CN117115470A - 基于立体x光断层扫描的识别方法、装置及*** - Google Patents
基于立体x光断层扫描的识别方法、装置及*** Download PDFInfo
- Publication number
- CN117115470A CN117115470A CN202210568989.0A CN202210568989A CN117115470A CN 117115470 A CN117115470 A CN 117115470A CN 202210568989 A CN202210568989 A CN 202210568989A CN 117115470 A CN117115470 A CN 117115470A
- Authority
- CN
- China
- Prior art keywords
- target object
- object detection
- detection results
- stereoscopic
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003325 tomography Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 186
- 238000012545 processing Methods 0.000 claims abstract description 40
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 238000007499 fusion processing Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000002558 medical inspection Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/10072—Tomographic images
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于立体X光断层扫描的识别方法、装置及***,所述识别方法包括:利用CT机获取目标物的立体X光断层扫描图像;对立体X光断层扫描图像在多个方向上进行切片处理以得到在各个方向上的多个立体X光图像切片;对各个立体X光图像切片进行投影处理以提取包含目标物最显著特征的平面投影图像;采用预设目标检测算法对每个平面投影图像进行检测以得到局部目标物检测结果;对各个方向上的局部目标物检测结果进行线性插值处理以融合得到整体目标物检测结果;对各个整体目标物检测结果中的体素选择置信度较高的预设个数的整体目标物检测结果并求取平均值以融合得到对目标物的最终检测结果。利用本发明,可节省计算量、提高工作效率。
Description
技术领域
本发明涉及扫描识别领域,尤其涉及基于立体X光断层扫描的识别方法、装置及***。
背景技术
在现有的安检、医检等作业中,CT机是安检、医学检验作业环节中的关键设备,然而,在使用CT机进行工作时,多利用CT机采集目标物的2D X光图像,然后再合成三维成像,全程计算量较大,运算速度较慢,效率较低。此外,现有技术大多由人工看图识别2D X光图像,相应地,作业人员上岗前要经过的培训时间相对较长,与此同时,长时间采用人工进行识别,会在作业人员疲劳的时候产生误检和漏检,工作效率相对较低。
发明内容
本发明提供了一种基于立体X光断层扫描的识别方法、装置及***,其中所述识别方法能够使得计算量变小,提升速度,提高工作效率。
本发明针对现有采用人工进行识别导致效率较低的问题,提供了一种基于立体X光断层扫描的识别方法、装置及***。
本发明就上述技术问题而提出的技术方案如下:
一方面,本发明提供了一种基于立体X光断层扫描的识别方法,其特征在于,所述方法包括:
利用CT机获取目标物的立体X光断层扫描图像;
对所述立体X光断层扫描图像在多个方向上进行切片处理以得到在各个方向上的多个立体X光图像切片;
对各个所述立体X光图像切片进行投影处理以提取包含目标物最显著特征的平面投影图像;
采用预设目标检测算法对每个所述平面投影图像进行检测以得到各个方向所对应的局部目标物检测结果;
对各个方向上的所述局部目标物检测结果进行线性插值处理以融合得到各个方向上的整体目标物检测结果;
对各个所述整体目标物检测结果中的体素选择置信度较高的预设个数的所述整体目标物检测结果并求取平均值以融合得到对目标物的最终检测结果。
根据上述识别方法,所述预设目标检测算法为SSD检测算法。
根据上述识别方法,所述采用预设目标检测算法对每个所述平面投影图像进行检测以得到各个方向所对应的局部物品检测结果包括:
利用所述平面投影图像中满足预设规则的相邻投影图像组成所述SSD检测算法的前向运算的多通道输入值以计算投影图像损失;其中,所述预设规则为针对i个投影图像,获取第至第/>个投影图像范围中的任意一个或多个投影图像组成所述多通道输入值;所述d取值为奇数;
根据计算的投影图像损失结果判断各个投影图像之间是否满足预设关联性;
采用所述SSD检测算法对满足预设关联性的各个所述平面投影图像进行检测以得到各个方向所对应的局部物品检测结果。
根据上述识别方法,所述对所述立体X光断层扫描图像在多个方向上进行切片处理以得到在各个方向上的多个立体X光图像切片包括:
对所述立体X光断层扫描图像在三个维度方向上进行切片处理以得到各个维度方向上的多个立体X光图像切片。
根据上述识别方法,所述对各个方向上的所述局部目标物检测结果进行线性插值处理以融合得到各个方向上的整体目标物检测结果包括:
对三个维度方向上所述局部目标物检测结果进行线性插值处理以融合得到三个维度方向上的整体目标物检测结果。
根据上述识别方法,所述对各个所述整体目标物检测结果中的体素选择置信度较高的预设个数的所述整体目标物检测结果并求取平均值以融合得到对目标物的最终检测结果包括:
对各个所述整体目标物检测结果中的体素选择置信度较高的两个所述整体目标物检测结果;
对两个所述整体目标物检测结果求取均值以融合得到对目标物的最终检测结果。
根据上述识别方法,所述方法包括:
若所述最终检测结果包含可疑物,则输出可疑物提示信息。
根据上述识别方法,所述可疑物提示信息为以下中的一种或多种:
声响提示信息、图形显示提示信息、灯光提示信息。
第二方面,本发明提供一种基于立体X光断层扫描的识别装置,包括:
获取模块,所述获取模块通过CT机获取目标物的立体X光断层扫描图像;
切片处理模块,所述切片处理模块对所述立体X光断层扫描图像在多个方向上进行切片处理以得到在各个方向上的多个立体X光图像切片;
投影处理模块,所述投影处理模块对各个所述立体X光图像切片进行投影处理以提取包含目标物最显著特征的平面投影图像;
第一检测模块,所述第一检测模块采用预设目标检测算法对每个所述平面投影图像进行检测以得到各个方向所对应的局部目标物检测结果;
第一融合处理模块,所述第一检测模块对各个方向上的所述局部目标物检测结果进行线性插值处理以融合得到各个方向上的整体目标物检测结果;
第二检测模块,所述第二检测模块对各个所述整体目标物检测结果中的体素选择置信度较高的预设个数的所述整体目标物检测结果并求取平均值以融合得到对目标物的最终检测结果。
第三方面,本发明还提供一种基于立体X光断层扫描的识别***,包括CT机、接收所述CT机输出的立体X光断层扫描图像的本地服务器和/或远端服务器,所述本地服务器与所述远端服务器均采用如上所述基于立体X光断层扫描的识别方法对所述CT机输出的立体X光断层扫描图像进行识别。
本发明实施例提供的技术方案带来的有益效果是:
基于立体X光断层扫描的识别方法采用切片方式对CT机采集到的立体X光断层扫描图像进行处理,后再通过对切片进行投影处理以利用预设目标检测算法对生成的平面投影图像进行检测,以得到局部检测结果,随后再通过融合处理以对所述局部目标物检测结果进行融合以得到多个相应方向上的整体目标物检测结果。最后,从多个整体目标物检测结果选择置信度较高的整体目标物检测结果并求取平均值以对选择的整体目标物检测结果进行再融合,从而得到最终检测结果。利用本发明,实现机器自动识别有助于提高工作效率,同时可有效解决传统二维X光图像下存在多个目标物叠加以及位置、角度随机变化导致的大量误检和漏检问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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为本发明提供的基于立体X光断层扫描的识别方法在一个实施方式下的流程图。
图2为本发明提供的基于立体X光断层扫描的识别装置的功能模块图。
图3为结合图1的基于立体X光断层扫描的识别***的流程框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
参见图1,为本发明提供的基于立体X光断层扫描的识别方法在一个实施方式下的流程图。本发明提供的基于立体X光断层扫描的识别方法能够被应用于安检***、医疗***等场景,利用CT机获取的立体X光断层扫描图像进行切片融合(slice-and-fuse)并识别,以有助于工作人员及时发现可疑物。
如图1所示,本实施方式的基于立体X光断层扫描的识别方法可包括如下步骤:
S101:利用CT机获取目标物的立体X光断层扫描图像。
S102:对所述立体X光断层扫描图像在多个方向上进行切片处理以得到在各个方向上的多个立体X光图像切片。
本步骤中,所述切片处理为按预设切分规则将所述立体X光断层扫描图像切分为多个立体X光图像切片,以展示出目标物在各个方向上所呈现的图形结构。此处,在每个方向上均包含多个立体X光图像切片。
本实施方式中,对所述立体X光断层扫描图像可在三个维度方向上进行切片处理,即在XY方向、YZ方向、XZ方向上进行切片处理,从而分别得到目标物在XY方向上的立体图形结构、在YZ方向上的立体图形结构及在XZ方向上的立体图像结构。
S103:对各个所述立体X光图像切片进行投影处理以提取包含目标物最显著特征的平面投影图像。
本步骤中,在进行投影处理时,可对各个所述立体X光图像切片在相应方向上选择包含目标物特征的最大值,从而选出目标物最显著特征,以有助于供后续步骤进行图像检测及相应处理。
本实施方式中,对应在三个维度方向上进行切片处理,经投影处理得到的图像分别为XY方向、YZ方向、XZ方向上的平面投影图像。
S104:采用预设目标检测算法对每个所述平面投影图像进行检测以得到各个方向所对应的局部目标物检测结果。
本步骤中,所述预设目标检测算法可为SSD(Single ShotMultiBox Detector)检测算法,利用SSD检测算法对每个所述平面投影图像进行检测以根据图形特征识别出在当前平面状态下的可能性目标物检测结果。
此处,所述SSD检测算法为经过预训练后的SSD检测算法,更具体地,所述SSD检测算法的主干网络可以是但不限于采用mobilenet(轻量级卷积神经网络(ConvolutionalNeural Networks,CNN))v2版本,以提高检测速度。与此同时,通过统计物体框的长宽比,并设置相应比例的锚框,有助于提升检测效果。此外,检测锚框的回归损失函数可以是但不限于使用GIoU Loss,可以提高锚框内图形的检测精准度。当然,所述回归损失函数包括但不限于GIoU、DIoU、CIoU等,而在进行目标检测的过程中,分类损失函数可采用Focal loss,以降低容易区分的样本的损失在总体损失中的比例,提高对目标的分类精度。
本实施方式中,所述SSD检测算法可利用在线困难样本挖掘算法(Online HardExample Mining,OHEM)选择所述CT机输出的特征图像中的一些困难样本作为训练的样本从而改善所述神经网络的参数,此处,所述困难样本优选为具有多样性和高损失的样本。
可以理解的是,所述局部目标物检测结果为基于对各个方向的平面投影图像进行识别后的一个方向上的检测结果,如对应前述,在XY方向上包含多个立体X光图像切片,而各个立体X光图像切片则对应有相应的平面投影图像,因而在XY方向上包含多个平面投影图像,多个平面投影图像则可反映对应目标物的多个局部特征。
本实施方式中,本步骤还可为如下具体步骤:
利用所述平面投影图像中满足预设规则的相邻投影图像组成所述SSD检测算法的前向运算的多通道输入值以计算投影图像损失;其中,所述预设规则为针对i个投影图像,获取第至第/>个投影图像范围中的任意一个或多个投影图像组成所述多通道输入值;所述d取值为奇数;
根据计算的投影图像损失结果判断各个投影图像之间是否满足预设关联性;
采用所述SSD检测算法对满足预设关联性的各个所述平面投影图像进行检测以得到各个方向所对应的局部目标物检测结果。
此处,利用相邻投影图像的信息,可以提升SSD检测算法效果,具体为利用相邻投影图像之间有很高的相关性,结合前后相邻的多个投影图像,可以减少某一个平面投影图像中存在噪声所带来的干扰。
S105:对各个方向上的所述局部目标物检测结果进行线性插值处理以融合得到各个方向上的整体目标物检测结果。
本步骤中,所述检测结果为具有包含目标物位置和类别信息,因而在通过识别目标物位置和类别后,可通过线性插值处理可将局部目标物检测结果融合以得到在一个方向上的整体目标物检测结果,而多个方向即对应多个整体目标物检测结果。
可以理解的是,如对应前述,在XY方向上,对应多个平面投影可得到多个局部目标物检测结果,然后再通过融合得到在XY方向上的目标物检测结果。同理,在YZ方向上,同样可通过融合得到在YZ方向上的目标物检测结果;在XZ方向上,得到在XZ方向上的目标物检测结果。
S106:对各个所述整体目标物检测结果中的体素选择置信度较高的预设个数的所述整体目标物检测结果并求取平均值以融合得到对目标物的最终检测结果。
本步骤中,各个所述整体目标物检测结果均可包含多个能够在一定程度上反映目标物特征的体素,通过选择满足一定置信度的一个或多个整体目标物检测结果作为目标物的立体检测结果并求取平均值以进行融合得到目标物的最终检测结果。
本发明所提供的基于立体X光断层扫描的识别方法采用切片方式对CT机采集到的立体X光断层扫描图像进行处理,然后再通过对切片进行投影处理以利用预设目标检测算法对生成的平面投影图像进行检测,以得到局部检测结果,然后再通过融合处理以对所述局部目标物检测结果进行融合以得到多个相应方向上的整体目标物检测结果。最后,从多个整体目标物检测结果选择置信度较高的整体目标物检测结果并求取平均值以对选择的整体目标物检测结果进行再融合,从而得到最终检测结果。利用本发明,实现机器自动识别有助于提高安检或医学检验效率,同时可有效解决传统二维X光图像下存在多个目标物叠加以及位置、角度随机变化导致的大量误检和漏检问题。
可以理解的是,目标物如行李箱中各个物件的摆放位置和角度都是随机的,在某些视角下,二维图像难以呈现出关键信息,导致安检或医学检验难度增大。本发明依托机器视觉和神经网络技术的图像识别***,用计算机来模拟人的视觉和学习过程,从客观实物的图像中提取信息进行处理,并加以理解。通过人工智能神经网络深度学习技术,使***能够进行自动学习,逐步丰富***积累,不断提高***识别图像的能力,达到收集管控的效果。
在本实施方式的一个具体应用例中,可对所述立体X光断层扫描图像在三个维度方向上进行切片处理以得到各个维度方向上的多个X光图像切片。随后,对各个所述立体X光图像切片进行投影处理以提取包含目标物最显著特征的平面投影图像。在采用预设目标检测算法对每个所述平面投影图像进行检测以得到各个方向所对应的局部目标物检测结果后,对三个维度方向上所述局部目标物检测结果进行线性插值处理以融合得到三个维度方向上的整体目标物检测结果。最后,对各个所述整体目标物检测结果中的体素选择置信度较高的二个所述整体目标物检测结果并求取平均值以融合得到对目标物的最终检测结果。
进一步地,在所述最终检测结果包含可疑物,则输出可疑物提示信息,此处,所述可疑物提示信息为以下中的一种或多种:声响提示信息、图形显示提示信息、灯光提示信息。利用可疑物提示信息,可方便作业人员第一时间对相应的目标物进行拦截及针对所述目标物的持有人做出相应的反应。
可以理解的是,本发明提供的基于立体X光断层扫描的识别方法所采用的算法包括但不限于Mask R-CNN、CenterMask、TensorMask、SOLO等算法,主干网络包括但不限于ResNet、SENet等网络,可以在算法精度和消耗时间之间进行权衡,选择合适的算法及主干网络。
参见图2,为本发明提供的基于立体X光断层扫描的识别装置的功能模块图,所述识别装置1包括获取模块11、切片处理模块12、投影处理模块13、第一检测模块14、第一融合处理模块15、第二检测模块16、选择模块17及第二融合处理模块18,其中:
所述获取模块11用于利用CT机获取目标物的立体X光断层扫描图像;
切片处理模块12用于对所述立体X光断层扫描图像在多个方向上进行切片处理以得到在各个方向上的多个立体X光图像切片;
投影处理模块13用于对各个所述立体X光图像切片进行投影处理以提取包含目标物最显著特征的平面投影图像;
第一检测模块14用于采用预设目标检测算法对每个所述平面投影图像进行检测以得到各个方向所对应的局部目标物检测结果;
第一融合处理模块15用于对各个方向上的所述局部目标物检测结果进行线性插值处理以融合得到各个方向上的整体目标物检测结果;
第二检测模块16用于对各个所述整体目标物检测结果中的体素选择置信度较高的预设个数的所述整体目标物检测结果并求取平均值以融合得到对目标物的最终检测结果;
选择模块17用于对各个所述整体目标物检测结果中的体素选择置信度较高的两个所述整体目标物检测结果;
第二融合处理模块18用于对两个所述整体目标物检测结果求取均值以融合得到对目标物的最终检测结果。
通过各个功能模块之间的配合可实现采用切片方式对CT机采集到的立体X光断层扫描图像进行处理,随后再通过对切片进行投影处理以利用预设目标检测算法对生成的平面投影图像进行检测,以得到局部检测结果,随后再通过融合处理以对所述局部目标物检测结果进行融合以得到多个相应方向上的整体目标物检测结果,最后,从多个整体目标物检测结果选择置信度较高的整体目标物检测结果并求取平均值以对选择的整体目标物检测结果进行再融合,从而得到最终检测结果。利用本发明,实现机器自动识别有助于提高安检、医学检验效率,同时可有效解决传统二维X光图像下存在多个目标物叠加以及位置、角度随机变化导致的大量误检和漏检问题。
参见图3,为结合图1的基于立体X光断层扫描的识别***的流程框图,在利用CT机采集到三维断层扫描图像后,然后在XY方向、YZ方向、XZ方向分别进行切片处理,并对每个切片进行投影处理以分别得到XY方向平面投影图像、YZ方向平面投影图像、XZ方向平面投影图像,随后根据算法资源可选择调用本地检测算法和/或调用远程检测算法对相应方向上的平面投影图像进行检测并输出检测结果,并通过两次融合处理得到最终检测结果,随后,将所述数据输入数据库并进行图像编码以在显示器上显示,作业人员可根据显示器上显示的检测结果确认目标物。
此处,基于立体X光断层扫描的识别***通过安检显示终端与服务器相配合的方式提供一套全新的违禁品查验的解决方案,解决一线安检人员不足、过度劳累的问题,以及因此而产生的误检和漏检等问题;消除和减少安全隐患,同时实现减员增效,降低对于人员素质要求,缩短上岗前的培训周期,直接胜任目标物安检岗位。本***的实现,可以减少在CT机判图中人工的投入,可以极大的提高在安检过程中的效率。同时对比之前的目标甄别方法,此方法极大的提高了甄别目标的准确性,降低了漏检率以及误报率,而能准确的获取到物体的位置的信息,能帮助安检人员或相关工作者快速找到目标,提高了通关效率,1秒内就可以识别违禁物品,这在一定程度上打击了不法分子携带大量违禁物品的嚣张气焰,也维护了正常的安检工作秩序。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于立体X光断层扫描的识别方法,其特征在于,所述方法包括:
利用CT机获取目标物的立体X光断层扫描图像;
对所述立体X光断层扫描图像在多个方向上进行切片处理以得到在各个方向上的多个立体X光图像切片;
对各个所述立体X光图像切片进行投影处理以提取包含目标物最显著特征的平面投影图像;
采用预设目标检测算法对每个所述平面投影图像进行检测以得到各个方向所对应的局部目标物检测结果;
对各个方向上的所述局部目标物检测结果进行线性插值处理以融合得到各个方向上的整体目标物检测结果;
对各个所述整体目标物检测结果中的体素选择置信度较高的预设个数的所述整体目标物检测结果并求取平均值以融合得到对目标物的最终检测结果。
2.根据权利要求1所述识别方法,其特征在于,所述预设目标检测算法为SSD检测算法。
3.根据权利要求2所述识别方法,其特征在于,所述采用预设目标检测算法对每个所述平面投影图像进行检测以得到各个方向所对应的局部目标物检测结果包括:
利用所述平面投影图像中满足预设规则的相邻投影图像组成所述SSD检测算法的前向运算的多通道输入值以计算投影图像损失;其中,所述预设规则为针对i个投影图像,获取第至第/>个投影图像范围中的任意一个或多个投影图像组成所述多通道输入值;所述d取值为奇数;
根据计算的投影图像损失结果判断各个投影图像之间是否满足预设关联性;
采用所述SSD检测算法对满足预设关联性的各个所述平面投影图像进行检测以得到各个方向所对应的局部目标物检测结果。
4.根据权利要求1所述识别方法,其特征在于,所述对所述立体X光断层扫描图像在多个方向上进行切片处理以得到在各个方向上的多个立体X光图像切片包括:
对所述立体X光断层扫描图像在三个维度方向上进行切片处理以得到各个维度方向上的多个立体X光图像切片。
5.根据权利要求4所述识别方法,其特征在于,所述对各个方向上的所述局部目标物检测结果进行线性插值处理以融合得到各个方向上的整体目标物检测结果包括:
对三个维度方向上所述局部目标物检测结果进行线性插值处理以融合得到三个维度方向上的整体目标物检测结果。
6.根据权利要求5所述识别方法,其特征在于,所述对各个所述整体目标物检测结果中的体素选择置信度较高的预设个数的所述整体目标物检测结果并求取平均值以融合得到对目标物的最终检测结果包括:
对各个所述整体目标物检测结果中的体素选择置信度较高的两个所述整体目标物检测结果;
对两个所述整体目标物检测结果求取均值以融合得到对目标物的最终检测结果。
7.根据权利要求1所述识别方法,其特征在于,所述方法包括:
若所述最终检测结果包含可疑物,则输出可疑物提示信息。
8.根据权利要求7所述基于立体X光断层扫描的识别方法,其特征在于,所述可疑物提示信息为以下中的一种或多种:
声响提示信息、图形显示提示信息、灯光提示信息。
9.一种基于立体X光断层扫描的识别装置,其特征在于,包括:
获取模块,所述获取模块通过CT机获取目标物的立体X光断层扫描图像;
切片处理模块,所述切片处理模块对所述立体X光断层扫描图像在多个方向上进行切片处理以得到在各个方向上的多个立体X光图像切片;
投影处理模块,所述投影处理模块对各个所述立体X光图像切片进行投影处理以提取包含目标物最显著特征的平面投影图像;
第一检测模块,所述第一检测模块采用预设目标检测算法对每个所述平面投影图像进行检测以得到各个方向所对应的局部目标物检测结果;
第一融合处理模块,所述第一融合处理模块对各个方向上的所述局部目标物检测结果进行线性插值处理以融合得到各个方向上的整体目标物检测结果;
第二检测模块,所述第二检测模块对各个所述整体目标物检测结果中的体素选择置信度较高的预设个数的所述整体目标物检测结果并求取平均值以融合得到对目标物的最终检测结果。
10.一种基于立体X光断层扫描的识别***,其特征在于,包括CT机、接收所述CT机输出的立体X光断层扫描图像的本地服务器和/或远端服务器,所述本地服务器与所述远端服务器均采用如权利要求1至8所述基于立体X光断层扫描的识别方法对所述CT机输出的立体X光断层扫描图像进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210568989.0A CN117115470A (zh) | 2022-05-24 | 2022-05-24 | 基于立体x光断层扫描的识别方法、装置及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210568989.0A CN117115470A (zh) | 2022-05-24 | 2022-05-24 | 基于立体x光断层扫描的识别方法、装置及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117115470A true CN117115470A (zh) | 2023-11-24 |
Family
ID=88807967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210568989.0A Pending CN117115470A (zh) | 2022-05-24 | 2022-05-24 | 基于立体x光断层扫描的识别方法、装置及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117115470A (zh) |
-
2022
- 2022-05-24 CN CN202210568989.0A patent/CN117115470A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020215985A1 (zh) | 医学影像分割方法、装置、电子设备和存储介质 | |
JP2018112550A (ja) | 検査機器および銃器検出方法 | |
CN103716579B (zh) | 视频监控方法及*** | |
CN109785237B (zh) | 一种太赫兹图像超分辨率重建方法、***及相关装置 | |
CN110390229B (zh) | 一种人脸图片筛选方法、装置、电子设备及存储介质 | |
CN109740549A (zh) | 基于半监督cnn的sar图像目标检测***和方法 | |
Lindsay et al. | Confidence and accuracy of lineup selections and rejections: Postdicting rejection accuracy with confidence | |
CN117392496A (zh) | 基于红外与可见光图像融合的目标检测方法及*** | |
CN115909268A (zh) | 一种动态障碍物检测方法及装置 | |
CN112801038B (zh) | 一种多视点的人脸活体检测方法及*** | |
Vilankar et al. | Local edge statistics provide information regarding occlusion and nonocclusion edges in natural scenes | |
CN112198483A (zh) | 卫星反演雷达的数据处理方法、装置、设备及存储介质 | |
CN113971783A (zh) | 一种基于yolov5算法的管制刀具检测模型 | |
EP1732030A1 (en) | Comparison of patterns | |
CN117115470A (zh) | 基于立体x光断层扫描的识别方法、装置及*** | |
CN116895059A (zh) | 一种多目透视图像的bev空间目标检测方法及装置 | |
EP3438987B1 (en) | Tool that analyzes image data and generates and displays a confidence indicator along with a cancer score | |
CN109544514A (zh) | 一种融合表现特征的锯材身份辨识方法、装置及设备 | |
Agrawal et al. | Fuzzy based decision system for estimation of operator’s situation awareness index while surveillance during low ambient lighting conditions | |
EP3901815A1 (en) | Image display method, apparatus and device, and computer storage medium | |
EP3680816A1 (en) | Visual object insertion classification for videos | |
CN110110594A (zh) | 一种产品分布识别方法和装置 | |
CN115239962B (zh) | 基于深层大感受野空间注意力的目标分割方法和装置 | |
CN117022264B (zh) | 基于雷视融合的障碍物检测方法及装置 | |
CN118314532A (zh) | 一种基于深度学习的变电站红外图像老鼠识别方法 |
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 |