BR112016021802B1 - Sistemas e métodos para inspecionar cargas - Google Patents
Sistemas e métodos para inspecionar cargas Download PDFInfo
- Publication number
- BR112016021802B1 BR112016021802B1 BR112016021802-7A BR112016021802A BR112016021802B1 BR 112016021802 B1 BR112016021802 B1 BR 112016021802B1 BR 112016021802 A BR112016021802 A BR 112016021802A BR 112016021802 B1 BR112016021802 B1 BR 112016021802B1
- Authority
- BR
- Brazil
- Prior art keywords
- loads
- region
- information
- probability
- load
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000005540 biological transmission Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000008676 import Effects 0.000 claims description 48
- 238000009826 distribution Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 9
- 238000000638 solvent extraction Methods 0.000 claims description 8
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 239000000203 mixture Substances 0.000 description 12
- 239000000463 material Substances 0.000 description 11
- 238000007689 inspection Methods 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 7
- 230000009977 dual effect Effects 0.000 description 7
- 230000003993 interaction Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229920001131 Pulp (paper) Polymers 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V5/00—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity
- G01V5/20—Detecting prohibited goods, e.g. weapons, explosives, hazardous substances, contraband or smuggled objects
- G01V5/22—Active interrogation, i.e. by irradiating objects or goods using external radiation sources, e.g. using gamma rays or cosmic rays
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
- G01N23/043—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using fluoroscopic examination, with visual observation or video transmission of fluoroscopic images
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- High Energy & Nuclear Physics (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Multimedia (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
sistemas e métodos para inspecionar cargas. que compreende: adquirir uma imagem de transmissão das cargas inspecionadas; processar a imagem de transmissão para adquirir uma região de interesse; extrair recursos da região de interesse, e determinar informações de carga das cargas inspecionadas de acordo com os recursos extraídos; e fornecer uma sugestão de tratamento proposto das cargas com base nas informações de carga determinadas e pelo menos uma parte das informações em um manifesto, sendo que as soluções acima podem facilitar uma pessoa capacitada de julgar uma imagem para que ela possa julgar de modo apropriado se é permitida a passagem das cargas em questão.
Description
[0001] CAMPO DA TÉCNICA
[0002] As modalidades da presente invenção referem-se à inspeção de cargas e, em particular, à inspeção de cargas com base em uma imagem de radiação das cargas.
[0003] ANTECEDENTES
[0004] Atualmente, no campo de inspeção de segurança de radiação, a análise de uma imagem de raio X é meramente realizada por reconhecimento de material de energia dupla, resolução de contraste, teste de penetração ou similares. Essas abordagens fornecem frequentemente à equipe de segurança um entendimento do menor nível de cargas, tal como a composição do material das cargas, formato das cargas ou similares. No entanto, tais problemas como “se as cargas estão em conformidade com a folga das cargas”, “onde é a região sujeita à coleta discreta”, “se é anormal transportar as cargas pela empresa para aquele país nesse período de tempo”, “qual é a pequena pilha de cargas separadas”, ou similares não podem ser respondidos. No presente, esses problemas podem ser somente respondidos dependendo da rica experiência da equipe de segurança e de um exame mais detalhado do conteúdo da imagem pela equipe de segurança. Com o aumento do tráfego na alfândega, é uma tendência inevitável encontrar uma solução inteligente.
[0005] SUMÁRIO
[0006] Em vista de um ou mais problemas na técnica relacionada, são fornecidos o método e os sistemas para inspecionar cargas que podem implantar a dedução inteligente e fornecem uma sugestão de tratamento.
[0007] Em um aspecto da presente invenção, um método para inspecionar cargas é fornecido, sendo que o método compreende: adquirir uma imagem de transmissão das cargas inspecionadas; processar a imagem de transmissão para adquirir uma região de interesse; extrair recursos da região de interesse, e determinar informações de carga das cargas inspecionadas de acordo com os recursos extraídos; e fornecer uma sugestão de tratamento proposto das cargas com base nas informações de carga determinadas e pelo menos uma parte das informações em um manifesto.
[0008] Preferencialmente, as informações de carga são um modo de empilhamento das cargas e a etapa de extrair recursos da região de interesse compreende: extrair informações de descrição do modo de empilhamento das cargas inspecionadas da região de interesse; em que uma probabilidade do modo de empilhamento das cargas na região de interesse da imagem de transmissão é determinada com base nas informações de descrição.
[0009] Preferencialmente, a etapa de extrair informações de descrição do modo de empilhamento das cargas inspecionadas da região de interesse compreende: particionar a região de interesse e extrair as bordas da imagem da região; extrair recursos textuais em posições eficazes das bordas extraídas; e encontrar elementos mais próximos aos recursos textuais a partir de um dicionário, para obter recursos de descrição de histograma da região, em que o dicionário é preparado com base em amostras de imagem de treinamento.
[0010] Preferencialmente, o dicionário é preparado fazendo-se amostragem de cada imagem de amostragem em intervalos regulares e extraindo-se um recurso de texto em cada posição e forma-se o dicionário ao agregar os recursos textuais extraídos em todas as posições, para adquirir a descrição de recurso de múltiplos centros de agregação.
[0011] Preferencialmente, a região de interesse é determinada extraindo-se uma região de carga das cargas inspecionadas e removendo-se regiões sem cargas de acordo com um limiar.
[0012] Preferencialmente, a etapa de fornecer uma sugestão de tratamento proposto das cargas com base nas informações de carga determinadas e pelo menos uma parte das informações em um manifesto compreende: determinar uma probabilidade de coerência multiplicando-se a probabilidade de um tipo de carga determinada com base em um modo de empilhamento real do manifesto e na probabilidade condicional do modo de empilhamento real com base em uma imagem prevista da imagem de transmissão, e em um caso em que a probabilidade de coerência é menor do que um valor predeterminado, julgando que as cargas são incoerentes com as cargas no manifesto.
[0013] Preferencialmente, as informações de carga são os tipos de cargas e a etapa de extrair recursos da região de interesse compreende: extrair informações de descrição dos tipos de cargas das cargas inspecionadas da região de interesse; em que a probabilidade dos tipos de cargas das cargas na região de interesse da imagem de transmissão é determinada com base nas informações de descrição; e um valor da probabilidade que as cargas são coerentes com os tipos de cargas no manifesto é adquirido com o uso da probabilidade em combinação com uma empresa de importação e exportação, o tempo de importação e exportação e os países de importação e exportação.
[0014] Preferencialmente, a probabilidade dos tipos de cargas é determinada de acordo com um número atômico e uma densidade de elétron.
[0015] Preferencialmente, a etapa de fornecer uma sugestão de tratamento proposto das cargas com base nas informações de carga determinadas e pelo menos uma parte das informações em um manifesto compreende: estabelecer um modelo de custo comparando-se uma taxa de um tipo previsto de cargas e uma taxa dos tipos de cargas no manifesto e analisar um nível de regulagem de importação e exportação, para fornecer a sugestão de tratamento proposto das cargas.
[0016] Preferencialmente, o método compreende adicionalmente: adquirir uma lista de cargas similar às cargas inspecionadas com o uso de um mecanismo de recuperação de conteúdo de imagem; estabelecer a descrição de relação de distribuição de acordo com a empresa de importação e exportação, com os países de importação e exportação e com o tempo de importação e exportação relacionados à lista de cargas; e determinar as possibilidades de as cargas pertencerem às cargas normais com base na descrição de relação de distribuição estabelecida.
[0017] Preferencialmente, a lista recuperada de imagens de cargas similares é classificada de acordo com os tipos de cargas, e probabilidades de importação e exportação dos mesmos tipos de cargas em diferentes países por diferentes empresas em diferentes períodos de tempo são calculadas.
[0018] Preferencialmente, condições de importação e exportação de cargas similares em diferentes períodos de tempo são exibidas estabelecendo-se um eixo geométrico de tempo.
[0019] Preferencialmente, em cada período de tempo, diferentes pares de países de importação e exportação são exibidos através de diferentes gráficos, e distribuições de probabilidade de cargas similares por diferentes empresas de importação e exportação são exibidas.
[0020] Preferencialmente, o método compreende adicionalmente: avisar a um usuário que uma região de carga que se desvia de um modo de empilhamento de corpo principal, uma pequena região de carga para a qual um tipo de carga não pode ser previsto, ou uma região local em que uma textura é significativamente diferente da textura global.
[0021] Preferencialmente, o método compreende adicionalmente: determinar um tipo de cargas que são colocadas individualmente em uma pequena pilha e sem envolver a dedução de informações globais com o uso de uma maneira de dedução interativa.
[0022] Preferencialmente, o método compreende adicionalmente: deduzir uma distribuição de tipo de carga que pode apresentar tais texturas, um número atômico médio, e uma posição no recipiente de acordo com as informações de texturas da região local.
[0023] Preferencialmente, o método compreende adicionalmente: extrair recursos de textura em uma região especificada; adquirir uma lista de blocos de textura com similaridades maiores do que um valor predeterminado com base em recuperação de conteúdo de imagem; e estabelecer a distribuição de tipo de carga que apresenta tais texturas determinando-se informações de tipo de carga da lista de blocos de textura.
[0024] Preferencialmente, o número atômico médio das cargas inspecionadas é adquirido com o uso de um algoritmo de reconhecimento de material de energia dupla.
[0025] Preferencialmente, uma posição real da região especificada no recipiente é adquirida de acordo com o escalonamento da imagem e uma posição de pixel da região especificada.
[0026] Em um outro aspecto da presente invenção, um sistema para inspecionar cargas é fornecido, sendo que o sistema compreende: um sistema de imageamento por radiação configurado para submeter à varredura as cargas inspecionadas para adquirir uma imagem de transmissão das cargas inspecionadas; e um aparelho de processamento de dados configurado para processar a imagem de transmissão para adquirir uma imagem de interesse, extrair recursos da região de interesse, determinar informações de carga das cargas inspecionadas de acordo com os recursos extraídos, e fornecer uma sugestão de tratamento proposto das cargas com base nas informações de carga determinadas e pelo menos uma parte das informações em um manifesto.
[0027] Com as soluções acima, diferentes conclusões de dedução e sugestões de tratamento correspondentes podem ser fornecidas analisando-se o conteúdo da imagem de raio X e os dados do manifesto, o que facilita que uma pessoa capacitada de julgar uma imagem a aprimorar a eficiência e a precisão.
[0028] BREVE DESCRIÇÃO DOS DESENHOS
[0029] Para melhor entendimento da presente invenção, as modalidades da presente invenção serão descritas de acordo com os desenhos anexos abaixo.
[0030] As Figuras 1A e 1B ilustram diagramas estruturais de um sistema para inspecionar cargas de acordo com uma modalidade da presente invenção;
[0031] A Figura 2 é um fluxograma esquemático de um método para inspecionar cargas de acordo com uma modalidade da presente invenção;
[0032] A Figura 3 é um diagrama de quatro modos de empilhamento envolvidos em uma solução de acordo com uma modalidade da presente invenção;
[0033] A Figura 4 é um diagrama de dedução de mistura hierárquica em uma solução de acordo com uma modalidade da presente invenção;
[0034] A Figura 5 é um diagrama visual de dedução de evento anormal em uma solução de acordo com uma modalidade da presente invenção;
[0035] A Figura 6 é um fluxograma da previsão de modo de empilhamento e proposta de sugestão de tratamento de acordo com uma modalidade da presente invenção;
[0036] A Figura 7 é um fluxograma de previsão do tipo de carga, estimativa de nível de risco, e proposta de sugestão de tratamento de acordo com uma modalidade da presente invenção; e
[0037] A Figura 8 é um fluxograma de dedução de distribuição de carga similar de acordo com uma modalidade da presente invenção.
[0038] Os desenhos anexos não ilustram todos os circuitos ou estruturas das modalidades. Os mesmos numerais de referência se referem às mesmas partes ou partes similares ou a recursos em todos os desenhos anexos.
[0039] DESCRIÇÃO DETALHADA
[0040] As modalidades particulares da presente invenção são descritas abaixo em detalhes. Deve-se observar que as modalidades no presente documento são usadas para ilustração somente, sem limitar a presente invenção. Na descrição detalhada, vários detalhes particulares são explicados para fornecer melhor entendimento da presente invenção. No entanto, é evidente aos elementos versados na técnica que a presente invenção pode ser implantada sem esses detalhes particulares. Em outros casos, circuitos conhecidos, materiais ou métodos não são descritos a fim de não obscurecer a presente invenção.
[0041] Em todo o relatório descritivo, a referência a “uma (1) modalidade”, “uma modalidade”, “um (1) exemplo” ou “um exemplo” significa que os recursos específicos, estruturas ou propriedades descritos em conjunto com a modalidade ou exemplo são incluídos em pelo menos uma modalidade da presente invenção. Portanto, as frases “em uma modalidade”, “em uma modalidade”, “em um exemplo” ou “em um exemplo” ocorrido em várias posições em todo o relatório descritivo pode não se referir necessariamente à mesma modalidade ou exemplo. Ademais, recursos específicos, estruturas ou propriedades podem ser combinadas em uma ou mais modalidades ou exemplos em qualquer combinação e/ou subcombinação apropriada. Ademais, deve ser entendido pelos elementos versados na técnica que os desenhos anexos fornecidos no presente documento são usados para o propósito de ilustração, e não são desenhados em escala. O termo “e/ou” usado no presente documento significa todas e quaisquer combinações de um ou mais elementos listados.
[0042] O sistema de análise e dedução inteligente com base em uma imagem de raio X de cargas e data de um manifesto é uma solução de análise e dedução inteligente que pode analisar automaticamente um tipo das cargas, fornecer automaticamente uma região viável para coleta secreta, deduzir automaticamente a composição de cargas misturadas, julgar automaticamente um comportamento de transporte anormal, e fornecer uma sugestão de tratamento proposto de acordo com o nível de risco. Por exemplo, os problemas difíceis a seguir voltados à alfândega podem ser resolvidos de forma eficaz, tais como, “se as cargas transportadas estão em conformidade com o tipo da folga das cargas”, “como orientar rapidamente a equipe de segurança para localizar a posição viável para coleta secreta”, “qual é a possível composição das cargas misturadas”, “a possibilidade de o comportamento de importação ou exportação ser anormal”, ou similares. O sistema fornecerá de modo hierárquico diferentes conclusões e sugestões de tratamento correspondentes analisando-se o conteúdo da imagem de raio X e dos dados do manifesto.
[0043] Para os problemas na técnica relacionada, a presente invenção propõe processar uma imagem de transmissão de cargas inspecionadas para adquirir uma região de interesse depois de adquirir a imagem de transmissão, então extrair os recursos da região de interesse, determinar informações de carga das cargas inspecionadas de acordo com os recursos extraídos, e então fornecer uma sugestão de tratamento proposto das cargas com base nas informações de carga determinadas e pelo menos uma parte das informações no manifesto.
[0044] As Figuras 1A e 1B são diagramas estruturais de um sistema de inspeção de acordo com uma modalidade da presente invenção. A Figura 1A ilustra uma vista de topo do sistema de inspeção, e a Figura 1B ilustra uma vista frontal do sistema de inspeção. Conforme mostrado nas Figuras 1A e 1B, um raio X é gerado por uma fonte de raio 110, e é usada para inspeção de segurança de um caminhão de recipiente em movimento 140 depois de ser colimado por um colimador 120. Um raio que é transmitido através do caminhão é recebido por um detector 150, e uma imagem de transmissão é adquirida por um aparelho de processamento de dados 160 tal como um computador ou similares.
[0045] De acordo com a modalidade da presente invenção, depois que a imagem de transmissão submetida à varredura do caminhão de recipiente 140 é adquirida, a imagem de transmissão é processada pelo aparelho de processamento de dados 160 para adquirir uma região de interesse, por exemplo, uma região de carga de corpo principal, então recursos são extraídos da região de interesse, informações de carga das cargas inspecionadas são determinadas de acordo com os recursos extraídos, e então uma sugestão de tratamento proposto das cargas é fornecida com base nas informações de carga determinadas e pelo menos uma parte das informações no manifesto.
[0046] A Figura 2 é um fluxograma de um método de inspeção de acordo com uma modalidade da presente invenção. Conforme mostrado na Figura 2, na etapa S21, uma imagem de transmissão das cargas inspecionadas é adquirida por um sistema de varredura de transmissão. Por exemplo, quando um caminhão de recipiente inspecionado atravessa uma região de detecção em uma determinada velocidade, uma imagem de transmissão pode ser gerada. Resoluções das imagens adquiridas são ligeiramente diferentes devido às diferentes energia/dosagens de fontes de raio de dispositivos de varredura, tamanhos de detectores, estruturas mecânicas, velocidades de veículos de mecanismo, e frequências de feixes de saída. Em algumas modalidades, a imagem de transmissão é primeiramente normalizada conforme necessário, isto é, o brilho é normalizado e a resolução é uniformemente escalonada em 5*5 (mm/pixel) por exemplo.
[0047] Na etapa S22, a imagem de transmissão é processada para adquirir uma região de interesse. A região de carga de corpo principal pode ser adquirida no processo de pré-processamento. Por exemplo, uma região de recipiente na imagem de transmissão é primeiramente extraída, e então a região de carga de corpo principal é extraída, por exemplo, excluindo-se uma região periférica das cargas de corpo principal, para o propósito de evitar a interferência e redução de complexidade computacional ineficaz.
[0048] Adicionalmente, em algumas modalidades, influências de uma região de ar e uma região impenetrável na imagem também podem ser removidas. Na modalidade da presente invenção, a região de ar e a região impenetrável na imagem de transmissão são diretamente detectadas com o uso de um método de limiar. Quando as cargas são detectadas, as influências da região de ar e da região impenetrável podem ser evitadas, o que pode não somente acelerar a velocidade de detecção, mas também reduzir informações incorretas.
[0049] Na etapa S23, recursos são extraídos da região de interesse, e informações de carga das cargas inspecionadas são determinadas de acordo com os recursos extraídos. De acordo com diferentes modalidades, as informações de carga no presente documento podem ser um modo de empilhamento das cargas (que é representado por uma probabilidade, por exemplo) ou um tipo das cargas (por exemplo, uma probabilidade de pertencer a determinados tipos de cargas) ou similares. Em outras modalidades, os tipos das cargas podem ser determinados de acordo com um número atômico e/ou uma densidade de elétron e/ou uma espessura de massa ou similares.
[0050] Na etapa S24, uma sugestão de tratamento proposto das cargas é fornecida com base nas informações de carga determinadas e pelo menos uma parte das informações no manifesto. Por exemplo, a sugestão proposta é fornecida ao combinar as informações de carga adquiridas com base no processamento de imagem com informações de carga adquiridas do manifesto. Se as informações de carga não forem coerentes, as cargas não são permitidas a passar, ou são tratadas de modo hierárquico de acordo com a probabilidade de coerência.
[0051] Na modalidade da presente invenção, o sistema de inspeção de carga pode compreender (1) dedução de informações globais, (2) dedução de informações locais, e (3) aprendizado ativo. O sistema de dedução de informações globais compreende primariamente dedução de modo de empilhamento de carga, dedução do tipo de carga, dedução de carga misturada hierárquica e dedução de evento anormal.
[0052] A dedução de modo de empilhamento de carga deve prever um modo de empilhamento de carga analisando-se a imagem de raio X das cargas, a fim de deduzir uma probabilidade de que o modo de empilhamento de carga previsto é coerente com o tipo de folga das cargas (dos dados do manifesto), e fornecer uma sugestão de tratamento proposto.
[0053] O tipo das cargas é especificado por um código HSCODE da alfândega. As cargas são empilhadas no recipiente em uma regra geral, e o modo de empilhamento pode ser primeiramente dividido em quatro modos de empilhamento comum, conforme mostrado na Figura 3. Em um caso geral, diferentes tipos de cargas correspondem, em geral, a diferentes modos de empilhamento. Por exemplo, cargas de polpa de papel estão geralmente em um primeiro modo de empilhamento, cargas de cereal estão geralmente em um segundo modo de empilhamento, cargas de vinho estão, em geral, em um terceiro modo de empilhamento, e cargas de motocicleta estão, em geral, em um quarto modo de empilhamento. A previsão do modo de empilhamento atual das cargas pode ser dotada do uso da tecnologia de análise de imagem. O tipo atual da folga das cargas pode ser fornecido recuperando-se informações do manifesto, para adquirir o modo de empilhamento normal dos tipos de cargas. Na combinação dos dois aspectos das informações, a probabilidade de que as cargas atuais são coerentes com o tipo da folga de cargas (a partir dos dados do manifesto) pode ser deduzida. A sugestão de tratamento proposto é fornecida de acordo com o grau de coerência dos modos de empilhamento das cargas.
[0054] A Figura 6 ilustra um fluxograma de previsão de modo de empilhamento de carga e proposta de sugestão de tratamento. Nas etapas S61, S62, e S63, uma imagem submetida à varredura é adquirida, uma região de recipiente é extraída da imagem submetida à varredura do caminhão de recipiente, e então uma região de carga é extraída por um algoritmo de particionamento. Preferencialmente, o algoritmo de Fusão de Região Estatística (SRM) é usado como o algoritmo de particionamento. As regiões particionadas são adicionalmente processadas, para remover as regiões sem cargas com o uso de um método de limite de limiar, e remover regiões cuja área é não mais do que 1/3 de uma área do recipiente inteiro. A região remanescente é considerada como a região de carga de corpo principal.
[0055] Na etapa S64, os recursos são extraídos de uma imagem da região de carga de corpo principal. Preferencialmente, o método de texto + Bolsa de palavras (BOW) é usado aqui, mas não é limitado a essa combinação. Por exemplo, as informações de descrição de um modo de empilhamento de cargas inspecionadas são extraídas da região de interesse, e uma probabilidade do modo de empilhamento das cargas na região de interesse da imagem de transmissão é determinada com base nas informações de descrição.
[0056] Preferencialmente, a etapa de extrair as informações de descrição do modo de empilhamento das cargas inspecionadas da região de interesse compreende: particionar a região de interesse e extrair as bordas da imagem da região; extrair recursos textuais em posições eficazes das bordas extraídas; encontrar elementos mais próximos aos recursos textuais a partir de um dicionário, para adquirir recursos de descrição dos histogramas das regiões, em que o dicionário é preparado com base em amostras de imagem de treinamento. Preferencialmente, o dicionário é preparado fazendo-se amostragem de cada imagem de amostra em intervalos regulares, e extraindo-se um recurso de texto em cada posição; e forma-se o dicionário ao agregar os recursos textuais extraídos de todas as posições, para adquirir a descrição de recurso de múltiplos centros de agregação.
[0057] Na etapa S65, o modelo de classificação de Máquina de Vetor de Suporte (SVM) é finalmente introduzido para classificação e o modo de empilhamento previsto é adquirido.
[0058] Nas Etapas S66, S67 e S68, o tipo da folga das cargas pode ser adquirido recuperando-se as informações do manifesto. Por exemplo, a probabilidade de coerência é determinada multiplicando-se a probabilidade dos tipos das cargas no modo de empilhamento determinado com base no manifesto com a probabilidade do modo de empilhamento determinado com base na imagem de transmissão, e quando a probabilidade de coerência é menor do que um valor predeterminado, é julgado que as cargas são incoerentes com as cargas no manifesto. A probabilidade de coerência do tipo das cargas é calculada com o uso da seguinte equação deProbabilidade:
em que,
representa aprobabilidade dos tipos de cargas determinado com base no modo deempilhamento de carga real do manifesto, e
representa aprobabilidade condicional do modo de empilhamento real com base no previsto da imagem de transmissão.
[0059] Adicionalmente, a sugestão de tratamento proposto pode ser dividida em quatro níveis, isto é, as cargas podem passar, as cargas aparentam ser ligeiramente diferentes, é exigido aparentemente que as cargas sejam inspecionadas cuidadosamente, as cargas necessitam ser inspecionadas cuidadosamente.
[0060] A dedução do tipo de carga é prever um tipo possível das cargas analisando-se o conteúdo da imagem de raio X das cargas, informações de reconhecimento de um material de energia dupla, e data do manifesto, a fim de deduzir a probabilidade de o tipo possível ser coerente com o tipo da folga das cargas (a partir dos dados do manifesto), e fornecer um nível de risco e uma sugestão de tratamento proposto. O tipo das cargas é especificado por um código HSCODE da alfândega. O tipo das cargas precisa ser previsto modelando-se as informações de conteúdo da imagem, as informações de reconhecimento do material de energia dupla e os dados do manifesto, tal como a empresa de importação e exportação, países de importação e exportação, tempo de importação e exportação ou similares, para completar a dedução combinada. A probabilidade de que o tipo previsto de cargas é coerente com os tipos de cargas no manifesto é finalmente fornecida de acordo com um resultado de dedução. Um modelo de custo é estabelecido analisando-se a diferença entre a taxa do tipo previsto de cargas e a taxa do tipo da folga das cargas (a partir dos dados do manifesto) e o nível de regulação de exportação, para fornecer o nível de risco e fornecer a solução de tratamento proposta com base nas mesmas.
[0061] A Figura 7 é um fluxograma de previsão do tipo de carga, estimativa de nível de risco, e proposta de sugestão de tratamento de acordo com uma modalidade da presente invenção. Nas etapas S71, S72 e S73, uma região de recipiente é extraída da imagem submetida à varredura do caminhão de recipiente, e então uma região de carga é extraída com o uso de um algoritmo de particionamento. Preferencialmente, o algoritmo de SRM é usado como o algoritmo de particionamento. As regiões particionadas são adicionalmente processadas, para remover as regiões sem cargas com o uso de um método de limite de limiar, e remover regiões cuja área é não mais do que 1/3 de uma área do recipiente inteiro. Então, a região remanescente é considerada como a região de carga de corpo principal.
[0062] Na etapa S74, os recursos são extraídos de uma imagem da região de carga de corpo principal. Preferencialmente, o método de Texto + BOW é usado aqui, mas não é limitado à combinação. Preferencialmente, na etapa S75, o modelo de classificação de SVM é introduzido para classificação, e um tipo preliminar previsto de cargas é adquirido. Na etapa S76, o modelo de probabilidade é usado em conjunto com as informações do manifesto, que compreendem empresa de importação e exportação, tempo de importação e exportação, e países de importação e exportação.
[0063] A equação de probabilidade é a seguinte:
em que, Z é uma constante de normalização,
representa a probabilidade dos tipos de cargas determinados com basenas informações de imagem,
representa a probabilidadede importação e exportação ao país alvo com esse tipo de carga,
representa a probabilidade de importar e exportar essa carga pela companhia alvo, e ‘'•T=‘ representa aprobabilidade de importar e exportar essa categoria de carga nesse período.
[0064] Na etapa S77, um valor de custo é calculado com o uso do modelo de custo a seguir com base na taxa e na regulação de carga, e então na etapa S78, o nível de risco é determinado de acordo com o valor de custo:
em que, Tm é a classificação de taxa necessária para ser coletada para os tipos de cargas no manifesto; Tp é a classificação de taxa necessária para ser coletada para o tipo previsto de cargas; Cp reflete se o tipo previsto de cargas é as cargas a serem reguladas, e se assim for, Cp é 1, caso contrário, Cp é 0; α, β são parâmetros usados para controlar o grau de influência da classificação de taxa e a regulação no modelo de custo. Na etapa S79, a sugestão de tratamento proposto pode ser dividida em quatro níveis, isto é, as cargas podem passar, as cargas aparentam ser ligeiramente diferentes, é exigido aparentemente que as cargas sejam inspecionadas cuidadosamente, as cargas necessitam ser inspecionadas cuidadosamente.
[0065] A dedução de carga misturada hierárquica é para deduzir a composição das cargas misturadas com o uso de um modelo físico ou matemático. O diagrama da dedução hierárquica é mostrado na Figura 4. Preferencialmente, uma camada é construída a cada 10 números atômicos, e as matérias nesse segmento são exibidas. Um raio X com uma distribuição de espectro de energia é considerada de modo equivalente como um raio X de energia única com uma determinada energia. Desse modo, o processo físico inteiro é simplificado como um processo de um determinado raio X de energia única equivalente que atravessa as matérias misturadas. A relação entre a intensidade do raio de entrada e a intensidade do raio de saída é derivada estabelecendo-se uma equação de regra de atenuação do raio X de energia única que atravessa as matérias. Os coeficientes de atenuação de massa das matérias com diferentes números atômicos no raio X de energia única equivalente desconhecido são resolvidos com o uso de um método de aprendizado supervisionado. Quando as matérias são deduzidas na prática, a solução esparsa da espessura de massa pode ser calculada com o uso de um método esparso, a fim de deduzir a composição da mistura.
[0066] Para o raio X com uma distribuição de energia que é gerada por um acelerador, a regra de atenuação do raio X que atravessa as matérias é a seguinte:
em que,
é uma dosagem do raio X quando a energia é 
é uma dosagem total do raio X depois que o raio X atravessa as matérias;
é o coeficiente de atenuação de massa, que é relacionado aos números atômicos das matérias e a energia do raio X; 
espessura de massa, que é relacionada aos números atômicos das matérias.
[0067]
é usado para representar o coeficiente deatenuação de massa no raio X com uma distribuição de espectro de energia especificada, que é somente relacionada aos números atômicos das matérias, e é definida como um coeficiente de atenuação de massa equivalente. Desse modo, a equação acima pode ser escrita como:
em que, 
representa uma dosagem de saída do raio X, representa uma dosagem do raio X depois que o raio X atravessa as matérias, 
representa o coeficiente de atenuação de massa equivalente, e tm(7)representa a espessura de massa.
[0068] Para a mistura, a equação acima pode ser escritacomo:
[0069] A transparência é calculada da seguinte maneira:
[0070] Para um sistema de energia dupla, há espectros de energia de raio X com alto teor de energia e com baixo teor de energia e, portanto, a equação a seguir se mantém:
[0071] A equação acima é simplificada como a seguinte forma de expressão de matriz:
[0072] Como os coeficientes de atenuação de massa equivalentes para diferentes espectros de energia não são uma constante específica, os coeficientes de atenuação de massa equivalentes não podem ser derivados pelos experimentos. Preferencialmente, no presente documento de patente, o algoritmo de aprendizado de dicionário esparso supervisionado é usado, mas não é limitado ao mesmo. O algoritmo específico é o seguinte:
[0073] 1) realizar aprendizado de dicionário, para preparar a seguinte função de otimização:
[0074] 2) realizar o aprendizado de dicionário com baseem um par de amostra de treinamento ,
para obter uma matriz M.
[0075] 3) deduzir a composição da mistura, para estabelecer a seguinte função de otimização:
[0076] 4) minimizar a função acima para obter uma solução esparsa X, em que os termos diferentes de zero representam possíveis combinações.
[0077] A mistura pode ser exibida de modo hierárquico com base no algoritmo de dedução de composição de mistura conforme descrito acima.
[0078] A dedução de evento anormal é uma solução de dedução de evento anormal com base nas informações de conteúdo da imagem das cargas, informações de empresa de importação e exportação, países de importação e exportação, e tempo de importação e exportação. Em um caso geral, diferentes empresas de importação e exportação operam diferentes cargas de importação e exportação, países diferentes preferem importar e exportar tipos particulares de cargas, e os tipos similares de cargas são geralmente importados e exportados intensivamente dentro de um determinado tempo. O processo de dedução é para adquirir uma lista de cargas similares às cargas atualmente submetidas à varredura por um mecanismo de recuperação de conteúdo de imagem, e estabelecer um diagrama de relação de distribuição de acordo com a empresa de importação e exportação, países de importação e exportação, e tempo de importação e exportação correspondente às cargas (em referência à Figura 5). Com base no diagrama de distribuição estabelecida e nos dados do manifesto, a possibilidade de importação e exportação atuais dos tipos de cargas pertencerem a um comportamento normal pode ser intuitivamente fornecida.
[0079] A Figura 8 é um fluxograma de dedução de distribuição de carga similar de acordo com uma modalidade da presente invenção. O processo da imagem das cargas na extremidade frontal é basicamente o mesmo que na dedução de modo de empilhamento de carga. Portanto, as etapas 81, S82 e S84 são as mesmas que S61, S62 e S64 descritas em referência à Figura 6 acima, e não serão descritas em detalhes aqui.
[0080] Na etapa S85, depois que a descrição de recurso da imagem das cargas é adquirida, uma lista de imagens de cargas cuja similaridade está acima de 80% é adquirida pelo módulo de recuperação com base no conteúdo das imagens. De acordo com as imagens na lista, dados tais como países de importação e exportação, empresa de importação e exportação, e tempo de importação e exportação são extraídos dos dados correspondentes do manifesto. De acordo com o tipo das cargas, a lista recuperada de imagens das cargas similares é classificada, e as probabilidades de importação e exportação dos mesmos tipos de cargas em diferentes países por diferentes empresas em diferentes períodos de tempo são calculadas. Preferencialmente, na etapa S86, a solução visual na Figura 5 é usada. As condições de importação e exportação de cargas similares dentro de diferentes períodos de tempo são exibidas estabelecendo-se um eixo geométrico de tempo. Em cada segmento de tempo, diferentes pares de países de importação e exportação são exibidos por diferentes elipses e, nessas elipses, distribuições de probabilidade de importação e exportação de cargas similares por diferentes empresas de importação e exportação são exibidas por diferentes elipses. De acordo com os países de importação e exportação, empresa de importação e exportação, e tempo de importação e exportação das cargas atualmente submetidas à varredura, e o tipo da folga de cargas, pode- se deduzir intuitivamente a possibilidade de importação/exportação dos tipos de cargas do/ao país especificado pela empresa atual pertencer a um evento normal.
[0081] O sistema de dedução de informações locais compreende orientação de região primariamente importante, a pilha única da dedução de cargas, e dedução de informações de região local especificada por usuário.
[0082] A orientação de região importante é primariamente responsável para orientar um usuário a prestar atenção a uma região específica na imagem de raio X das cargas. A região específica compreende primariamente (1) uma região de carga que se desvia do modo de empilhamento de corpo principal, (2) uma pequena região de carga para a qual os tipos de cargas não podem ser previstos, e (3) uma região local cuja textura é significativamente diferente da textura global. Nessas regiões específicas, as cargas proibidas podem ser frequentemente transportadas secretamente. A extração das regiões específicas (1) e (2) pode ser indiretamente fornecida pela partição de imagem e reconhecimento de região. Uma região cujo modo de empilhamento ou tipo de cargas não pode ser reconhecido e cuja área está em uma faixa especificada pode ser considerada como uma região específica. Para a extração da região específica (3), um modelo de cálculo de similaridade de textura é estabelecido com base em um método de aprendizado supervisionado, e a região específica é detectada de acordo com um método de detecção de significância.
[0083] A região importante é dividida em três tipos, isto é, uma região que se desvia do modo de empilhamento de corpo principal, uma pequena região para a qual os tipos de cargas não podem ser previstos, e uma região local cuja textura é significativamente diferente da textura global. O primeiro e segundo tipos de regiões importantes podem ser indiretamente fornecidos por dedução de modo de empilhamento de carga e dedução do tipo de carga. É preciso fornecer a definição da similaridade de textura a fim de calcular o terceiro tipo de região importante. Preferencialmente, um espaço de entendimento de uma pessoa é estabelecido por uma maneira de aprendizado supervisionado, a fim de estabelecer a definição das similaridades dos blocos de textura, porém, sem se limitar a isso.
[0084] A etapa de estabelecer um espaço de entendimento de uma pessoa compreende as etapas a seguir.
[0085] Em uma primeira etapa, diferentes blocos de textura são coletados das imagens das cargas de treinamento.
[0086] Em uma segunda etapa, as similaridades dos blocos de textura são comparadas de acordo com o julgamento subjetivo da pessoa.
[0087] Em uma terceira etapa, recursos são extraídos dos blocos de textura.
[0088] Em uma quarta etapa, um modelo de comparação de similaridade de textura é estabelecido com o uso do algoritmo de combinação de terceto estocástico, isto é, construindo o espaço de entendimento.
[0089] Depois que o modelo de similaridade de textura for estabelecido, a extração do terceiro tipo de região importante pode ser concluída com o uso de um método de detecção de significância geral.
[0090] A pilha única de dedução de cargas é primariamente responsável para processar cargas que são colocadas individualmente em uma pequena pilha e não podem se envolver na dedução de informações globais e dedução de um tipo correspondente das cargas. É primariamente usado o método de dedução interativa que precisa realizar dedução combinada combinando-se as informações de conteúdo da imagem e as informações de interação de usuário. A dedução combinada é implantada construindo-se um modelo de probabilidade combinado dos tipos de cargas e da resposta de interação de usuário sob dadas informações da imagem.
[0091] O método de dedução interativa é usado como a pilha única da dedução de cargas, e a pilha única das cargas é deduzida e reconhecida de acordo com o conteúdo da imagem e com a interação de usuário. Preferencialmente, o modelo de probabilidade é construído da seguinte maneira:
em que, z representa os tipos de cargas, U representa a resposta de interação de usuário, e x representa o conteúdo da imagem.
[0092]
pode ser adquirido por um algoritmo dereconhecimento de imagem geral, e 
precisa ser adquirido porresposta de interação de usuário.
[0093] A introdução das informações interativas pode aprimorar de modo eficaz a precisão do modelo estabelecido somente com base no conteúdo da imagem. É importante decidir quais informações de interação selecionar. É importante complementar as informações adquiridas analisando-se diretamente o conteúdo da imagem com o uso de um algoritmo o máximo de vezes possível, introduzindo assim mais informações eficazes para facilitar o reconhecimento.
[0094] Preferencialmente, a seleção das informações interativas aqui é selecionar um bloco de textura que é o mais representativo da pilha única de cargas, e selecionar as cargas similares à imagem da pilha única de cargas de uma lista de candidatos.
[0095] A dedução de informações de região local especificada por usuário é primariamente responsável por apresentar a distribuição do tipo de carga com a textura, um número atômico médio, e uma posição no recipiente de acordo com as informações de texturas da região local. A distribuição do tipo de carga é primariamente deduzida com o uso de uma tecnologia de recuperação de imagem com base em texturas. O número atômico médio é primariamente deduzido por um algoritmo de reconhecimento de material de raio X de energia dupla. A posição no recipiente precisa ser deduzida e determinada pela posição da região na imagem e pelo escalonamento da imagem.
[0096] Por exemplo, as etapas de implantação são conforme a seguir. Em uma primeira etapa, os recursos de textura de uma região especificada são extraídos, preferencialmente, com o uso do Vetor Fisher. Em uma segunda etapa, uma lista de blocos de textura cuja similaridade está acima de 80% é adquirida com base na recuperação de conteúdo de imagem. Em uma terceira etapa, um diagrama de distribuição do tipo de carga que pode apresentar tais texturas pode ser estabelecido com o uso da lista recuperada de blocos de textura para adquirir informações correspondentes do tipo de carga do mesmo. Em uma quarta etapa, o número atômico médio é adquirido por um algoritmo de reconhecimento de material de energia dupla. Em uma quinta etapa, a posição de coordenada da região especificada no recipiente é adquirida de acordo com o escalonamento da imagem e com a posição de pixel da região especificada.
[0097] Um sistema de aprendizado ativo é responsável por descobrir ativamente as amostras de imagem que são difíceis de ser reconhecidas com base no modelo atual, fornecer a um usuário as amostras de imagem para marcar as amostras, e finalmente realizar atualização online do modelo. O modelo de aprendizado ativo fornece serviços em tempo real para a dedução de sistema global e dedução de sistema local. O sistema de aprendizado ativo é um sistema de auxílio subjacente, e é primariamente responsável pela dedução de modelo de empilhamento de carga e serviços de modelo de dedução do tipo de carga. A descoberta ativa é baseada nas amostras que são difíceis de serem reconhecidas com base no modelo atual, e realizar atualização online do modelo.
[0098] A descrição detalhada precedente apresentou várias modalidades do método de inspeção e sistema através do uso de diagramas, fluxogramas e/ou exemplos. Em um caso no qual tais diagramas, fluxogramas, e/ou exemplos contêm uma ou mais funções e/ou operações, será entendido pelos elementos versados na técnica que cada função e/ou operação dentro de tais diagramas, fluxogramas ou exemplos podem ser implantados, individual e/ou coletivamente, por uma ampla gama de hardware, software, firmware, ou virtualmente qualquer combinação dos mesmos. Em uma modalidade, diversas porções da matéria descrita nas modalidades da presente invenção podem ser implantadas por meio de Circuitos Integrados de Aplicação Específica (ASICs), Arranjos de Portas de Campo Programáveis (FPGAs), Processadores de Sinal Digital (DSPs), ou outros formatos integrados. No entanto, os elementos versados na técnica reconhecerão que alguns aspectos das modalidades revelados no presente documento, no todo ou em parte, podem ser implantados de modo equivalente em circuitos integrados, como um ou mais programas de computador em execução em um ou mais computadores (por exemplo, como um ou mais programas em execução em um ou mais sistemas de computador), como um ou mais programas em execução em um ou mais processadores (por exemplo, como um ou mais programas em execução em um ou mais microprocessadores), como firmware, ou virtualmente como qualquer combinação dos mesmos, e que o projeto do conjunto de circuitos e/ou gravação do código para o software e/ou firmware seria satisfatório dentro da habilidade dos elementos versados na técnica em luz desta invenção. Adicionalmente, os elementos versados na técnica verificarão que os mecanismos da matéria descrita no presente documento têm capacidade de ser distribuídos como um produto de programa em uma variedade de formas, e que uma modalidade ilustrativa da matéria descrita no presente documento se aplica independentemente do tipo de sinal particular que porta o meio usado para realizar realmente a distribuição. Exemplos de um meio portador de sinal incluem, porém, sem limitação, o seguinte: um meio do tipo gravável tal como um disquete, uma unidade de disco rígido, um disco compacto (CD), um disco versátil digital (DVD), uma fita digital, uma memória do computador, etc.; e um meio do tipo de transmissão tal como um meio de comunicação digital e/ou análogo (por exemplo, um cabo de fibra óptica, um guia de onda, um enlace de comunicações por fio, um enlace de comunicação sem fio, etc.).
[0099] Embora a presente invenção tenha sido descrita em referência a diversas modalidades típicas, é evidente aos elementos versados na técnica que os termos são usados para propósito de ilustração e explicação e não para limitação. A presente invenção pode ser praticada de várias formas sem se afastar do espírito ou essência da presente invenção. Deve-se entender que as modalidades não são limitadas a nenhum dos detalhes precedentes, e devem ser interpretados amplamente dentro do espírito e escopo conforme definido pelas reivindicações a seguir. Portanto, modificações e alternativas que estão dentro do escopo das reivindicações e equivalentes das mesmas devem ser abrangidas pelo escopo da presente invenção que é definido pelas reivindicações como anexado.
Claims (13)
1. MÉTODO PARA INSPECIONAR CARGAS em um contêiner, caracterizado pelo fato de que compreende: adquirir (S61) uma imagem de transmissão de raios-X das cargas inspecionadas; processar (S62, S63) a imagem de transmissão de raios-X para adquirir uma região de interesse; extrair recursos (S64) da região de interesse que compreende extrair informações descritivas de um modo de empilhamento das cargas inspecionadas da região de interesse; determinar informações de carga das cargas inspecionadas de acordo com os recursos extraídos em que as informações de carga compreendem o modo de empilhamento de carga; determinar uma probabilidade do modo de empilhamento das cargas na região de interesse da imagem de transmissão de raios-X com base nas informações descritivas; e fornecer (S68) uma sugestão de tratamento proposto das cargas com base nas informações de carga determinadas e pelo menos uma parte das informações em um manifesto que compreende determinar (S67) uma probabilidade de consistência multiplicando a probabilidade de um tipo de carga determinada com base em um modo de empilhamento real a partir do manifesto e a probabilidade condicional de um modo de empilhamento real com base em um previsto a partir da imagem de transmissão de raios-X e, no caso em que a probabilidade de consistência seja menos que um valor predeterminado, julgando que as cargas são inconsistentes com as cargas no manifesto.
2. MÉTODO, de acordo com a reivindicação 1, caracterizado pelo fato de que a etapa de extrair informações de descrição do modo de empilhamento das cargas inspecionadas da região de interesse compreende: particionar a região de interesse e extrair bordas da imagem da região; extrair recursos textuais em posições eficazes das bordas extraídas; e encontrar elementos mais próximos aos recursos textuais de um dicionário, para obter recursos de descrição de histograma da região, em que o dicionário é preparado com base em amostras de imagem de treinamento.
3. MÉTODO, de acordo com a reivindicação 2, caracterizado pelo fato de que o dicionário é preparado forma-se o dicionário ao agregar de cada imagem de amostragem em intervalos regulares, e extraindo-se um recurso de texto em cada posição; e forma-se o dicionário ao agregar os recursos textuais extraídos em todas as posições, para adquirir a descrição de recurso de múltiplos centros de agregação.
4. MÉTODO, de acordo com a reivindicação 1, caracterizado pelo fato de que as informações de carga compreendem os tipos de cargas, e a etapa de extrair recursos da região de interesse compreende: extrair informações de descrição dos tipos de cargas das cargas inspecionadas da região de interesse; em que a probabilidade dos tipos de cargas das cargas na região de interesse da imagem de transmissão é determinada com base nas informações de descrição; e um valor da probabilidade de que as cargas são coerentes com os tipos de cargas no manifesto é adquirido com o uso da probabilidade em combinação com uma empresa de importação e exportação, tempo de importação e exportação e países de importação e exportação.
5. MÉTODO, de acordo com a reivindicação 4, caracterizado pelo fato de que a probabilidade dos tipos de cargas é determinada de acordo com um número atômico e uma densidade de elétron.
6. MÉTODO, de acordo com a reivindicação 4, caracterizado pelo fato de que a etapa de fornecer uma sugestão de tratamento proposto das cargas com base nas informações de carga determinadas e pelo menos uma parte das informações em um manifesto compreende: estabelecer um modelo de custo comparando-se uma taxa de um tipo previsto de cargas e uma taxa dos tipos de cargas no manifesto e analisar um nível de regulagem de importação e exportação, para fornecer a sugestão de tratamento proposto das cargas.
7. MÉTODO, de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente: adquirir uma lista de cargas similares às cargas inspecionadas com o uso de um mecanismo de recuperação de conteúdo de imagem; estabelecer a descrição de relação de distribuição de acordo com a empresa de importação e exportação, com os países de importação e exportação e com o tempo de importação e exportação relacionados à lista de cargas; e determinar as possibilidades de as cargas pertencerem às cargas normais com base na descrição de relação de distribuição estabelecida.
8. MÉTODO, de acordo com a reivindicação 7, caracterizado pelo fato de que a lista recuperada de imagens de cargas similares é classificada de acordo com os tipos de cargas, e probabilidades de importação e exportação dos mesmos tipos de cargas em diferentes países por diferentes empresas em diferentes períodos de tempo são calculadas.
9. MÉTODO, de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente: avisar a um usuário que uma região de carga que se desvia de um modo de empilhamento de corpo principal, uma pequena região de carga para a qual um tipo de carga não pode ser previsto, ou uma região local em que uma textura é significativamente diferente da textura global.
10. MÉTODO, de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente: determinar um tipo de carga que são colocadas individualmente em uma pequena pilha e não pode envolver em dedução de informações globais com o uso de uma maneira de dedução interativa.
11. MÉTODO, de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente: deduzir uma distribuição de tipo de carga que pode apresentar tais texturas, um número atômico médio, e uma posição no recipiente de acordo com as informações de texturas da região local.
12. MÉTODO, de acordo com a reivindicação 11, caracterizado pelo fato de que compreende adicionalmente: extrair recursos de textura em uma região especificada; adquirir uma lista de blocos de textura com similaridades maiores do que um valor predeterminado com base na recuperação de conteúdo de imagem; e estabelecer a distribuição de tipo de carga que apresenta tais texturas determinando-se informações de tipo de carga da lista de blocos de textura.
13. SISTEMA PARA INSPECIONAR CARGAS caracterizado pelo fato de que compreende: um sistema de imageamento por radiação configurado para submeter à varredura as cargas inspecionadas para adquirir uma imagem de transmissão de raio-X das cargas inspecionadas; e um aparelho de processamento de dados (160) configurado para processar a imagem de transmissão de raio-X para adquirir uma imagem de interesse, extrair recursos da região de interesse, que compreende extrair informações descritivas de um modo de empilhamento das cargas inspecionadas da região de interesse, determinar informações de carga das cargas inspecionadas de acordo com os recursos extraídos em que as informações de carga compreendem o modo de empilhamento de carga; determinar uma probabilidade do modo de empilhamento das cargas na região de interesse da imagem de transmissão de raios-X com base nas informações descritivas, e fornecer uma sugestão de tratamento proposto das cargas com base nas informações de carga determinadas e pelo menos uma parte das informações em um manifesto que compreende determinar (S67) uma probabilidade de consistência multiplicando a probabilidade de um tipo de carga determinada com base em um modo de empilhamento real a partir do manifesto e a probabilidade condicional de um modo de empilhamento real com base em um previsto a partir da imagem de transmissão de raios X e, no caso em que a probabilidade de consistência seja menos que um valor predeterminado, julgando que as cargas são inconsistentes com as cargas no manifesto.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410842364.4A CN105808555B (zh) | 2014-12-30 | 2014-12-30 | 检查货物的方法和系统 |
| CN201410842364.4 | 2014-12-30 | ||
| PCT/CN2015/076421 WO2016107009A1 (zh) | 2014-12-30 | 2015-04-13 | 检查货物的方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| BR112016021802A2 BR112016021802A2 (pt) | 2017-12-12 |
| BR112016021802B1 true BR112016021802B1 (pt) | 2021-10-13 |
Family
ID=53039225
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR112016021802-7A BR112016021802B1 (pt) | 2014-12-30 | 2015-04-13 | Sistemas e métodos para inspecionar cargas |
Country Status (9)
| Country | Link |
|---|---|
| US (1) | US10074166B2 (pt) |
| EP (1) | EP3040740B1 (pt) |
| JP (1) | JP6445127B2 (pt) |
| KR (1) | KR101811270B1 (pt) |
| CN (1) | CN105808555B (pt) |
| BR (1) | BR112016021802B1 (pt) |
| MY (1) | MY184775A (pt) |
| SG (1) | SG11201607652UA (pt) |
| WO (1) | WO2016107009A1 (pt) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6025849B2 (ja) * | 2011-09-07 | 2016-11-16 | ラピスカン システムズ、インコーポレイテッド | マニフェストデータをイメージング／検知処理に統合するｘ線検査システム |
| EP3078944B1 (en) * | 2015-04-07 | 2020-02-19 | Mettler-Toledo, LLC | Method of determining the mass of objects from a plurality of x-ray images taken at different energy level |
| CN106353828B (zh) * | 2015-07-22 | 2018-09-21 | 清华大学 | 在安检系统中估算被检查物体重量的方法和装置 |
| CN106706677B (zh) * | 2015-11-18 | 2019-09-03 | 同方威视技术股份有限公司 | 检查货物的方法和系统 |
| US10809415B2 (en) * | 2016-08-25 | 2020-10-20 | Beijing Haulixing Technology Development Co., Ltd. | Imaging device for use in vehicle security check and method therefor |
| CN108108744B (zh) * | 2016-11-25 | 2021-03-02 | 同方威视技术股份有限公司 | 用于辐射图像辅助分析的方法及其系统 |
| CN108572183B (zh) * | 2017-03-08 | 2021-11-30 | 清华大学 | 检查设备和分割车辆图像的方法 |
| CN108734183A (zh) * | 2017-04-14 | 2018-11-02 | 清华大学 | 检查方法和检查设备 |
| CN107621653B (zh) * | 2017-07-17 | 2020-10-23 | 青岛讯极科技有限公司 | 一种快速检测集装箱是否为空的方法 |
| CN109522913B (zh) * | 2017-09-18 | 2022-07-19 | 同方威视技术股份有限公司 | 检查方法和检查设备以及计算机可读介质 |
| JP6863326B2 (ja) * | 2018-03-29 | 2021-04-21 | 日本電気株式会社 | 選別支援装置、選別支援システム、選別支援方法及びプログラム |
| EP3797390A1 (en) * | 2018-05-21 | 2021-03-31 | Smiths Detection-Watford Limited | System and method for inspecting items |
| CN112789499A (zh) * | 2018-10-01 | 2021-05-11 | 世高株式会社 | 教师数据生成装置和教师数据生成程序 |
| CN113835130A (zh) * | 2020-06-23 | 2021-12-24 | 同方威视技术股份有限公司 | 自动行走式的检查装置和自动分车方法 |
| CN111915248A (zh) * | 2020-07-16 | 2020-11-10 | 张文 | 社会车辆参与农产品运输的订单生成方法、装置、系统和介质 |
| GB202109943D0 (en) * | 2021-07-09 | 2021-08-25 | Smiths Detection France S A S | Image retrieval system |
| CN116092096A (zh) * | 2021-11-05 | 2023-05-09 | 同方威视技术股份有限公司 | 用于检验申报信息真实性的方法、系统、设备及介质 |
| CN117896506A (zh) * | 2024-03-14 | 2024-04-16 | 广东电网有限责任公司 | 一种动态的现场作业场景可视化监控方法 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE3145227A1 (de) * | 1981-11-13 | 1983-05-19 | Heimann Gmbh, 6200 Wiesbaden | Verfahren und vorrichtung zur untersuchung des inhaltes von containern |
| US6370222B1 (en) * | 1999-02-17 | 2002-04-09 | Ccvs, Llc | Container contents verification |
| US7596275B1 (en) * | 2004-03-01 | 2009-09-29 | Science Applications International Corporation | Methods and systems for imaging and classifying targets as empty or non-empty |
| US7780390B2 (en) * | 2004-03-12 | 2010-08-24 | Mitsui Engineering & Shipbuilding Co., Ltd. | Container inspection/cargo-handling method and container inspection/cargo-handling system |
| WO2006100674A2 (en) * | 2005-03-21 | 2006-09-28 | Yeda Research And Development Co. Ltd. | Detecting irregularities |
| US20090174554A1 (en) * | 2005-05-11 | 2009-07-09 | Eric Bergeron | Method and system for screening luggage items, cargo containers or persons |
| JP2007140729A (ja) | 2005-11-16 | 2007-06-07 | Ishikawajima Harima Heavy Ind Co Ltd | 物品の位置及び姿勢を検出する方法および装置 |
| US7492862B2 (en) * | 2007-01-17 | 2009-02-17 | Ge Homeland Protection, Inc. | Computed tomography cargo inspection system and method |
| CN101435783B (zh) * | 2007-11-15 | 2011-01-26 | 同方威视技术股份有限公司 | 物质识别方法和设备 |
| US9176076B2 (en) * | 2011-02-28 | 2015-11-03 | The Texas A&M University System | Cargo inspection system |
| JP6025849B2 (ja) * | 2011-09-07 | 2016-11-16 | ラピスカン システムズ、インコーポレイテッド | マニフェストデータをイメージング／検知処理に統合するｘ線検査システム |
-
2014
- 2014-12-30 CN CN201410842364.4A patent/CN105808555B/zh active Active
-
2015
- 2015-04-13 KR KR1020167026867A patent/KR101811270B1/ko active IP Right Grant
- 2015-04-13 WO PCT/CN2015/076421 patent/WO2016107009A1/zh active Application Filing
- 2015-04-13 JP JP2017501456A patent/JP6445127B2/ja not_active Expired - Fee Related
- 2015-04-13 SG SG11201607652UA patent/SG11201607652UA/en unknown
- 2015-04-13 BR BR112016021802-7A patent/BR112016021802B1/pt active IP Right Grant
- 2015-04-13 MY MYPI2016703398A patent/MY184775A/en unknown
- 2015-04-20 EP EP15164263.4A patent/EP3040740B1/en active Active
- 2015-04-30 US US14/700,249 patent/US10074166B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| SG11201607652UA (en) | 2016-11-29 |
| CN105808555B (zh) | 2019-07-26 |
| EP3040740A1 (en) | 2016-07-06 |
| CN105808555A (zh) | 2016-07-27 |
| US20160189360A1 (en) | 2016-06-30 |
| US10074166B2 (en) | 2018-09-11 |
| BR112016021802A2 (pt) | 2017-12-12 |
| EP3040740B1 (en) | 2019-06-26 |
| JP6445127B2 (ja) | 2018-12-26 |
| KR20160130422A (ko) | 2016-11-11 |
| WO2016107009A1 (zh) | 2016-07-07 |
| JP2017509903A (ja) | 2017-04-06 |
| MY184775A (en) | 2021-04-21 |
| KR101811270B1 (ko) | 2017-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| BR112016021802B1 (pt) | Sistemas e métodos para inspecionar cargas | |
| Xiong et al. | Automatic detection of mycobacterium tuberculosis using artificial intelligence | |
| US11941491B2 (en) | Methods and apparatus for identifying an impact of a portion of a file on machine learning classification of malicious content | |
| KR102240058B1 (ko) | 검사 방법과 검사 장비 및 컴퓨터 판독 가능한 매체 | |
| Wang et al. | Towards effectively test report classification to assist crowdsourced testing | |
| WO2022179138A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| EP3117369A1 (en) | Detecting and extracting image document components to create flow document | |
| EP3242271B1 (en) | Method, system and apparatus for assigning image interpretation task | |
| Chen et al. | Revisiting heterogeneous defect prediction methods: How far are we? | |
| CN113076734A (zh) | 一种项目文本的相似度检测方法及装置 | |
| CN110011990B (zh) | 内网安全威胁智能分析方法 | |
| Rasmussen et al. | Deep learning for computer-assisted diagnosis of hereditary diffuse gastric cancer | |
| WO2022061083A1 (en) | Training end-to-end weakly supervised networks at the specimen (supra-image) level | |
| EP4182844A1 (en) | Systems and methods for directly predicting cancer patient survival based on histopathology images | |
| Mikriukov et al. | Evaluating the stability of semantic concept representations in CNNs for robust explainability | |
| Liu et al. | Collaborative rule generation: An ensemble learning approach | |
| Boukhaled et al. | Probabilistic anomaly detection method for authorship verification | |
| Li et al. | Legal case inspection: An analogy-based approach to judgment evaluation | |
| Pei | [Retracted] Construction of a Legal System of Corporate Social Responsibility Based on Big Data Analysis Technology | |
| Shopsowitz et al. | MAGIC‐DR: An interpretable machine‐learning guided approach for acute myeloid leukemia measurable residual disease analysis | |
| Mitsuhashi et al. | Deriving optimal deep learning models for image-based malware classification | |
| CN112988978B (zh) | 一种公益诉讼重点领域案件趋势分析系统 | |
| US20240028828A1 (en) | Machine learning model architecture and user interface to indicate impact of text ngrams | |
| Havasi et al. | Guarantee Regions for Local Explanations | |
| Katsuda et al. | Sub-GOFA: A tool for Sub-Gene Ontology function analysis in clonal mosaicism using semantic (logical) similarity |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| B06U | Preliminary requirement: requests with searches performed by other patent offices: procedure suspended [chapter 6.21 patent gazette] | ||
| B06A | Patent application procedure suspended [chapter 6.1 patent gazette] | ||
| B09A | Decision: intention to grant [chapter 9.1 patent gazette] | ||
| B350 | Update of information on the portal [chapter 15.35 patent gazette] | ||
| B350 | Update of information on the portal [chapter 15.35 patent gazette] | ||
| B16A | Patent or certificate of addition of invention granted [chapter 16.1 patent gazette] |
Free format text: PRAZO DE VALIDADE: 20 (VINTE) ANOS CONTADOS A PARTIR DE 13/04/2015, OBSERVADAS AS CONDICOES LEGAIS. |