CN107741433A - 一种基于神经网络物体分析的液体检测方法 - Google Patents
一种基于神经网络物体分析的液体检测方法 Download PDFInfo
- Publication number
- CN107741433A CN107741433A CN201710885589.1A CN201710885589A CN107741433A CN 107741433 A CN107741433 A CN 107741433A CN 201710885589 A CN201710885589 A CN 201710885589A CN 107741433 A CN107741433 A CN 107741433A
- Authority
- CN
- China
- Prior art keywords
- neutral net
- detecting method
- analysis
- method based
- container
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N9/00—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity
- G01N9/24—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity by observing the transmission of wave or particle radiation through the material
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/637—Specific applications or type of materials liquid
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种基于神经网络物体分析的液体检测方法,包括射线源、检测器阵列、载物台、物体采集器,所述射线源的射线束为扇形,所述射线源、检测器阵列可以载物台为中心旋转2个角度,所述物体采集器放置于载物台下方。本发明的有益效果:在原有液体检测方法的基础上加入以神经网络为基础的物体识别分析模块,可以准确的计算出X射线强度经过水杯杯壁的衰减值,可以确保测量液体密度的准确性,提高安检工作的便捷性,减少工作人员工作强度。
Description
技术领域
本发明属于液体检测技术领域,具体涉及一种基于神经网络物体分析的液体检测方法。
背景技术
当今社会经济的飞速发展,安保工作日益重要。安保工作借鉴发达国家 科学的管理配以科学有效管理工具势在必行。安检设备广泛适用于机场、火 车站、汽车站、政府机关大楼、大使馆、会议中心、会展中心、酒店、商场、 大型活动、邮局、学校、物流行业、工业检测等场所。液体检测方法正是其 最有效的工具之一,它已广泛应用于各机关单位等重要的场所,经过长时间 的实践检验,被证明是目前最行之有效的安全防范工具之一。
人工神经网络(Artificial Neural Networks,ANN)系统是20世纪40年代后出现的。 它是由众多的神经元可调的连接权值连接而成,具有大规模并行处理、分布式信息存储、 良好的自组织自学习能力等特点。神经网络算法在理论上可以逼近任意函数,基本的结构 由非线性变化单元组成,具有很强的非线性映射能力,而且网络的中间层数、各层的处理 单元数及网络的学习系数等参数可根据具体情况设定,灵活性很大,在优化、信号处理与 模式识别、智能控制、故障诊断等许多领域都有着广泛的应用前景。人工神经网络具有初 步的自适应与自组织能力,在训练过程中通过改变神经连接权重值,以适应周围环境的要 求。同一网络因学习方式与学习内容不同具有不同的功能,是一个具有学习能力的系统, 可以发展知识,以致超过设计者原有的知识水平。它的学习训练方式分为两种,一种是有 监督学习,利用给定的样本标准进行回归;另一种是无监督学习,只规定学习方式或某些 规则,则具体的学习内容随系统所处环境而异,系统可以自动发现环境特征和规律性,具 有更近似人脑的功能。
在目前的地铁站、火车站等公共场所,大家携带的水杯存在差异,数据庞大,而神经 网络的出现便于解决目前数据庞大的问题。通过神经网络强大的功能识别出水杯的X射线 衰减值,进而分析出液体密度。目前存在三个不足之处:
(1)快速识别目前市面上存在的水杯型号
(2)快速判断其X射线衰减值
(3)精确推断重建液体密度
发明内容
本发明旨在至少解决上述技术问题之一。
有鉴于此,本发明旨在提出一种基于神经网络物体分析的液体检测方法,以解决上述 问题的不足之处,确保测量液体密度的准确性,提高安检工作的便捷性,减少工作人员工 作强度。
为了实现上述目的,本发明的实施例公开了一种基于神经网络物体分析的液体检测方 法,包括:S1:利用CCD采集各种类容器X射线成像数据;S2:采集到的X射线图像经 过归一化处理形成统一的大小与分辨率,对图像进行特征提取,并进行数据的压缩形成特 征向量,作为输入层数据;S3:测试各种类容器的X射线强度衰减值,作为输出层数据; S4:检测器阵列对经过装有液体的容器进行X射线强度检测,获取X射线强度值;S5:基 于神经网络对容器型号进行识别判断,进而获得液体密度与液体种类。
为达到上述目的,本发明的技术方案是这样实现的:
一种基于神经网络物体分析的液体检测方法,包括射线源、检测器阵列、载物台、物 体采集器,所述射线源的射线束为扇形,所述射线源、检测器阵列可以载物台为中心旋转2 个角度,所述物体采集器放置于载物台下方。
进一步的,所述物体采集器采集到的物体图像经过预处理后,由神经网络进行分类识 别,获取液体容器的射线强度衰减值。
进一步的,所述射线源为X射线源。
进一步的,所述检测器阵列检测到的X射线强度值为经过液体与容器杯壁的强度值。
进一步的,所述神经网络为BP神经网络。
进一步的,所述BP神经网络为有监督学习方式,输入数据为容器特征与X射线衰减值。
相对于现有技术,本发明所述的基于神经网络物体分析的液体检测方法具有以下优势:
(1)本发明所述的基于神经网络物体分析的液体检测方法,通过学习将杯子特征与X 射线衰减值联合,可以精确的获取,便于精确重建液体密度。
(2)本发明所述的基于神经网络物体分析的液体检测方法采用的射线源的射线束为扇 形,不仅减少采集数据次数,而且提高了工作效率方便快捷。
(3)本发明所述的基于神经网络物体分析的液体检测方法采用神经网络的识别容器方 式,当经过预处理提取图像特征,压缩其特征维度,提高了工作的效率
(4)本发明所述的基于神经网络物体分析的液体检测方法,在重建液体密度是采用傅 里叶算法进行重建液体密度。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显 和容易理解,其中:
图1是为本发明实施例所述的基于神经网络物体分析的液体检测方法示意图;
图2是本发明实施例所述的基于神经网络物体分析的液体检测方法工作流程图;
图3是本发明实施例所述的BP神经网络结构示意图;
图4是本发明实施例所述的液体密度积分示意图;
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同 或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描 述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解 为指示或暗示相对重要性。
参照下面的描述和附图,将清楚本发明的实施例的这些和其他方面。在这些描述和附 图中,具体公开了本发明的实施例中的一些特定实施方式,来表示实施本发明的实施例的 原理的一些方式,但是应当理解,本发明的实施例的范围不受此限制。相反,本发明的实 施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
以下结合附图描述本发明。
图1是本发明实施例所述的基于神经网络物体分析的液体检测方法示意图。一种基于 神经网络物体分析的液体检测方法,包括射线源、检测器阵列、载物台、物体采集器,所述 射线源的射线束为扇形,所述射线源、检测器阵列可以载物台为中心旋转2个角度,所述 物体采集器放置于载物台下方。
图2是本发明实施例所述的基于神经网络物体分析的液体检测方法工作流程图。如图 2所示,一种可调节重建三维场景纵向位置的振幅型全息打印方法,包括以下步骤:
S1:利用CCD采集各种类容器X射线成像数据;
S2:采集到的X射线图像经过归一化处理形成统一的大小与分辨率,对图像进行特征 提取,并进行数据的压缩形成特征向量,作为输入层数据;
S3:测试各种类容器的X射线强度衰减值,作为输出层数据;
S4:检测器阵列对经过装有液体的容器进行X射线强度检测,获取X射线强度值;
S5:基于神经网络对容器型号进行识别判断,进而获得液体密度与液体种类。
图3是本发明实施例所述的BP神经网络结构示意图。
所述物体采集器采集到的物体图像经过预处理后,由神经网络进行分类识别,获取液 体容器的射线强度衰减值。
所述射线源为X射线源(如图4)。
所述检测器阵列检测到的X射线强度值为经过液体与容器杯壁的强度值。
所述神经网络为BP神经网络。
所述BP神经网络为有监督学习方式,输入数据为容器特征与X射线衰减值。
本实施例的工作过程如下:
所述射线源为X射线源,基于神经网络物体分析的液体检测方法,包括射线源、检测 器阵列、载物台、物体采集器,所述射线源的射线束为扇形,所述射线源、检测器阵列可以 载物台为中心旋转2个角度,所述物体采集器放置于载物台下方。物体采集器采集到的物 体图像经过预处理后,由神经网络进行分类识别,获取液体容器的X射线强度衰减值。检测器阵列获取射线强度为。在液体中衰减的射线强度值为,在重建液体密度是采用傅里 叶算法进行重建液体密度。
本实施例的设计原理具体说明如下:
对市面上各种容器采集图像,由于使用神经网络来对图像进行分类所以图像采集的任 务量会大大减少,仅需采集个别角度即可。采集后的图像经过归一化处理后形成统一的大 小与分辨率,系统对图像进行特征提取,进行数据的压缩形成特征向量,作为输入层数据, 并测试各种容器的X射线强度衰减值,作为输出层数据,如图3所示。检测器阵列对经过 装有液体的容器进行X射线强度检测,获取X射线强度值,基于神经网络对容器型号进行识别判断,进而获得衰减值h。可以推导出在液体中衰减的X射线强度值为m+h,令 g=m+h。利用公式进行密度的重建,如图4所示:
其中,g为在液体中衰减的射线强度值,I0为X射线源初始强度值,L为X射线源到检测器阵列的距离,u为液体的密度。
对L进行极坐标变换,并进行傅里叶变换:
对变量进行替换:r cosθ=kx,r sinθ=ky,对上式结果进行反傅里叶变换可得: u(x,y),即为液体的密度。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和 原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
另外,本发明实施例的用于基于神经网络物体分析的液体检测方法的其它构成以及作 用对于本领域的技术人员而言都是已知的,为了减少冗余,不做赘述。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、 或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点 包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一 定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离 本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发 明的范围由权利要求及其等同限定。
Claims (7)
1.一种基于神经网络物体分析的液体检测方法,其特征在于,包括以下步骤:
S1:利用CCD采集各种类容器X射线成像数据;
S2:采集到的X射线图像经过归一化处理形成统一的大小与分辨率,对图像进行特征提取,并进行数据的压缩形成特征向量,作为输入层数据;
S3:测试各种类容器的X射线强度衰减值,作为输出层数据;
S4:检测器阵列对经过装有液体的容器进行X射线强度检测,获取X射线强度值;
S5:基于神经网络对容器型号进行识别判断,进而获得液体密度与液体种类。
2.一种基于神经网络物体分析的液体检测方法,其特征在于:包括射线源、检测器阵列、载物台、物体采集器,所述射线源的射线束为扇形,所述射线源、检测器阵列可以载物台为中心旋转2个角度,所述物体采集器放置于载物台下方。
3.根据权利要求2所述的一种基于神经网络物体分析的液体检测方法,其特征在于:所述射线源为X射线源。
4.根据权利要求2所述的一种基于神经网络物体分析的液体检测方法,其特征在于:物体采集器采集到的物体图像经过预处理后,由神经网络进行分类识别,获取液体容器的射线强度衰减值。
5.根据权利要求2所述的一种基于神经网络物体分析的液体检测方法,其特征在于:所述检测器阵列检测到的X射线强度值为经过液体与容器杯壁的强度值。
6.根据权利要求2所述的一种基于神经网络物体分析的液体检测方法,其特征在于:所述神经网络为BP神经网络。
7.根据权利要求6所述的BP神经网络,其特征在于:BP神经网络为有监督学习方式,输入数据为容器特征与X射线衰减值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710885589.1A CN107741433A (zh) | 2017-09-26 | 2017-09-26 | 一种基于神经网络物体分析的液体检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710885589.1A CN107741433A (zh) | 2017-09-26 | 2017-09-26 | 一种基于神经网络物体分析的液体检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107741433A true CN107741433A (zh) | 2018-02-27 |
Family
ID=61236123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710885589.1A Pending CN107741433A (zh) | 2017-09-26 | 2017-09-26 | 一种基于神经网络物体分析的液体检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107741433A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020037935A1 (zh) * | 2018-08-23 | 2020-02-27 | 深圳码隆科技有限公司 | 一种安检过程中液体识别方法及其装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334369A (zh) * | 2007-06-29 | 2008-12-31 | 清华大学 | 检查液态物品中隐藏的毒品的方法和设备 |
CN102393908A (zh) * | 2011-06-29 | 2012-03-28 | 湖南大学 | 混合生产线上的基于机器视觉检测的三种瓶体识别方法 |
CN102422150A (zh) * | 2009-05-26 | 2012-04-18 | 克罗梅克有限公司 | 用于识别容器中的材料的方法 |
CN102565098A (zh) * | 2011-12-30 | 2012-07-11 | 公安部第一研究所 | 一种认证液体安全检测方法及装置 |
CN102539458B (zh) * | 2011-12-30 | 2014-11-05 | 公安部第一研究所 | 一种认证液体的安全检测方法及其装置 |
CN107407622A (zh) * | 2015-01-16 | 2017-11-28 | 拉皮斯坎系统股份有限公司 | 用于检测感兴趣材料的非侵入检查系统和方法 |
-
2017
- 2017-09-26 CN CN201710885589.1A patent/CN107741433A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334369A (zh) * | 2007-06-29 | 2008-12-31 | 清华大学 | 检查液态物品中隐藏的毒品的方法和设备 |
CN102422150A (zh) * | 2009-05-26 | 2012-04-18 | 克罗梅克有限公司 | 用于识别容器中的材料的方法 |
CN102393908A (zh) * | 2011-06-29 | 2012-03-28 | 湖南大学 | 混合生产线上的基于机器视觉检测的三种瓶体识别方法 |
CN102565098A (zh) * | 2011-12-30 | 2012-07-11 | 公安部第一研究所 | 一种认证液体安全检测方法及装置 |
CN102539458B (zh) * | 2011-12-30 | 2014-11-05 | 公安部第一研究所 | 一种认证液体的安全检测方法及其装置 |
CN107407622A (zh) * | 2015-01-16 | 2017-11-28 | 拉皮斯坎系统股份有限公司 | 用于检测感兴趣材料的非侵入检查系统和方法 |
Non-Patent Citations (2)
Title |
---|
李伟: "基于X射线物质分类方法对容器中液体物质识别的研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
黄晔: "基于BP神经网络的焊缝缺陷建模及其识别算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020037935A1 (zh) * | 2018-08-23 | 2020-02-27 | 深圳码隆科技有限公司 | 一种安检过程中液体识别方法及其装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Flood disaster risk assessment based on random forest algorithm | |
CN105913411A (zh) | 一种基于因子定权模型的湖泊水质评价预测系统及方法 | |
CN106841216A (zh) | 基于全景图像cnn的隧道病害自动识别装置 | |
CN107392247A (zh) | 一种电力线下方地物安全距离实时检测方法 | |
CN108009515A (zh) | 一种基于fcn的无人机航拍图像的输电线定位识别方法 | |
CN107909109A (zh) | 基于显著性和多尺度深度网络模型的sar图像分类方法 | |
Ren et al. | The accuracy of LCZ maps generated by the world urban database and access portal tools (WUDAPT) method: A case study of Hong Kong | |
CN105741267A (zh) | 聚类引导深度神经网络分类的多源图像变化检测方法 | |
CN109063729A (zh) | 一种基于pso-nsct的多传感器图像融合方法 | |
CN108269249A (zh) | 一种螺栓检测系统及其实现方法 | |
CN110189043A (zh) | 一种基于高分卫星遥感数据的可利用土地资源分析系统 | |
CN107862433A (zh) | 一种特高压直流输电线路带电作业安全评估方法和系统 | |
CN106528788A (zh) | 基于gis技术分析地面雨径流污染空间分布特征的方法 | |
AlZaabi et al. | A systematic literature review on machine learning in object detection security | |
CN107741433A (zh) | 一种基于神经网络物体分析的液体检测方法 | |
CN107145608A (zh) | 一种智能环卫平台应用于垃圾设备的处理管理控制系统 | |
CN107832729A (zh) | 一种轴承锈蚀智能诊断方法 | |
CN105825231A (zh) | 一种基于人工智能的空间碎片光谱特征分类方法 | |
Jamuna et al. | Fault detection for photovoltaic panels in solar power plants by using linear iterative fault diagnosis (LIFD) technique based on thermal imaging system | |
CN116129153A (zh) | 实现用于禁限带物品识别的智能分析处理方法、系统、装置、处理器及计算机可读存储介质 | |
Mabu et al. | Disaster Area Detection from Synthetic Aperture Radar Images Using Convolutional Autoencoder and One-class SVM. | |
Liu et al. | Application of convolutional neural network to GIS and physics | |
CN114724002A (zh) | 一种快速检测违禁品的方法 | |
Chen et al. | Measurement of Environmental Pollution Sources by Electron Microscope Remote Sensing Image Algorithms. | |
Boxiang et al. | Image acquisition system for agricultural context-aware computing |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180227 |
|
WD01 | Invention patent application deemed withdrawn after publication |