CN117457032B - 一种基于体量识别的存储介质销毁方法 - Google Patents

一种基于体量识别的存储介质销毁方法 Download PDF

Info

Publication number
CN117457032B
CN117457032B CN202311785374.4A CN202311785374A CN117457032B CN 117457032 B CN117457032 B CN 117457032B CN 202311785374 A CN202311785374 A CN 202311785374A CN 117457032 B CN117457032 B CN 117457032B
Authority
CN
China
Prior art keywords
storage medium
destroying
volume identification
identification system
destruction
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.)
Active
Application number
CN202311785374.4A
Other languages
English (en)
Other versions
CN117457032A (zh
Inventor
罗远哲
刘瑞景
吕雪萍
万光莲
王彬礼
林文强
于文志
李兵
陈思杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Wanlihong Information Technology Co ltd
Original Assignee
Shandong Wanlihong Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Wanlihong Information Technology Co ltd filed Critical Shandong Wanlihong Information Technology Co ltd
Priority to CN202311785374.4A priority Critical patent/CN117457032B/zh
Publication of CN117457032A publication Critical patent/CN117457032A/zh
Application granted granted Critical
Publication of CN117457032B publication Critical patent/CN117457032B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G11—INFORMATION STORAGE
    • G11B—INFORMATION STORAGE BASED ON RELATIVE MOVEMENT BETWEEN RECORD CARRIER AND TRANSDUCER
    • G11B5/00—Recording by magnetisation or demagnetisation of a record carrier; Reproducing by magnetic means; Record carriers therefor
    • G11B5/02—Recording, reproducing, or erasing methods; Read, write or erase circuits therefor
    • G11B5/024—Erasing
    • 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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/0475—Generative networks
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了基于体量识别的存储介质销毁方法，涉及图像数据处理技术领域；该一种基于体量识别的存储介质销毁方法，包括：待销毁的存储介质由传输***进入销毁设备，通过第一体量识别***对传输***上的待销毁存储介质进行体量识别，对待销毁的存储介质进行评估；销毁程序进行时，基于设置在销毁设备中的第二体量识别***对销毁中的存储介质进行体量识别，基于第二体量识别***的识别结果对销毁设备中的存储介质粉碎粒度进行评估；基于第二体量识别***的识别结果及评估结果判断存储介质销毁是否满足销毁要求。

Description

一种基于体量识别的存储介质销毁方法
技术领域
本申请涉及图像数据处理技术领域，特别是涉及一种基于体量识别的存储介质销毁方法。
背景技术
体量识别技术是一种利用深度学习算法对三维物体进行识别和分类的技术，它可以从多个角度和距离捕捉物体的形状、大小、位置、方向等信息，生成一个体量（voxel）表示，即一个三维的像素网格。体量识别技术可以应用于存储介质销毁过程中，对待销毁的存储介质进行评估和监控，确保销毁的彻底性和安全性。
现有技术中，点云识别技术在存储介质销毁过程中的应用研究较少，公开号为CN114528950A的专利文件记载的技术方案中通过采用包括有点云特征提取网络和介质体量识别网络的存储介质销毁识别网络模型，对机械粉碎过程中的存储介质碎片进行体量识别，从而自动判断介质碎片的体积是否满足销毁要求或需要进行二次粉碎。也即在该技术方案中，体量识别的重点是销毁碎片，将点云识别的重点监控对象为销毁过程中的存储介质，也即销毁碎片。
但是在存储介质销毁的过程中，对于不同的存储介质，其销毁要求也即销毁碎片大小的要求也不尽相同；另外，对于同时包含多种类型和规格的存储介质的批量销毁任务，需要进行识别和区分，以采用合适的销毁方式和销毁标准，上述技术方案进行存储介质销毁时仍需要人为选择对应的销毁程序及销毁要求。
发明内容
本申请技术方案主要提供了一种基于体量识别的存储介质销毁方法，基于第一体量识别***识别到的待销毁存储介质的种类及数量自动选择对应的销毁标准；销毁的过程中，基于第二体量识别***识别到的存储介质的碎片判断是否满足预设销毁标准，减少了对销毁程序的人为干预。
为实现上述目的，本申请提供了如下技术方案：
一种基于体量识别的存储介质销毁方法，包括：
待销毁的存储介质由传输***进入销毁设备，通过设置在传输***一侧的第一体量识别***对传输***上的待销毁存储介质进行体量识别以获取该存储介质的图像或者特征向量，基于识别结果对待销毁的存储介质进行评估，评估结果包括存储介质类别、数量；其中，所述销毁设备能够把存储介质粉碎为碎片；
基于第一体量识别***的识别结果及评估结果选择对应的销毁要求；
销毁程序进行时，基于设置在销毁设备中的第二体量识别***对销毁中的存储介质进行体量识别，以获取存储介质碎片的图像或者特征向量，基于第二体量识别***的识别结果对销毁设备中的存储介质粉碎粒度进行评估；
基于第二体量识别***的识别结果及评估结果判断存储介质销毁是否满足销毁要求，且所述第二体量识别***将识别到的存储介质碎片与所述第一体量识别***中识别到的存储介质进行匹配。
优选为，所述匹配的方法包括：
将第一体量识别***识别到的存储介质图像或特征向量作为输入，训练一个生成对抗网络，使其能够生成与存储介质相对应的碎片的图像或特征向量；
将上述生成的图像或特征向量作为第二体量识别***的参考数据；
当第二体量识别***识别到碎片数据时，使用一个判别器网络将碎片数据与参考数据进行比较，以实现自动匹配。
优选为，第一体量识别***识别到传输***上待销毁存储介质的种类有多种时，销毁程序的选择能够适用于该多种待销毁存储介质；且销毁要求的选择能够适用于该多种待存储销毁介质。
优选为，所述传输***包括控制单元，所述控制单元用于控制传输***的传输速度，所述控制单元响应于所述第一体量识别***。
优选为，基于第一体量识别***判断对应存储介质的存储区域，并在存储区域涂覆可被第二体量识别***识别的标记。
优选为，当所述第二体量识别***识别到粒度大于第一预设值的存储介质碎片的数量小于第二预设值；且所述大于第一预设值的存储介质碎片中被标记的存储介质碎片的占比小于第三预设值时，销毁程序完成。
优选为，当所述第二体量识别***识别到粒度大于第一预设值的存储介质碎片的数量小于第二预设值；且被标记的存储介质碎片中，粒度大于第四预设值的存储介质的数量小于第五预设值时，销毁程序完成。
优选为，所述第一体量识别***采用多模态传感器，包括激光雷达、摄像头和超声波传感器。
本申请提供的技术方案，与已知的公有技术相比，具有如下有益效果：基于体量识别的存储介质销毁方法能够基于第一体量识别***识别到的待销毁存储介质的种类及数量自动选择对应的销毁要求，销毁设备基于这一销毁要求对存储介质进行销毁；销毁的过程中，基于第二体量识别***识别到的存储介质的碎片判断是否满足销毁要求，减少了对销毁程序的人为干预；并且对于含有不同存储介质的批量销毁，销毁要求的选择能够同时满足该多种存储介质的销毁标准，可以实现对混合介质的智能识别，以提高销毁效率和质量，同时减少人员投入。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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为本申请实施例公开的基于体量识别的存储介质销毁方法的结构示意图。
图2为本申请实施例公开的基于体量识别的存储介质销毁方法的销毁流程图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请实施例记载的是一种基于体量识别的存储介质销毁方法，该方法主要是针对U盘、硬盘、光盘以及IC卡这些存储介质的销毁，主要是适用于同时包含上述存储介质中的多种类型和规格的批量销毁任务。
该方法主要包括如下步骤：
S10：待销毁的存储介质由传输***100进入销毁设备，通过设置在传输***一侧的第一体量识别***200对传输***上的待销毁存储介质进行体量识别以获取该存储介质的图像或者特征向量，基于识别结果对待销毁的存储介质进行评估，评估结果包括存储介质类别、数量；
S20：基于第一体量识别***的识别结果及评估结果选择销毁设备300对应的销毁要求；其中，所述销毁设备能够把存储介质粉碎为碎片；
S30：销毁程序进行时，基于设置在销毁设备中的第二体量识别***400对销毁中的存储介质进行体量识别，以获取存储介质碎片的图像或者特征向量，基于第二体量识别***的识别结果对销毁设备中的存储介质粉碎粒度进行评估；
S40：基于第二体量识别***的识别结果及评估结果判断存储介质销毁是否满足销毁要求。
在以上的技术方案中，第一体量识别***的作用是对待销毁的存储介质进行分类和计数，以便选择合适的销毁程序和参数。在本申请实施例中，第一体量识别***采用了一种基于深度学习的图像识别算法，通过捕捉传输***上的存储介质图像或特征向量，然后通过卷积神经网络对图像进行特征提取和分类，最后输出存储介质的类别和数量。
在本申请实施例中，所述第一体量识别***采用多模态传感器，包括激光雷达、摄像头和超声波传感器。
第一体量识别***对存储介质的识别步骤具体包括如下的几个方面：
S11：准备一个包含不同类别的存储介质图像的数据集以及对应的标签，例如0表示硬盘，1表示光盘，2表示U盘，3表示IC卡；其中标签0，1，2，3的作用是表示存储介质的类别，也就是说，每张图像都有一个对应的标签，表示它属于哪一种存储介质。这样做的目的是为了让卷积神经网络能够根据图像和标签进行学习，从而实现对存储介质的分类和识别。
S12：设计一个卷积神经网络的结构，例如选择卷积层、池化层、全连接层等的数量、大小、参数等，这个结构可以参考已有的卷积神经网络的模型，例如AlexNet、VGGNet、ResNet等。
S13：用数据集对卷积神经网络进行训练，即通过前向传播计算网络的输出，然后通过反向传播更新网络的参数，使得网络能够学习到数据集中的特征，从而提高分类的准确率。
S14：捕捉传输***上的存储介质图像，然后将图像进行预处理，例如裁剪、缩放、去噪、归一化等，使得图像符合网络的输入要求。然后将图像输入到训练好的卷积神经网络中，得到网络的输出，即存储介质的类别和数量。
其中，卷积神经网络主要是对对图像进行多层的非线性变换，从而提取出图像中的关键特征。卷积神经网络由多个卷积层、池化层、激活层和全连接层组成，每一层都有一些可学习的参数，如卷积核、偏置、权重等。
卷积层的作用是对图像进行局部的线性组合，从而提取出图像的边缘、纹理、形状等低级特征，其中卷积层的输出可以表示为：
；
其中，表示第k个卷积核在第i层第j列的输出，/>表示第k个通道的输入图像，/>表示第k个卷积核在第p个通道的第m行第n列的权重，/>表示第k个卷积核的偏置，M和N表示卷积核的高度和宽度，P表示输入图像的通道数。
池化层的作用是卷积层的输出进行降采样，从而减少计算量和参数数量，增加模型的鲁棒性和感受性，其中池化层的输出可以表示为：
；
其中，表示第k个通道在第i行第j列的输出，/>表示第k个通道的输入图像，M和N表示池化核的高度和宽度，S表示池化步长，上述公式中是以最大池化为例的。
激活层的作用是对卷积层或池化层的输出进行非线性变换，从而增加模型的表达能力和复杂度。常用的激活函数有ReLU、Sigmoid、Tanh等，以ReLU函数为例，激活层的输出为：
；
其中，表示第k个通道在第i行第j列的输出，/>表示第k个通道的输入图像，f表示激活功函数。
全连接层的作用是将卷积层或池化层的输出展平为一维向量，然后进行线性组合，从而提取出图像的高级特征，全连接层的输出可以表示为：
；
其中，表示第i个输出结点的值，/>表示第j个输入结点的值，/>表示第j个输入结点到第i个输出结点的权重，/>表示第i个输出结点的偏置，J表示输入节点的个数；如此可以给出存储介质的类别、数量、位置等信息。
为了训练卷积神经网络，需要定义一个损失函数，用来衡量预测结果和真实标签之间的差异。本申请实施例采用的损失函数表示为：
；
其中，L表示损失函数的值，表示第i个类别的真是标签，/>表示第i个类别的预测概率，K表示类别的个数。
优化器的作用是根据损失函数，更新卷积神经网络的参数，使得损失函数达到最小值，本申请实施例采用的优化器表示为：
；
其中，表示第t+1次迭代后的参数值，/>表示第t次迭代后的参数值，/>表示学习率，/>表示损失函数对参数的梯度。
实际的销毁过程中，类型不同、存储内容不同的存储介质有不同的销毁标准，比如《BMB21-2007》中给出了几种不同类型的存储介质采用粉碎方法进行粉碎时需要粉碎到何种程度；另外不同的企业对粉碎程度也有不同的要求，一般是限定碎片的各面面积≤Xmm2，例如在本申请实施例中，针对前述的几种存储介质，U盘销毁时应将该介质粉碎至各面面积不超过2mm2，硬盘销毁时应将该介质粉碎至各面面积不超过1mm2，光盘销毁时应将该介质粉碎至各面面积不超过5mm2，IC卡销毁时应将该介质粉碎至各面面积不超过0.5mm2。在上述限定下，在本申请实施例的步骤S20中，当基于第一体量识别***的识别结果选择销毁要求时，比如若识别结果为待销毁的存储介质为硬盘，则选择硬盘对应的销毁要求，也即需要将该存储介质粉碎至各面面积不超过1mm2这一信号传输给销毁设备，销毁设备基于这一销毁要求对存储介质进行销毁。
在有些批量销毁过程中，可能涉及到多种存储介质的同时销毁，因此在第一体量识别***识别到传输***上待销毁存储介质的种类有多种时，销毁要求的选择能够适用于该多种待存储销毁介质。也即以上述销毁要求为例，当第一体量识别***识别到传输***上有U盘、硬盘和光盘时，应当选择将介质粉碎至各面面积不超过1mm2。
在本申请实施例中，第二体量识别***主要是对存储介质粒度进行评估以判断存储介质碎片是否满足销毁要求，因此第二体量识别***主要采用的识别方法是基于图像或特征向量的模式匹配，即通过比较存储介质碎片的图像或特征向量与预设的标准图像或特征向量，来判断存储介质碎片的大小和形状是否满足销毁要求。
在本申请实施例中，为了减少第二体量识别***的计算量，在步骤S30中，对销毁设备中的存储介质粉碎粒度进行评估时，将所述第二体量识别***将识别到的部分存储介质碎片与所述第一体量识别***中识别到的存储介质进行匹配。
具体来说，所述匹配的方法包括：
S31：将第一体量识别***识别到的存储介质图像或特征向量作为输入，训练一个生成模型，其能够生成与存储介质相对应的碎片的图像或特征向量。
S32：将生成模型生成的碎片数据和第二体量识别***识别到的碎片数据一起作为输入，训练一个判断模型，使其能够判断给定的碎片数据是来自于生成模型还是第二体量识别***；
S33：将生成模型和判别模型构成一个目标函数，交替优化训练，使得生成模型能够生成更加逼真的碎片数据，判别模型能够更加准确地区分碎片数据的来源。当目标函数达到一个平衡状态时，生成模型生成的碎片数据和第二体量识别***识别到的碎片数据的分布应该是相同的，这样就实现了自动匹配的目的。
也即，常规的生成对抗网络中，生成模型G的损失函数为：
；
其中，z是一个随机噪音向量，是噪音的分布，/>是生成模型G的输出，是判别模型D对生成模型G的输出的判断概率。
判别函数D的损失函数为：
；
其中，x是一个真实的碎片数据，是真实数据的分布，/>是判别模型D对真实数据的判断概率，/>是生成模型G的输出，/>是判别模型D对生成模型G的输出的判断概率。
生成器的目标是从随机噪音向量z中生成假数据，并使判别器无法区分真假，即最小化/>。判别器的目标是准确地判断输入的数据x是真实的还是生成的，并给出一个概率/>，即最大化/>和/>，这个目标函数可以表示为：
其中，E表示期望。
上述目标函数的意义是，当生成器和判别器到达到纳什均衡时，生成数据的分布和真实数据的分布是一致的，这样就实现了数据生成的目的。
在本申请的实施例中，为了使用生成对抗网络来实现自动匹配，需要将第一体量识别***识别到的存储介质的图像或特征向量作为生成器G的输入，而不是随机噪声向量z；这样，就可以利用存储介质的信息来指导生成器G生成更符合实际情况的碎片图像或特征向量。其目标函数可以表示为：
；
其中，y是第一体量识别***识到的存储介质的图像或特征向量，x是碎片的图片或特征向量，是生成的碎片的图像或特征向量，/>是判别器给出的概率值。
为了使用判别器网络或相似度度量函数来比较碎片数据与参考数据，需要将第二体量识别***识别到的碎片的图像或特征向量作为判别器D的输入，与生成器G生成的碎片的图像或特征向量进行对比，如果判别器D给出的概率值接近于1，说明两者匹配度很高，反之则匹配度很低。当然也可以使用其他的相似度度量函数，如欧氏距离、余弦相似度等，来计算两者之间的差异。如果差异很小，说明两者匹配度很高，反之则匹配度很低。
以上技术方案中，能够实现第二体量识别***识别到碎片与第一体量识别***识别到图像的匹配，无需再对第二体量识别***识别到的碎片进行卷积神经网络的训练，减少了第二体量识别***的计算量。另一方面，也能够通过第二体量识别***识别到的碎片与第一体量识别***识别到的图片的匹配程度对销毁效果进行核验，从另一个角度验证是否达到了预期的销毁目标。还有一个更为重要的方面，对于部分含有较为重要或者较为敏感信息的存储介质，在销毁完成后，需要进行合规性检验，那么通过第二体量识别***识别到碎片与第一体量识别***识别到的图片能够进行匹配的部分进行重组，也能够对销毁的合规性起到补充说明的作用。
在有的实施例中，所述传输***包括控制单元，控制单元能够控制传输***的传输速度，所述控制单元响应于销毁要求的选择。在实际销毁过程中，一般是传输***与销毁设备同时启动，当待销毁的存储介质对应的销毁要求较高时，往往需要传输***以较慢的速度进行传输，控制单元的设置使得销毁***能够自动根据待销毁存储介质的类型及数量选择合适的销毁要求，也能根据销毁要求自动调整传输装置的传输速度，进一步减少了人工对该销毁***的干预。
基于前述的阐释，存储介质销毁的过程中，基于存储介质的类型不同以及存储内容的而不同对应不同的销毁标准，比如当限定硬盘销毁时应该将介质粉碎至各面面积不超过1mm2。可以理解地是，这一要求的限定并不要求所有的硬盘碎片各面面积均不超过1mm2，一般是要求销毁设备中超过一定比例，比如90%的硬盘碎片的面积不超过1mm2即可。
另外需要说明的是，对于特定的存储介质，比如硬盘，也并非所有的区域都是粉碎的重点区域，在粉碎的过程中总是希望数据存储区域的粉碎能够达到预设的要求即可。
因此在本申请的实施例中，基于第一体量识别***判断对应存储介质的存储区域，并在存储区域涂覆可被第二体量识别***识别的标记。
第一体量识别***对存储介质存储区域的判断可以通过识别该存储介质的类别、型号等信息与预先存储的该存储介质的基本信息进行比对以判断其存储区域，另外可以理解的是，标记的涂覆不能影响第二体量识别***对存储介质碎片的识别与判断，也不能影响第二体量识别***识别到的碎片数据与第一体量识别***识别到的存储介质的图像进行匹配。
在对存储介质的销毁是否满足销毁要求进行判断时，本申请其中一个实施例给出的判别方法是，当所述第二体量识别***识别到粒度大于第一预设值的存储介质碎片的数量小于第二预设值；且所述大于第一预设值的存储介质碎片中被标记的存储介质碎片的占比小于第三预设值时，销毁程序完成。
在上述技术方案中，第一预设值、第二预设值以及第三预设值的设置在预先根据不同的存储介质进行设置的。
仍以硬盘这一存储介质，销毁要求为销毁时应该将介质粉碎至碎片中90%的可识别面的面积不超过1mm2这一要求为例，第一预设值选取可识别面的面积为1mm2，第二预设值为10%，第三预设值为30%；则上述判断存储介质的销毁是否满足销毁要求的方法应该为：第二体量识别***识别到面积大于1mm2的存储介质碎片的数量小于10%，其中这些可识别面面积大于1mm2的存储介质碎片中被标记的存储介质碎片的占比小于30%（也即占比小于所有碎片的3%）。
这一判别要求能够将关注的重点聚焦在存储介质的存储区域，更加符合对存储介质进行销毁的实际目的。
基于上述原理，在本申请文件的另一实施例给出的判别方法是，当所述第二体量识别***识别到粒度大于第一预设值的存储介质碎片的数量小于第二预设值；且被标记的存储介质碎片中，粒度大于第四预设值的存储介质的数量小于第五预设值时，销毁程序完成。
继续以仍以硬盘这一存储介质，销毁要求为销毁时应该将介质粉碎至碎片中90%的可识别面的面积不超过1mm2这一要求为例，第一预设值选取可识别面的面积为1mm2，第二预设值为10%，第四预设值为0.5mm2，第五预设值为10%，那么这一判别标准实际为：第二体量识别***识别到面积大于1mm2的存储介质碎片的数量小于10%；而被标记的存储介质碎片中，第二体量识别***识别到面积大于0.5mm2的存储介质数量占比小于10%。
也即在这一技术方案中，将全部的粉碎碎片标准与存储区域的粉碎碎片标准区分开来，销毁程序需要同时满足这两个标准才能够达到预设销毁要求。
综合以上，本申请实施例记载的基于体量识别的存储介质销毁方法能够基于第一体量识别***识别到的待销毁存储介质的种类及数量自动选择对应的销毁要求，销毁设备基于这一销毁要求对存储介质进行销毁；销毁的过程中，基于第二体量识别***识别到的存储介质的碎片判断是否满足销毁要求，减少了对销毁程序的人为干预；并且对于含有不同存储介质的批量销毁，销毁要求的选择能够同时满足该多种存储介质的销毁标准，可以实现对混合介质的智能识别，以提高销毁效率和质量，同时减少人员投入；另外，通过第二体量识别***，将存储介质碎片与原始存储介质进行匹配，实现销毁过程的可追溯性和可验证性。
此外，对于上述各实施例中，诸如第一、第二等之类的关系术语仅仅用来将一个操作或单元或模块与另一个操作或单元或模块区分开来，而不一定要求或者暗示这些单元或模块或操作之间存在任何这种实际的关系或者顺序。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的保护范围。

Claims (7)

1.一种基于体量识别的存储介质销毁方法，其特征在于，包括：
待销毁的存储介质由传输***进入销毁设备，通过设置在传输***一侧的第一体量识别***对传输***上的待销毁存储介质进行体量识别以获取该存储介质的图像或者特征向量，基于识别结果对待销毁的存储介质进行评估，评估结果包括存储介质类别、数量；其中，所述销毁设备能够把存储介质粉碎为碎片；
其中，第一体量识别***对存储介质的识别步骤包括：准备一个包含不同类别的存储介质图像的数据集以及对应的标签；设计一个卷积神经网络的结构；用数据集对卷积神经网络进行训练；捕捉传输***上的存储介质图像，并进行预处理，将预处理后的图像出入到训练好的卷积神经网络中，得到网络的输出；
基于第一体量识别***的识别结果及评估结果选择对应的销毁要求；
销毁程序进行时，基于设置在销毁设备中的第二体量识别***对销毁中的存储介质进行体量识别，以获取存储介质碎片的图像或者特征向量，基于第二体量识别***的识别结果对销毁设备中的存储介质粉碎粒度进行评估；
基于第二体量识别***的识别结果及评估结果判断存储介质销毁是否满足销毁要求，且所述第二体量识别***将识别到的存储介质碎片与所述第一体量识别***中识别到的存储介质进行匹配；其中，所述匹配的方法包括：
将第一体量识别***识别到的存储介质图像或特征向量作为输入，训练一个生成对抗网络，使其能够生成与存储介质相对应的碎片的图像或特征向量；
将上述生成的图像或特征向量作为第二体量识别***的参考数据；
当第二体量识别***识别到碎片数据时，使用一个判别器网络将碎片数据与参考数据进行比较，以实现自动匹配。
2.根据权利要求1所述的基于体量识别的存储介质销毁方法，其特征在于，第一体量识别***识别到传输***上待销毁存储介质的种类有多种时，销毁程序的选择能够适用于该多种待销毁存储介质；且销毁要求的选择能够适用于该多种待存储销毁介质。
3.基于权利要求1所述的基于体量识别的存储介质销毁方法，其特征在于，所述传输***包括控制单元，所述控制单元用于控制传输***的传输速度，所述控制单元响应于所述第一体量识别***。
4.根据权利要求1所述的基于体量识别的存储介质销毁方法，其特征在于，基于第一体量识别***判断对应存储介质的存储区域，并在存储区域涂覆可被第二体量识别***识别的标记。
5.根据权利要求4所述的基于体量识别的存储介质销毁方法，其特征在于，当所述第二体量识别***识别到粒度大于第一预设值的存储介质碎片的数量小于第二预设值；且所述大于第一预设值的存储介质碎片中被标记的存储介质碎片的占比小于第三预设值时，销毁程序完成。
6.根据权利要求4所述的基于体量识别的存储介质销毁方法，其特征在于，当所述第二体量识别***识别到粒度大于第一预设值的存储介质碎片的数量小于第二预设值；且被标记的存储介质碎片中，粒度大于第四预设值的存储介质的数量小于第五预设值时，销毁程序完成。
7.根据权利要求1所述的基于体量识别的存储介质销毁方法，其特征在于，所述第一体量识别***采用多模态传感器，包括激光雷达、摄像头和超声波传感器。
CN202311785374.4A 2023-12-25 2023-12-25 一种基于体量识别的存储介质销毁方法 Active CN117457032B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311785374.4A CN117457032B (zh) 2023-12-25 2023-12-25 一种基于体量识别的存储介质销毁方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311785374.4A CN117457032B (zh) 2023-12-25 2023-12-25 一种基于体量识别的存储介质销毁方法

Publications (2)

Publication Number Publication Date
CN117457032A CN117457032A (zh) 2024-01-26
CN117457032B true CN117457032B (zh) 2024-03-22

Family

ID=89580317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311785374.4A Active CN117457032B (zh) 2023-12-25 2023-12-25 一种基于体量识别的存储介质销毁方法

Country Status (1)

Country Link
CN (1) CN117457032B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8959182B1 (en) * 2008-04-15 2015-02-17 Crimson Corporation Systems and methods for computer data recovery and destruction
CN105117302A (zh) * 2015-07-24 2015-12-02 厦门宇高信息科技有限公司 一种用于存储介质数据销毁的校验方法
CN110196691A (zh) * 2019-06-11 2019-09-03 苏州浪潮智能科技有限公司 基于数据密级和硬盘介质类型的数据销毁的方法及装置
CN112287303A (zh) * 2020-12-24 2021-01-29 北京中超伟业信息安全技术股份有限公司 一种适用于可溯源保密介质的销毁设备
CN113414136A (zh) * 2021-08-25 2021-09-21 阿里云计算有限公司 存储介质销毁方法、设备、***及存储介质
CN114153690A (zh) * 2021-11-18 2022-03-08 腾讯数码（天津）有限公司 程序内存监控方法、装置、计算机设备以及存储介质
CN114265669A (zh) * 2021-12-30 2022-04-01 胜斗士(上海)科技技术发展有限公司 一种已销毁容器实例识别方法及装置
CN114528950A (zh) * 2022-04-24 2022-05-24 北京中超伟业信息安全技术股份有限公司 一种基于三维点云识别保密介质类型的销毁方法与***
CN115512211A (zh) * 2022-08-24 2022-12-23 艾斯特国际安全技术（深圳）有限公司 证件销毁方法、***、装置及存储介质
CN116071787A (zh) * 2023-01-06 2023-05-05 南京航空航天大学 一种多光谱掌纹识别方法、***、电子设备及介质
CN116561068A (zh) * 2023-06-30 2023-08-08 山东万里红信息技术有限公司 一种自动销毁介质的数字化管理方法
CN116702069A (zh) * 2023-08-08 2023-09-05 北京中超伟业信息安全技术股份有限公司 一种基于状态感知的介质销毁的方法
WO2023173546A1 (zh) * 2022-03-15 2023-09-21 平安科技（深圳）有限公司 文本识别模型的训练方法、装置、计算机设备及存储介质
CN117235820A (zh) * 2023-09-26 2023-12-15 湖南惟储信息技术有限公司 芯片自销毁电路及基于芯片自销毁电路的销毁方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4089742B2 (ja) * 2006-10-13 2008-05-28 富士ゼロックス株式会社 文書管理システムおよび文書廃棄装置
US20210272589A1 (en) * 2020-02-28 2021-09-02 Sepehr Rajaie Degausser Mechanism Utilizing Magnetic Fluid for Destroying the Functionality of Data Bearing Components of Magnetic Media Data Bearing Devices

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8959182B1 (en) * 2008-04-15 2015-02-17 Crimson Corporation Systems and methods for computer data recovery and destruction
CN105117302A (zh) * 2015-07-24 2015-12-02 厦门宇高信息科技有限公司 一种用于存储介质数据销毁的校验方法
CN110196691A (zh) * 2019-06-11 2019-09-03 苏州浪潮智能科技有限公司 基于数据密级和硬盘介质类型的数据销毁的方法及装置
CN112287303A (zh) * 2020-12-24 2021-01-29 北京中超伟业信息安全技术股份有限公司 一种适用于可溯源保密介质的销毁设备
CN113414136A (zh) * 2021-08-25 2021-09-21 阿里云计算有限公司 存储介质销毁方法、设备、***及存储介质
CN114153690A (zh) * 2021-11-18 2022-03-08 腾讯数码（天津）有限公司 程序内存监控方法、装置、计算机设备以及存储介质
CN114265669A (zh) * 2021-12-30 2022-04-01 胜斗士(上海)科技技术发展有限公司 一种已销毁容器实例识别方法及装置
WO2023173546A1 (zh) * 2022-03-15 2023-09-21 平安科技（深圳）有限公司 文本识别模型的训练方法、装置、计算机设备及存储介质
CN114528950A (zh) * 2022-04-24 2022-05-24 北京中超伟业信息安全技术股份有限公司 一种基于三维点云识别保密介质类型的销毁方法与***
CN115512211A (zh) * 2022-08-24 2022-12-23 艾斯特国际安全技术（深圳）有限公司 证件销毁方法、***、装置及存储介质
CN116071787A (zh) * 2023-01-06 2023-05-05 南京航空航天大学 一种多光谱掌纹识别方法、***、电子设备及介质
CN116561068A (zh) * 2023-06-30 2023-08-08 山东万里红信息技术有限公司 一种自动销毁介质的数字化管理方法
CN116702069A (zh) * 2023-08-08 2023-09-05 北京中超伟业信息安全技术股份有限公司 一种基于状态感知的介质销毁的方法
CN117235820A (zh) * 2023-09-26 2023-12-15 湖南惟储信息技术有限公司 芯片自销毁电路及基于芯片自销毁电路的销毁方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
数字档案馆风险管理研究;张茜;博士电子期刊;20220315;全文 *

Also Published As

Publication number Publication date
CN117457032A (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
Gou et al. Vehicle license plate recognition based on extremal regions and restricted Boltzmann machines
CN101510257B (zh) 一种人脸相似度匹配方法及装置
CN109711366B (zh) 一种基于群组信息损失函数的行人重识别方法
CN106408037B (zh) 图像识别方法及装置
CN107679504A (zh) 基于摄像头场景的人脸识别方法、装置、设备及存储介质
Shamrat et al. A deep learning approach for face detection using max pooling
CN109389105B (zh) 一种基于多任务的虹膜检测和视角分类方法
CN113449704B (zh) 人脸识别模型训练方法、装置、电子设备及存储介质
CN111709404B (zh) 一种机房遗留物识别方法、***以及设备
GB2547760A (en) Method of image processing
CN112613471B (zh) 人脸活体检测方法、装置及计算机可读存储介质
CN111507320A (zh) 后厨违规行为检测方法、装置、设备和存储介质
CN116168348B (zh) 基于图像处理的安全监控方法、***及存储介质
Gu et al. Embedded and real-time vehicle detection system for challenging on-road scenes
Nikitin et al. Face anti-spoofing with joint spoofing medium detection and eye blinking analysis
CN114724246A (zh) 危险行为识别方法及装置
CN116542610B (zh) 一种非接触式柜内资产自动盘点装置、方法和存储介质
CN117235820A (zh) 芯片自销毁电路及基于芯片自销毁电路的销毁方法
CN117457032B (zh) 一种基于体量识别的存储介质销毁方法
Rayavel et al. Real time machine learning approach for a smart door unlocking using face recognition system
CN113505716B (zh) 静脉识别模型的训练方法、静脉图像的识别方法及装置
CN114373218A (zh) 一种用于检测活体对象的卷积网络的生成方法
Chen et al. Social distance monitoring of site workers for COVID-19 using context-guided data augmentation, deep learning, and homography transformation
Hosny et al. Fast and accurate face recognition system using MORSCMs-LBP on embedded circuits
KR101884874B1 (ko) 부분 이미지 기반 객체 판별 방법 및 장치

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
GR01 Patent grant
GR01 Patent grant