSA-N trans-dihydrocodeinone Natural products C1C(N(CCC234)C)C2CCC(=O)C3OC2=C4C1=CC=C2OC LLPOLZWFYMWNKH-UHFFFAOYSA-N 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 210000005239 tubule Anatomy 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- OKTLVZBUKMRPLL-UHFFFAOYSA-N α-methylacetylfentanyl Chemical group C1CC(N(C(C)=O)C=2C=CC=CC=2)CCN1C(C)CC1=CC=CC=C1 OKTLVZBUKMRPLL-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/147—Details of sensors, e.g. sensor lenses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/80—Recognising image objects characterised by unique random patterns
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Vascular Medicine (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
公开了一种毒品筛查***及其使用方法。所述毒品筛查***根据基于化学特征从所选波长计算的分数影像来识别并突出显示包封在邮件内的毒品或其他违禁品物质。宽场多光谱短波红外成像***能够对邮件中的溶解的、隐蔽的毒品进行筛查,这提高了检查效率和准确性。
Description
相关申请的交叉引用
本申请要求于2020年4月27日提交的第63/016,097号美国临时申请的优先权,该美国临时申请的内容特此通过引用整体地并入。
背景技术
通过邮政邮件将毒品走私到惩教设施中是一个主要关注点。因此,所有惩教设施都使用因设施而异的技术来检查邮政邮件是否有违禁品。检查主要由人执行,并且通常涉及邮件检查者打开邮政邮件并使用台灯或手电筒在视觉上审查邮政邮件以检查可疑区域,或者使用高强度灯箱来定位隐蔽物品。类似于大多数人类处理,由于人的疲劳、分心和主观性、以及用于将毒品相对于人视觉隐蔽的技术,对邮政邮件的视觉检查易于对包含毒品的邮件进行错误分类。一些设施使用缉毒犬来检查邮件,但是这些犬维护起来昂贵,并且像人一样,易于疲劳和分心。
最近,邮件检查者报告了通过将毒品溶解到纸张中来隐***品的复杂技术的日益使用。然而,测试技术一直在努力跟上步伐。需要能够检测邮政邮件上或其他基底上的目标化合物的快速的、准确的、宽场、非破坏性的扫描方法。
发明内容
本发明内容被提供以遵守美国联邦法规第37条第1.73款,从而要求本发明的发明内容简要地指示本发明的性质和实质。它是本着将不用于解释或者限制权利要求的范围或含义的理解而提交的。
公开了一种毒品筛查***及其使用方法。所述毒品筛查***根据基于化学特征从所选波长计算的分数影像(imagery)来识别并突出显示包封在邮件内的毒品或其他违禁品物质。宽场多光谱短波红外成像***能够对邮件中的溶解的、隐蔽的毒品进行筛查,这提高了检查效率和准确性。
在一个实施例中,存在一种将样品中的目标与背景区分开的方法,所述方法包括:从高光谱图像生成分数图像,所述高光谱图像是由已与包括所述目标和所述背景的样品相互作用的光子形成的;对所述分数图像执行异常检测以在所述分数图像中去除混淆物并且识别一个或更多个异常,所述混淆物包括文本、图形或图像中的一者或更多者;以及将一个或更多个异常分类为目标或非目标。
在另一实施例中,所述方法还包括通过以下操作中的一者或更多者对所述分数图像进行预处理:从所述分数图像中去除孤立离群点像素、对所述分数图像进行基底平场处理、对所述分数图像进行孔洞检测和填充、对所述分数图像进行图像定向、或裁切所述分数图像。
在另一实施例中,所述目标是以下一者或更多者:身体组织、体液、***物、毒品、毒素、水果、奶酪、肉类、酒精、风味化合物、化学战剂(CWA)、有毒工业化学品(TIC)或非传统剂(NTA)。
在另一实施例中,所述目标是毒品,而所述非目标是不为毒品的物质。
在另一实施例中,所述文本、图形或图像是通过Niblack方法、Sauvola方法或Bataineh方法中的一者或更多者去除的。
在另一实施例中,分类是利用经训练的神经网络来执行的。
在另一实施例中,分类是基于你只看一次(You Only Look Once,YOLO)检测器来执行的。
在一个实施例中,存在一种用于将样品中的目标与背景区分开的***,所述***包括处理器和非暂时性计算机可读介质,当所述非暂时性计算机可读介质被运行时,使所述处理器:从高光谱图像生成分数图像,所述高光谱图像是由已与包括所述目标和所述背景的样品相互作用的光子形成的;对所述分数图像执行异常检测以在所述分数图像中去除混淆物并且识别一个或更多个异常,所述混淆物包括文本、图形或图像中的一者或更多者;以及将一个或更多个异常分类为目标或非目标。
在另一实施例中,所述处理器还通过以下操作中的一者或更多者对所述分数图像进行预处理:从所述分数图像中去除孤立离群点像素、对所述分数图像进行基底平场处理、对所述分数图像进行孔洞检测和填充、对所述分数图像进行图像定向、或裁切所述分数图像。
在另一实施例中,所述目标是以下一者或更多者:身体组织、体液、***物、毒品、毒素、水果、奶酪、肉类、酒精、风味化合物、化学战剂(CWA)、有毒工业化学品(TIC)或非传统剂(NTA)。
在另一实施例中,所述目标是毒品,而所述非目标是不为毒品的物质。
在另一实施例中,所述文本、图形或图像是通过Niblack方法、Sauvola方法或Bataineh方法中的一者或更多者去除的。
在另一实施例中,所述处理器用经训练的神经网络对所述一个或更多个异常进行分类。
在另一实施例中,所述处理器基于你只看一次(YOLO)检测器对所述一个或更多个异常进行分类。
在一个实施例中,存在一种将样品中的目标与背景区分开的方法,所述方法包括:从已与包括所述目标和所述背景的样品相互作用的光子形成高光谱图像;从高光谱图像生成分数图像;对所述分数图像执行异常检测以在所述分数图像中去除混淆物并且识别一个或更多个异常,所述混淆物包括文本、图形或图像中的一者或更多者;以及将一个或更多个异常分类为目标或非目标。
在另一实施例中,所述方法还包括通过以下操作中的一者或更多者对所述分数图像进行预处理:从所述分数图像中去除孤立离群点像素、对所述分数图像进行基底平场处理、对所述分数图像进行孔洞检测和填充、对所述分数图像进行图像定向、或裁切所述分数图像。
在另一实施例中,所述目标是以下一者或更多者:身体组织、体液、***物、毒品、毒素、水果、奶酪、肉类、酒精、风味化合物、化学战剂(CWA)、有毒工业化学品(TIC)或非传统剂(NTA)。
在另一实施例中,所述目标是毒品,而所述非目标是不为毒品的物质。
在另一实施例中,所述文本、图形或图像是通过Niblack方法、Sauvola方法或Bataineh方法中的一者或更多者去除的。
在另一实施例中,分类是利用经训练的神经网络来执行的。
在另一实施例中,分类是基于你只看一次(YOLO)检测器来执行的。
在一个实施例中,存在一种用于将样品中的目标与背景区分开的***,所述***包括处理器和非暂时性计算机可读介质,当所述非暂时性计算机可读介质被运行时,使所述处理器:从已与包括所述目标和所述背景的样品相互作用的光子形成高光谱图像;从所述高光谱图像生成分数图像;对所述分数图像执行异常检测以在所述分数图像中去除混淆物并且识别一个或更多个异常,所述混淆物包括文本、图形或图像中的一者或更多者;以及将一个或更多个异常分类为目标或非目标。
在另一实施例中,所述处理器还通过以下操作中的一者或更多者对所述分数图像进行预处理:从所述分数图像中去除孤立离群点像素、对所述分数图像进行基底平场处理、对所述分数图像进行孔洞检测和填充、对所述分数图像进行图像定向、或裁切所述分数图像。
在另一实施例中,所述目标是以下一者或更多者:身体组织、体液、***物、毒品、毒素、水果、奶酪、肉类、酒精、风味化合物、化学战剂(CWA)、有毒工业化学品(TIC)或非传统剂(NTA)。
在另一实施例中,所述目标是毒品,而所述非目标是不为毒品的物质。
在另一实施例中,所述文本、图形或图像是通过Niblack方法、Sauvola方法或Bataineh方法中的一者或更多者去除的。
在另一实施例中,所述处理器用经训练的神经网络对所述一个或更多个异常进行分类。
在另一实施例中,所述处理器基于你只看一次(YOLO)检测器对所述一个或更多个异常进行分类。
附图说明
本文描述的实施例的方面、特征、益处和优点将关于以下描述、所附权利要求和附图而明显,其中:
图1描绘了根据实施例被配置有单相机并且包括具有双偏振的双通道的检测装置的一个实施例。
图2描绘了根据实施例被配置有双相机和双通道的检测装置的另一实施例。
图3描绘了根据实施例被配置有单相机和单通道的检测装置的另一实施例。
图4A描绘了根据实施例在执行任何预处理之前的分数图像。
图4B描绘了根据实施例在执行去除孤立离群点像素、基底平场处理以及孔洞检测和填充的预处理步骤之后但在裁切和图像定向之前的分数图像。
图4C描绘了根据实施例在执行包括以下操作的所有预处理步骤之后的分数图像:去除孤立离群点像素、基底平场处理、孔洞检测和填充、以及裁切和图像定向。
图5A描绘了根据实施例的特定邮件的原始分数图像。
图5B描绘了根据实施例从原始分数图像产生的阈值处理后的图形检测遮罩(mask)。
图5C描绘了根据实施例的最终图形检测遮罩。
图5D描绘了根据实施例产生的最终补全分数图像。
图6描绘了根据实施例的检测网络架构的说明性框图。
图7A和图7B描绘了根据实施例的毒品样品的可见光和检测图像(在图7B中真阳性用绿色突出显示)。
图8A和图8B描绘了根据实施例的非毒品样品的可见光和检测图像。
具体实施方式
本公开不限于所描述的特定***、设备和方法,因为这些可以变化。描述中使用的术语仅用于描述特定版本或实施例的目的,而不旨在限制范围。
如本文档中使用的,除非上下文另外清楚地规定,否则单数形式“一”、“一个”和“该”包括复数引用。除非另外定义,否则本文使用的所有技术和科学术语都具有与本领域的普通技术人员通常所理解的相同的含义。本公开中的任何内容不应被解释为承认本公开中描述的实施例不能凭借在先发明而先于此公开。如本文档中使用的,术语“包括”意指“包含有但不限于”。
如本文所使用的,“目标”或“目标化合物”意指能够通过光谱成像被检测到的单一感兴趣材料。目标不受限制,并且包括以下一者或更多者:身体组织、体液、***物、毒品、毒素、水果、奶酪、肉类、酒精、风味化合物、化学战剂(CWA)、有毒工业化学品(TIC)和非传统剂(NTA)。
在某些实施例中,“目标”或“目标化合物”是一种或更多种毒品。毒品的示例不受限制并且包括以下一种或更多种:LSD、***、氢可酮、羟考酮、氢***酮、***、***、甲喹酮、***、***、苯环酮或甲基***。在一些实施例中,毒品是天然阿片类物质或合成阿片类物质。合成阿片类物质的示例包括芬太尼及其衍生物,诸如α-甲基芬太尼、3-甲硫基芬太尼、乙酰-α-甲基芬太尼、β-羟基-3-甲基芬太尼、α-甲硫基芬太尼、硫代芬太尼、β-羟基芬太尼、对-氟芬太尼、3-甲基芬太尼、乙酰芬太尼、丁酰芬太尼、β-羟基硫代芬太尼、呋喃基芬太尼、4-氟异丁酰芬太尼、丙烯酰芬太尼和U-47700。
检测
在一些实施例中,图像传感器被定位在光路中以从至少一个目标收集相互作用的光子。作为示例,图像传感器能够包括一个或更多个成像设备,诸如CCD检测器、InGaAs检测器、CMOS检测器、InSb检测器、MCT检测器或它们的组合,但是可以采用其他类型和/或数量的图像传感器。可以利用诸如反射镜和/或透镜的一个或更多个光学器件来将相互作用的光子引导到图像传感器上。相互作用的光子包括以下一者或更多者:被目标吸收的光子、从目标反射的光子、被目标散射的光子、或由目标发射的光子。
在一些实施例中,在检测装置中包括至少一个处理器以运行存储在检测装置的存储器中的编程指令以便实现本文描述并说明的任何数量的功能。例如,多目标检测装置的至少一个处理器可以包括具有一个或更多个处理核的一个或更多个中央处理单元(CPU)或通用处理器,但是还能够使用其他类型的处理器。
检测装置的存储器存储用于如本文描述并说明的本发明技术的一个或更多个方面的这些编程指令,但是一些或所有编程指令可能被存储在别处。诸如以下各种不同类型的存储器存储设备能够被用于存储器:随机存取存储器(RAM)、只读存储器(ROM)、硬盘、固态硬盘(SSD)、闪存、和/或由耦接到处理器的磁性、光学或其他读写***从中读取和写入的任何其他计算机可读介质。
在至少一个实施例中,检测装置包括至少两个液晶滤波器。这些液晶滤波器被配置为使得它们能够各自被独立地调谐。在一个实施例中,两个液晶滤波器在相反偏振状态下工作。当至少两个液晶滤波器被调谐到两种不同状态时,通过使用一个或两个相机来收集通过液晶滤波器的相互作用而形成的影像。因为产生分数图像所需要的两个测量结果被同时地收集,并且因为分数图像形成目标检测的基础,所以能够以接近至少一个相机的帧速率的速率实现检测。
在一些实施例中,检测装置包括双偏振保形(conformal)成像装置的元件。双偏振保形成像例如在于2015年10月13日取得专利权的授予Priore等人的标题为“system andmethod for assessing analytes using conformal filters and dual polarization(用于使用保形滤波器和双偏振评定分析物的***和方法)”的美国专利No.9,157,800中有所描述,该美国专利的全部通过引用并入本文。
现在参考图1,描绘了多目标检测装置的一个实施例,该多目标检测装置被配置为单相机、双通道,并且具有双偏振。样品30被光照源25照射和/或激发。在图1中,沿着正交分量的不同正交束路径的两个独立地可调谐的CF 42a、42b从偏振分束器72出现。在一个实施例中,CF包括以下一者或更多者:多共轭液晶可调谐滤波器、声光可调谐滤波器、李奥(Lyot)液晶可调谐滤波器、伊文思(Evans)***元件液晶可调谐滤波器、索尔克(Solc)液晶可调谐滤波器、铁电液晶可调谐滤波器和法布里-珀罗(Fabry Perot)液晶可调谐滤波器。在一些实施例中,CF包括以下一者或更多者:改良的液晶可调谐滤波器以及被配置为结合查找表(LUT)工作的液晶可调谐滤波器。
在此布置中,过滤束的路径通过保形滤波器42a、42b而不平行,而被适当的反射器(例如,反射镜)76a、76b引导到合束器78(其如图所示可以是偏振立方体或偏振分束器),在那里可能处于相同或不同光谱形状的正交分量被组合。在一个实施例中,分量可以通过透镜组件50被组合并引导到检测器60。在另一实施例中,分量可以在它们被引导到检测器60时保持分离。然而,可以使(经由单独的LCTF 42a、42b)从一个分束器72到另一个分束器78的束路径变得对称,以避免例如对无限校正光学器件的需要。
仍然参考图1,检测器60包括CCD检测器。然而,本公开设想了检测器60可以包括其他类型的检测器,包括但不限于:CCD检测器、CMOS检测器、InGaAs检测器、硅化铂(PtSi)检测器、锑化铟(InSb)检测器、碲化镉汞(HgCdTe)检测器、胶体量子点(CQD)检测器以及它们的组合。在一些实施例中,上面列举的检测器中的每一者或组合是FPA检测器。在一些实施例中,上述检测器中的每一者可以包括量子点以调谐其带隙和/或更改对不同波长的灵敏度。
在图1中,可以使用保形滤波器控制器82来一致调谐两个保形滤波器42a、42b。能够将控制器82配置为独立地调谐分别处理输入的正交分量的保形滤波器42a、42b。因此,通过适当的控制,能够同时将保形滤波器调谐到相同的光谱形状或者调谐到两个不同的光谱形状。控制器82可以是可编程的或者用软件加以实现,以使得用户视需要来选择性地调谐每个保形滤波器42a、42b。
在图1中,可以提供快速切换机制(未示出)来在两个视图(或光谱图像)之间切换,所述两个视图对应于由检测器60从每一个保形滤波器42a、42b收集的光谱数据。或者,可以将两个光谱视图或图像(来自两个单独的保形滤波器)组合或者叠加成单个图像,例如,以增加对比度或强度或者用于比较目的。图1中的实施例被示出为包括单个CCD检测器60以捕获从保形滤波器42a、42b接收到的滤波信号。
在另一实施例中,可以移除反射器76a、76b和合束器78,并且可以使用两个检测器。在图2中示出了这样的配置的示例性实施例。每个检测器60a和60b可以光学上耦接到两个保形滤波器42a、42b中的相应一者,以捕获来自保形滤波器的滤波信号并且作为响应生成使得能够显示被照射样品30的光谱图像的电子信号。本公开设想了可以使用任何数量的滤波器和相关检测器来实现如本文所描述的双偏振的益处。
在一个实施例中,可以同时地检测两个滤波信号。如本文所讨论的,当以非重叠配置(并排、自顶向下等)显示时,对两个不同波长的同时检测保持实时检测的可能性。在另一实施例中,可以顺序地检测两个滤波信号。
这里注意,尽管激光可能是相干的,但是从样品30接收到的光(例如,发射、散射、吸收和/或反射的光)和馈送到保形滤波器42a、42b的光可能不是相干的。因此,由于由每个保形滤波器42a、42b对非相干光的处理,在图2和图3中的两个保形滤波器版本中,波前误差可能不存在或者可以被基本上避免。
在另一实施例中,单相机、单通道装置以单偏振工作,如图3所描绘的,所述装置仅包括单个检测器60a和滤波器42a来分析来自被由光照源25生成的光子照射的样品30的光。
检测的结果是至少一个图像被生成。在一些实施例中,图像是由已与诸如可疑邮件的样品相互作用的光子生成的宽场高光谱图像。这样的高光谱图像将包括来自与样品相互作用的光的每个波长的信息。在一些实施例中,图像是包括一个或更多个波长的宽场图像,所述一个或更多个波长是针对其通过预选目标物质的反射率或吸光度而被选择的。在预期目标物质以低浓度存在的一些实施例中,波长是针对其通过目标物质的吸光度而被选择的。
图像处理
在由检测装置生成图像之后,图像被处理以将毒品或其他违禁品物质与背景区分开。图像处理包括三个部分:分数图像生成、异常检测、以及通过神经网络进行的假阳性减少。
分数图像是通过处理来自检测的图像信息而生成的。尽管选择与目标物质相对应的光的特定波长消除许多假阳性结果,但是仍然存在必须被最小化或者消除的假阳性结果的可能。在一些情况下,邮件的背景材料可能吸收或者反射与目标物质的波长相对应的波长。因此,分数图像可以包括与背景材料和目标物质二者相对应的数学信息。不管分数图像中的响应,图像内的形状或上下文都可以允许使用诸如机器学习算法、神经网络和/或类似技术的处理技术来排除假检测,所述处理技术被训练来如在下面进一步描述的那样对每个异常进行分类。
在分数图像生成之后,对分数图像执行预处理以准备样品以进行异常检测。在预处理期间,通过去除孤立离群点像素来执行降噪。这些离群点像素如果留在分数图像中,则可能负面地影响后续处理。在降噪之后,执行基底平场处理以去除用于检查邮件的背景照明的影响。在一些实施例中,此背景照明是邮件被放置在上面以供检查的照明基座。在没有校正的情况下,照明的非均匀对比度可能在分数图像中引入假信息,从而引起目标物质的假阳性辨识。
在一些实施例中,通过将均匀厚度的空白页的扫描视为平场并且去除光的影响来执行平场照明校正。这使用下式来实现:
其中Ic是校正后的图像,mF是平场F的均值,I是原始图像。
在预处理的另一步骤期间,邮件中的任何孔洞或遗失材料被识别和填充,使得这些区域被从针对目标物质的搜索中排除。孔洞可以由对邮件执行的其他测试和/或因为进来的邮件可能包括笔记本纸张或撕碎纸张而产生。孔洞检测和填充可用于防止假阳性,否则会因邮件与发光背景之间的高对比度而产生假阳性。孔洞检测是通过在单色图像上将高强度像素与邮件周围的未覆盖区域相匹配来实现的。
预处理的最终步骤是图像定向和裁切。在图像定向和裁切期间,分数图像被处理以确保仅图像的包括邮件的部分被包括以进行后续图像处理。分数图像的与邮件不对应的外部部分和任何其他部分被从分析中排除,以减少由邮件与设备背景之间的对比度差异产生的假阳性的数量。在一些实施例中,分数图像被旋转到预选定向以进一步确保图像均匀性。
预处理的不同步骤的结果被示出在图4A-4C中。图4A示出了在执行任何预处理之前的分数图像。图4B示出了在执行去除孤立离群点像素、基底平场处理、孔洞检测和填充的预处理步骤之后但在执行裁切和图像定向之前的分数图像。图4C示出了已完成包括以下操作的所有预处理步骤的分数图像:去除孤立离群点像素、基底平场处理、孔洞检测和填充、以及裁切和图像定向。
异常检测
在执行预处理步骤之后,可以执行异常检测。异常检测的第一阶段可以包括遮罩提取。在遮罩提取期间,从分数图像中检测到并去除文本和图形。文本、图形或类似物之间的对比度可能似乎类似于目标物质的染色。因此,在确定在邮件中是否存在毒品或其他违禁品物质之前,遮罩提取去除这些混淆物。
用于检测文本、图形或类似物的技术不受限制。在一些实施例中,文本检测自适应阈值处理技术的扩展可以用于检测文本、图形或类似物。例如,可以执行Niblack方法或Sauvola方法。所使用的这些方法使用局部均值和标准偏差来识别图形和文本。
在一些实施例中,Bataineh方法可以被用于图形检测,所述图形检测可以包括动态局部窗口选择。特别地,Bataineh方法可以用于适应不同大小和厚度的图形和文本。与所预期的文本大小和厚度是规则且已知的文本检测应用不同,遮罩提取使用动态窗口来在无需手动参数调整的情况下获得准确的检测。可以使用下式来找到自适应阈值:
其中TW是局部窗口W的阈值,mW是局部窗口内的平均值,σW是局部窗口内的标准偏差,mg是图像的全局均值,σa是自适应标准偏差值。对于每个图像像素,可以基于某些全局图像性质选择动态局部窗口W。Bataineh方法可以用于选择局部窗口,这些局部窗口否则将被视为不适于图形检测。在为像素确定局部窗口之后,使用上面列举的式来确定阈值。虽然其他阈值处理方法可能成功解析一些图像,但是改良的Bataineh阈值处理方法在无需手动调整窗口大小或其他因素的情况下针对更多种多样的图像用较少的假像素获得适当的图形检测。
图形遮罩是通过对分数图像应用局部阈值而获得的并且通过主动轮廓法并确定强边缘特征来扩展。主动轮廓法使用初始图形检测作为初始状态来对分数图像进行分段。在一些实施例中,可以使用Chen-Vese主动轮廓法来创建分段。在一些实施例中,Canny边缘过滤方法可以用于确定分数图像内的强边缘特征。
对于在所检测到的边缘与图形遮罩之间具有明显重叠的图像内的位置,可以将所检测到的边缘分段添加到图形遮罩以便更完整地覆盖图形。形态学操作可以用于清理遮罩。可以对最终图形遮罩应用诸如Ntirogiannis阈值处理的补全方法以去除图形。Ntirogiannis阈值处理可以生成通过使用从图像的四个拐角开始的局部无遮罩均值来填充遮罩像素所找到的四个补全图像。分数图像可以使用图形周围的局部纸张像素来填充。
图5A-图5D描绘了说明性图形去除过程的各个阶段期间的分数图像。图5A描绘了根据实施例的特定邮件的原始分数图像。如图5A所示,分数图像内的强染色被用红色圈出。图5B描绘了使用Bataineh阈值处理技术从原始分数图像产生的阈值处理后的图形检测遮罩。图5C描绘了由应用Chen-Vese主动轮廓法和Canny边缘过滤方法产生的最终图形检测遮罩。图5D描绘了由对分数图像应用Ntirogiannis阈值处理方法产生的最终补全分数图像。如所示,图5A的图形在图5D中被成功地去除,而不影响图像的染色部分。
可以对去除图形的分数图像执行异常检测。可以通过确定多尺度Frangi滤波器响应来执行异常检测。Frangi滤波器是用于识别图像内的长细管和边缘的空间滤波器,所述图像内的长细管和边缘已被发现与毒品染色图案相关联。可以结合阈值使用模糊c-均值算法来对Frangi响应进行二值化处理。潜在染色候选可以使用各种准则来过滤。例如,可以不考虑与图形遮罩区域明显地重叠的任何染色候选。然而,在特定实施例中可以或者可能不使用这种过滤准则。
可以使用诸如以下许多测量结果来针对每个候选粒子确定分数:局部信噪比(SNR)、平均Frangi响应强度和/或归一化面积。可以针对每个候选粒子确定这些测量结果的加权和。可以将加权和超过分数阈值的候选粒子视为有效的异常。如果在初始搜索中未找到任何粒子,则可以通过使用增加的Frangi尺度集来搜索大尺度异常。在一个实施例中,可以使用下式来计算出粒子i的候选分数Si:
Si=α1SNRlocal,i+α2Vmean,i+α3AN,i
其中权重α被设置为相等加权,SNRlocal,i是候选i的局部SNR值、vmean,i是候选i的平均Frangi响应,AN,i是候选i的归一化面积。这些度量可以确保候选粒子具有足够高的局部SNR、足够高的Frangi响应,并且在可接受的大小范围内成为有效的候选。在一些实施例中,可以基于训练数据集中的染色来选择不同的参数和阈值。
异常分类
一旦从分数图像中检测到并去除诸如文本、图形、图像或类似物的混淆物,就可以使用经训练的网络来基于异常是否为染色将异常分类为毒品或非毒品。在实施例中,可以训练二类分类器来定义每个异常粒子。在下面详细地讨论训练过程。
可以基于准确性、分类速度和训练要求选取合适的检测算法作为网络架构的基础。在实施例中,由J.Redmon和A.Farhadi开发并在2017年IEEE计算机视觉和模式识别(CVPR)会议论文集中公开的你只看一次(YOLO)检测器可以被用作检测算法。网络架构的描绘被示出在图6中。
检测器可以包括与卷积特征提取器配合使用全连接层来直接地预测目标图像的有界框的多个锚框。输入层可以接受例如但不限于224x224灰度图像,并且使用1x1x1卷积层来创建三通道输入。卷积特征提取器可以包括例如且不限于具有三个特征提取阶段的140层残差网络。每个阶段可以包括多个残差学习块。
深度残差网络可以使得深度网络被更容易优化,同时从网络深度的增加获得准确性。在图6所描绘的实施例中,每个块可以在瓶颈设计中包括与三个卷积层的组并行的恒等快捷连接。在该实施例中,三个卷积层可以包括分别减少维度、在低维度中处理、以及为了减少的训练时间而恢复维度的1x1、3x3和1x1卷积。在每个阶段之间,下采样可以由卷积层按步幅二而执行。
在实施例中,网络的剩余层可以包括具有输出层的附加卷积层。类卷积的输出可以是14×14×28以表示输出特征图的14×14单元组。在变换层中,数据可以被重塑为196×4×7,其中196个单元中的每一者包括各自具有7个参数的4个锚框。用于每个锚框的参数可以被变换以表示交并比(IOU)预测分数、X和Y坐标预测、宽度和高度预测参数,并且可以使用softmax来计算类概率。检测器的输出可以包括784个有界框,每个有界框包括一组坐标以及用于确定预测框是否足够准确以确定染色和非染色的置信分数。
有界框可以被修剪,使得仅有效的框用于预测目标粒子的类。在一些实施例中,可以去除具有无效大小或位置的框。在一些实施例中,可以保留仅具有高于阈值的置信分数的框以确保弱预测不导致错误分类。在此类实施例中,可以基于测试数据集选取最小置信分数,以去除非常低置信的框,同时保留足够的框来进行预测。
可以使用剩余预测框来针对每个候选粒子计算出预测。在实施例中,对于每个候选粒子,可以对预测框与候选粒子重叠的像素数进行计数。使用染色和非染色的总像素计数,可以使用(例如且不限于)多数规则来指配类。如果两个类的总像素计数相同或者如果没有预测框能够限定候选粒子,则可以将候选粒子分类为毒品染色以确保未知粒子被标记。
图7A和图7B描绘了根据实施例的毒品样品的可见光和检测图像(真阳性用绿色突出显示)。图8A和图8B描绘了根据实施例的非毒品样品的可见光和检测图像。
在某些实施例中,公开了在操作期间执行本文描述的一个或更多个步骤的***。此类***包括至少一个处理器以运行存储在存储器中的编程指令以便实现本文描述并说明的任何数量的功能。***装置的至少一个处理器可以包括具有一个或更多个处理核的一个或更多个中央处理单元(CPU)或通用处理器,例如,但是还能够使用其他类型的处理器。在某些实施例中,处理器包括被配置为表现为神经网络的部分。
存储器存储如本文描述并说明的本发明技术的一个或更多个方面的编程指令,但是一些或所有编程指令可能被存储在别处。诸如以下各种不同类型的存储器存储设备能够被用于存储器:随机存取存储器(RAM)、只读存储器(ROM)、硬盘、固态硬盘(SSD)、闪存、和/或由耦接到处理器的磁性、光学或其他读写***读取并写入的任何其他计算机可读介质。在某些实施例中,存储器是非暂时性的并且可由计算机读取。
示例
示例1:分类器训练
使用来自总共1678个分数图像(85%扩增数据)的10249个标记框来训练分类器。标记框被选择来表示邮件的已知染色或未染色部分。非毒品斑块包括引起假检测的常见方面,诸如信封胶水、邮票、胶带、图形和文本。毒品斑块包括不同浓度、大小和定向的染色。使用平移、尺度变化、镜像、翻转、模糊和旋转来执行数据扩增。网络权重使用预训练的网络来初始化并且使用最小批次大小为16且初始学习速率为0.001的50轮来训练。在4391个标记框上测试经训练的网络。此测试的结果达到了99.6%的染色有界框分类准确率并且能够区分信封图案和染色图案,即使两个图案具有类似的分数值和/或大小也如此。
示例2:毒品检测框架
收集了包括174个毒品染色图像样品(包括42个真实世界毒品图像样品和132个内部毒品图像样品)和215个内部非毒品图像样品(包括空白纸张以及用咖啡、丙酮和/或水喷洒或浸泡的纸张)的数据集作为初始测试集。依照上文教导设计的检测器在174个毒品染色样品上达到了87.4%的检测概率(PD)。当不使用分类器时,假警概率(PFA)明显更高。在不使用分类器的情况下,对非毒品样品而言PFA是29.3%。当使用了分类器时,PFA是7.0%。此示例表明分类步骤对于去除假阳性检测的重要性。
在以上详细描述中,参考了形成其一部分的附图。在附图中,除非上下文另外规定,否则类似的符号通常识别类似的部件。在详细描述、附图和权利要求中描述的说明性实施例不意在进行限制。在不背离本文呈现的主题的精神或范围的情况下,可以使用其他实施例,并且可以做出其他改变。应容易地理解,能够按各式各样不同的配置布置、取代、组合、分离和设计如本文通常描述的并在各图中示出的本公开的各方面,所有这些都在本文中明确预期到。
本公开在本申请中描述的特定实施例方面将不受限制,这些特定实施例旨在作为各个方面的说明。如对本领域的技术人员而言将明显的是,在不背离本公开的精神和范围的情况下,能够做出许多修改和改变。根据前面的描述,除了本文枚举的那些之外的在本公开的范围内的功能上等同的方法和装置对本领域的技术人员而言将明显。此类修改和变化旨在落在所附权利要求的范围内。本公开仅受所附权利要求的条款以及此类权利要求享有的等同形式的完全范围限制。应当理解,本公开不限于特定方法、试剂、化合物、组合物或生物***,它们当然能够变化。还应当理解,本文使用的术语仅用于描述特定实施例的目的,而不旨在为限制性的。
关于本文中基本上任何复数和/或单数项的使用,本领域的技术人员能够根据上下文和/或应用从复数转换为单数和/或从单数转换为复数。为了清楚起见,可以在本文中明确地阐述各种单数/复数置换。
本领域的技术人员应理解,一般而言,在本文中并且尤其在所附权利要求(例如,所附权利要求的正文)中使用的术语通常旨在作为“开放”术语(例如,术语“包括有”应当被解释为“包括有但不限于”,术语“具有”应当被解释为“具有至少”,术语“包括”应当被解释为“包括但不限于”等等)。虽然各种组合物、方法和设备是按“包括”各种部件或步骤(被解释为意指“包括有但不限于”)而描述的,但是组合物、方法和设备还能够“基本上由”或者“由”各种部件和步骤“构成”,并且这种术语应当被解释为定义基本上封闭的成员组。本领域的技术人员应进一步理解,如果意图作出特定数量的引入的权利要求叙述,则将在权利要求中明确地叙述这样的意图,并且在不存在这种叙述的情况下,不存在这种意图。
例如,作为理解的辅助手段,以下所附权利要求可以包含用于引入权利要求叙述的引入性短语“至少一个”和“一个或更多个”的用法。然而,此类短语的使用不应当被解释为暗示通过不定冠词“一”或“一个”对权利要求叙述的引入将包含这种引入的权利要求叙述的任何特定权利要求限于包含仅一种此类叙述的实施例,即使当同一权利要求包括引入性短语“一个或更多个”或“至少一个”以及诸如“一”或“一个”的不定冠词时也如此(例如,“一”和/或“一个”应当被解释为意指“至少一个”或“一个或更多个”)。这也适用于用于引入权利要求叙述的定冠词的使用。
另外,即使明确地叙述了特定数量的引入的权利要求叙述,本领域的技术人员也将认识到,这种叙述应当被解释为意指至少所叙述的数量(例如,在没有其他修饰语的情况下,“两个叙述”的直白叙述意指至少两个叙述,或两个或更多个叙述)。此外,在使用类似于“A、B和C中的至少一者等等”的惯例的那些情况下,一般而言,在本领域的技术人员将理解该惯例的意义上(例如,“具有A、B和C中的至少一者的***”将包括但不限于具有仅A、仅B、仅C、A和B一起、A和C一起、B和C一起和/或A、B和C一起等等的***)预期这样的构造。在使用类似于“A、B或C中的至少一者等等”的惯例的那些情况下,一般而言,在本领域的技术人员理解该惯例的意义上(例如,“具有A、B或C中的至少一者的***”将包括但不限于具有仅A、仅B、仅C、A和B一起、A和C一起、B和C一起和/或A、B和C一起等等的***)预期这样的构造。本领域的技术人员应进一步理解,无论在说明书、权利要求或附图中,呈现两个或更多个替代术语的几乎任何非连接词和/或短语应当被理解为设想包括术语中的一个、术语中的任何一个或两个术语的可能性。例如,短语“A或B”将被理解为包括“A”或“B”或“A和B”的可能性。
另外,在按马库什(Markush)组描述本公开的特征或方面的情况下,本领域的技术人员将认识到,还因此按马库什组的任何单独的成员或成员的子组描述本公开。
如本领域的技术人员将理解的那样,出于任何和所有目的,诸如在提供书面描述方面,本文公开的所有范围也都包含任何和所有可能的子范围及其子范围的组合。能够将任何列举的范围容易地识别为充分地描述并使得能实现相同范围能够被分解成至少相等的二分之一、三分之一、四分之一、五分之一、十分之一等等。作为非限制性示例,本文讨论的每个范围能够被容易地分解成下三分之一、中三分之一和上三分之一等等。如本领域的技术人员还应理解的那样,诸如“多达”、“至少”等的所有语言都包括所叙述的数字并且指能够被随后分解成如以上所讨论的子范围的范围。最后,如本领域的技术人员应理解的那样,范围包括每个单独的成员。因此,例如,具有1-3个单元的组指具有1、2或3个单元的组。类似地,具有1-5个单元的组指具有1、2、3、4或5个单元的组,依此类推。
可以将各种以上公开的及其他特征和功能或它们的替代方案组合成许多其他不同的***或应用。本领域的技术人员可以随后做出本文各种目前未预见或未预料到的替代方案、修改、变化或改进,其中的每一者也旨在被包含在所公开的实施例中。
Claims (28)
1.一种将样品中的目标与背景区分开的方法,所述方法包括:
从高光谱图像生成分数图像,所述高光谱图像是由已与包括所述目标和所述背景的样品相互作用的光子形成的,
对所述分数图像执行异常检测以在所述分数图像中去除混淆物并且识别一个或更多个异常,所述混淆物包括文本、图形或图像中的一者或更多者,以及
将一个或更多个异常分类为目标或非目标。
2.根据权利要求1所述的方法,所述方法还包括通过以下操作中的一者或更多者对所述分数图像进行预处理:从所述分数图像中去除孤立离群点像素、对所述分数图像进行基底平场处理、对所述分数图像进行孔洞检测和填充、对所述分数图像进行图像定向、或裁切所述分数图像。
3.根据权利要求1所述的方法,其中,所述目标是以下一者或更多者:身体组织、体液、***物、毒品、毒素、水果、奶酪、肉类、酒精、风味化合物、化学战剂(CWA)、有毒工业化学品(TIC)或非传统剂(NTA)。
4.根据权利要求3所述的方法,其中,所述目标是毒品,而所述非目标是不为毒品的物质。
5.根据权利要求1所述的方法,其中,所述文本、图形或图像是通过Niblack方法、Sauvola方法或Bataineh方法中的一者或更多者去除的。
6.根据权利要求1所述的方法,其中,分类是利用经训练的神经网络来执行的。
7.根据权利要求1所述的方法,其中,分类是基于你只看一次(YOLO)检测器来执行的。
8.一种用于将样品中的目标与背景区分开的***,所述***包括处理器和非暂时性计算机可读介质,当所述非暂时性计算机可读介质被运行时,使所述处理器:
从高光谱图像生成分数图像,所述高光谱图像是由已与包括所述目标和所述背景的样品相互作用的光子形成的,
对所述分数图像执行异常检测以在所述分数图像中去除混淆物并且识别一个或更多个异常,所述混淆物包括文本、图形或图像中的一者或更多者,以及
将一个或更多个异常分类为目标或非目标。
9.根据权利要求8所述的***,其中,所述处理器还通过以下操作中的一者或更多者对所述分数图像进行预处理:从所述分数图像中去除孤立离群点像素、对所述分数图像进行基底平场处理、对所述分数图像进行孔洞检测和填充、对所述分数图像进行图像定向、或裁切所述分数图像。
10.根据权利要求8所述的***,其中,所述目标是以下一者或更多者:身体组织、体液、***物、毒品、毒素、水果、奶酪、肉类、酒精、风味化合物、化学战剂(CWA)、有毒工业化学品(TIC)或非传统剂(NTA)。
11.根据权利要求10所述的***,其中,所述目标是毒品,而所述非目标是不为毒品的物质。
12.根据权利要求8所述的***,其中,所述文本、图形或图像是通过Niblack方法、Sauvola方法或Bataineh方法中的一者或更多者去除的。
13.根据权利要求8所述的***,其中,所述处理器用经训练的神经网络对所述一个或更多个异常进行分类。
14.根据权利要求8所述的***,其中,所述处理器基于你只看一次(YOLO)检测器对所述一个或更多个异常进行分类。
15.一种将样品中的目标与背景区分开的方法,所述方法包括:
从已与包括所述目标和所述背景的样品相互作用的光子形成高光谱图像,
从高光谱图像生成分数图像,
对所述分数图像执行异常检测以在所述分数图像中去除混淆物并且识别一个或更多个异常,所述混淆物包括文本、图形或图像中的一者或更多者,以及
将一个或更多个异常分类为目标或非目标。
16.根据权利要求15所述的方法,所述方法还包括通过以下操作中的一者或更多者对所述分数图像进行预处理:从所述分数图像中去除孤立离群点像素、对所述分数图像进行基底平场处理、对所述分数图像进行孔洞检测和填充、对所述分数图像进行图像定向、或裁切所述分数图像。
17.根据权利要求15所述的方法,其中,所述目标是以下一者或更多者:身体组织、体液、***物、毒品、毒素、水果、奶酪、肉类、酒精、风味化合物、化学战剂(CWA)、有毒工业化学品(TIC)或非传统剂(NTA)。
18.根据权利要求17所述的方法,其中,所述目标是毒品,而所述非目标是不为毒品的物质。
19.根据权利要求15所述的方法,其中,所述文本、图形或图像是通过Niblack方法、Sauvola方法或Bataineh方法中的一者或更多者去除的。
20.根据权利要求15所述的方法,其中,分类是利用经训练的神经网络来执行的。
21.根据权利要求15所述的方法,其中,分类是基于你只看一次(YOLO)检测器来执行的。
22.一种用于将样品中的目标与背景区分开的***,所述***包括处理器和非暂时性计算机可读介质,当所述非暂时性计算机可读介质被运行时,使所述处理器:
从已与包括所述目标和所述背景的样品相互作用的光子形成高光谱图像,
从所述高光谱图像生成分数图像,
对所述分数图像执行异常检测以在所述分数图像中去除混淆物并且识别一个或更多个异常,所述混淆物包括文本、图形或图像中的一者或更多者,以及
将一个或更多个异常分类为目标或非目标。
23.根据权利要求22所述的***,其中,所述处理器通过以下操作中的一者或更多者对所述分数图像进行预处理:从所述分数图像中去除孤立离群点像素、对所述分数图像进行基底平场处理、对所述分数图像进行孔洞检测和填充、对所述分数图像进行图像定向、或裁切所述分数图像。
24.根据权利要求22所述的***,其中,所述目标是以下一者或更多者:身体组织、体液、***物、毒品、毒素、水果、奶酪、肉类、酒精、风味化合物、化学战剂(CWA)、有毒工业化学品(TIC)或非传统剂(NTA)。
25.根据权利要求24所述的***,其中,所述目标是毒品,而所述非目标是不为毒品的物质。
26.根据权利要求22所述的***,其中,所述文本、图形或图像是通过Niblack方法、Sauvola方法或Bataineh方法中的一者或更多者去除的。
27.根据权利要求22所述的***,其中,所述处理器用经训练的神经网络对所述一个或更多个异常进行分类。
28.根据权利要求22所述的***,其中,所述处理器基于你只看一次(YOLO)检测器对所述一个或更多个异常进行分类。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063016097P | 2020-04-27 | 2020-04-27 | |
US63/016,097 | 2020-04-27 | ||
PCT/US2021/029408 WO2021222253A1 (en) | 2020-04-27 | 2021-04-27 | Concealed substance detection with hyperspectral imaging |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115769062A true CN115769062A (zh) | 2023-03-07 |
Family
ID=78222572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180045504.3A Pending CN115769062A (zh) | 2020-04-27 | 2021-04-27 | 利用高光谱成像的隐蔽物质检测 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11741595B2 (zh) |
EP (1) | EP4143540A4 (zh) |
JP (1) | JP2023523606A (zh) |
CN (1) | CN115769062A (zh) |
WO (1) | WO2021222253A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116482038A (zh) * | 2023-06-19 | 2023-07-25 | 北京中科太赫兹科技有限公司 | 基于kid探测器的远距离人携危险物探测管理*** |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116350172B (zh) * | 2021-12-27 | 2024-04-26 | 深圳爱酷智能科技有限公司 | 毒检方法、装置、计算机可读存储介质及设备 |
CN115147642A (zh) * | 2022-06-02 | 2022-10-04 | 盛视科技股份有限公司 | 基于视觉的渣土车检测方法、装置、计算机及存储介质 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5166024B2 (ja) * | 2004-05-26 | 2013-03-21 | ピコメトリクス、エルエルシー | 荷物及び人を検査するための反射及び透過モードのテラヘルツ画像化 |
US8415624B2 (en) * | 2005-10-06 | 2013-04-09 | Polestar Technologies, Inc. | Differential wavelength imaging method and system for detection and identification of concealed materials |
US7358733B2 (en) * | 2006-02-28 | 2008-04-15 | Ge Security, Inc. | High performance security inspection system with physically isolated detection sensors |
US7840360B1 (en) * | 2006-10-26 | 2010-11-23 | Micheels Ronald H | Optical system and method for inspection and characterization of liquids in vessels |
US20120134582A1 (en) * | 2007-01-16 | 2012-05-31 | Chemimage Corporation | System and Method for Multimodal Detection of Unknown Substances Including Explosives |
US8193500B2 (en) * | 2008-04-01 | 2012-06-05 | National University Corporation Toyohashi University Of Technology | Discrimination filtering device, discrimination method of object, and designing method of filters for discrimination filtering device |
US8421668B2 (en) * | 2008-04-21 | 2013-04-16 | Stalix Llc | Sub-millimeter wave RF and ultrasonic concealed object detection and identification |
US20110261351A1 (en) * | 2010-02-05 | 2011-10-27 | Chemimage Corporation | System and method for detecting explosives using swir and mwir hyperspectral imaging |
US9658104B2 (en) * | 2010-04-05 | 2017-05-23 | Chemimage Corporation | System and method for detecting unknown materials using short wave infrared hyperspectral imaging |
US20120138820A1 (en) * | 2010-11-19 | 2012-06-07 | Chemimage Corporation | System and method for detecting and visualizing ignitable liquid residues using hyperspectral imaging |
US8513607B2 (en) * | 2011-04-12 | 2013-08-20 | Texas Instruments Incorporated | Analog baseband circuit for a terahertz phased array system |
US9500634B2 (en) | 2012-12-31 | 2016-11-22 | Omni Medsci, Inc. | Short-wave infrared super-continuum lasers for natural gas leak detection, exploration, and other active remote sensing applications |
US9157800B2 (en) | 2013-01-15 | 2015-10-13 | Chemimage Technologies Llc | System and method for assessing analytes using conformal filters and dual polarization |
CA2954625C (en) * | 2014-06-18 | 2022-12-13 | Innopix, Inc. | Spectral imaging system for remote and noninvasive detection of target substances using spectral filter arrays and image capture arrays |
WO2018208791A1 (en) * | 2017-05-08 | 2018-11-15 | Aquifi, Inc. | Systems and methods for inspection and defect detection using 3-d scanning |
-
2021
- 2021-04-27 EP EP21796293.5A patent/EP4143540A4/en active Pending
- 2021-04-27 WO PCT/US2021/029408 patent/WO2021222253A1/en unknown
- 2021-04-27 JP JP2022564724A patent/JP2023523606A/ja active Pending
- 2021-04-27 US US17/241,834 patent/US11741595B2/en active Active
- 2021-04-27 CN CN202180045504.3A patent/CN115769062A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116482038A (zh) * | 2023-06-19 | 2023-07-25 | 北京中科太赫兹科技有限公司 | 基于kid探测器的远距离人携危险物探测管理*** |
Also Published As
Publication number | Publication date |
---|---|
US20210334954A1 (en) | 2021-10-28 |
US11741595B2 (en) | 2023-08-29 |
EP4143540A1 (en) | 2023-03-08 |
EP4143540A4 (en) | 2024-05-29 |
JP2023523606A (ja) | 2023-06-06 |
WO2021222253A1 (en) | 2021-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11741595B2 (en) | Concealed substance detection with hyperspectral imaging | |
Qureshi et al. | Hyperspectral document image processing: Applications, challenges and future prospects | |
Huang et al. | Development of a multispectral imaging system for online detection of bruises on apples | |
Dacal-Nieto et al. | Non–destructive detection of hollow heart in potatoes using hyperspectral imaging | |
Li et al. | Detection of common defects on oranges using hyperspectral reflectance imaging | |
Dacal-Nieto et al. | Common scab detection on potatoes using an infrared hyperspectral imaging system | |
Zhao et al. | Automated tea quality classification by hyperspectral imaging | |
JP2006526783A (ja) | 色分解および組織試料内の対象となる領域の検出 | |
Hu et al. | A method of citrus epidermis defects detection based on an improved YOLOv5 | |
Yao et al. | Hyperspectral image classification and development of fluorescence index for single corn kernels infected with Aspergillus flavus | |
Zhang et al. | Visual detection of apple bruises using AdaBoost algorithm and hyperspectral imaging | |
Dimililer et al. | Automated classification of fruits: pawpaw fruit as a case study | |
Gao et al. | Pixel-level aflatoxin detecting in maize based on feature selection and hyperspectral imaging | |
Liu et al. | Robust text detection via multi-degree of sharpening and blurring | |
Kremezi et al. | Increasing the Sentinel-2 potential for marine plastic litter monitoring through image fusion techniques | |
DiPietro et al. | Performance evaluation of hyperspectral detection algorithms for subpixel objects | |
Chen et al. | Identification of various food residuals on denim based on hyperspectral imaging system and combination optimal strategy | |
WO2020214661A1 (en) | Material identification through image capture of raman scattering | |
CN109682821A (zh) | 一种基于多尺度高斯函数的柑橘表面缺陷检测方法 | |
Chang et al. | Characterization of anomaly detection in hyperspectral imagery | |
Zhang et al. | Development of a hyperspectral imaging system for the early detection of apple rottenness caused by P enicillium | |
Kizel et al. | Spatially adaptive hyperspectral unmixing through endmembers analytical localization based on sums of anisotropic 2D Gaussians | |
Qureshi et al. | Current advances in hyperspectral face recognition | |
Carlsohn et al. | Spectral imaging and applications | |
Intaravanne et al. | Ripeness level indication of bananas with visible and fluorescent spectral images |
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: 40090031 Country of ref document: HK |