CN107833209B - 一种x光图像检测方法、装置、电子设备及存储介质 - Google Patents

一种x光图像检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN107833209B
CN107833209B CN201711031545.9A CN201711031545A CN107833209B CN 107833209 B CN107833209 B CN 107833209B CN 201711031545 A CN201711031545 A CN 201711031545A CN 107833209 B CN107833209 B CN 107833209B
Authority
CN
China
Prior art keywords
article
preset
ray image
category
detection
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
CN201711031545.9A
Other languages
English (en)
Other versions
CN107833209A (zh
Inventor
孙海涛
徐阳
付建海
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua 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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN201711031545.9A priority Critical patent/CN107833209B/zh
Publication of CN107833209A publication Critical patent/CN107833209A/zh
Application granted granted Critical
Publication of CN107833209B publication Critical patent/CN107833209B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01VGEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V5/00Prospecting or detecting by the use of nuclear radiation, e.g. of natural or induced radioactivity
    • G01V5/0008Detecting hidden objects, e.g. weapons, explosives
    • G01V5/0016Active interrogation, i.e. using an external radiation source, e.g. using pulsed, continuous or cosmic rays
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computer systems based on biological models
    • G06N3/02Computer systems based on biological models using neural network models
    • G06N3/08Learning methods
    • G06N3/084Back-propagation
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/70Determining position or orientation of objects or cameras
    • G06T7/73Determining position or orientation of objects or cameras using feature-based methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10116X-ray image
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30204Marker
    • G06T2207/30208Marker matrix

Abstract

本发明公开了一种X光图像检测方法、装置、电子设备及存储介质,所述方法包括:将待检测的第一X光图像输入到预先训练完成的物品检测模型中,其中所述物品检测模型中保存有经过神经网络训练完成的权重参数文件,所述权重参数文件中包括预测不同类别的物品时,预设数量的顶点对应的坐标权重;基于所述物品检测模型,确定所述第一X光图像中包含的每个物品归属的第一类别,及每个物品对应的预设数量的顶点的第一坐标,其中所述预设数量为至少四个;根据所述每个物品归属的第一类别,及所述每个物品对应的预设数量的顶点的第一坐标,在所述第一X光图像中对所述每个物品进行标注。本发明实施例中标注的多边形更接近于物品的真实轮廓。

Description

一种X光图像检测方法、装置、电子设备及存储介质
技术领域
本发明涉及深度学习技术领域,尤其涉及一种X光图像检测方法、装置、电子设备及存储介质。
背景技术
物品检测方法主要应用于X光安检机的物品检测,如具体用于检测高铁、地铁、飞机等公共场所旅客所带行包中是否存在物品,使用X光安检机的目的是能够辅助安检人员快速、有效地发现包裹内可能存在的物品,尽可能减少开包检查。安检人员通过安检机屏幕上的X光图像判断是否存在物品,但是高铁、地铁等场所人流量较大、行包较多以及长时间工作等因素会影响安检人员判断的准确度。
随着深度学习技术不断发展,安检系统逐渐采用图像识别技术自动识别判断行包中是否存在物品,现有技术中基于深度学习的目标检测方法主要包括:Faster RCNN(Faster Region Convolutional Neural Networks)、SSD(Single Shot MultiBoxDetector),YOLO(You Only Look Once)等。以上物品检测方法在模型训练过程中是基于图像样本中针对物品人工标记的矩形进行训练的,因此在物品检测时,以整张图像作为输入,经过卷积神经网络多层卷积计算,在输出层输出由每个物品对应的矩形框和每个物品相应的物品标签。
但是实际的物品存在多种形状,并且在X光安检机中摆放方向任意,导致物品的X光图像形状任意且多数图像不规则,若以矩形标注形状任意的物品,矩形框内会包含较大面积的背景部分,从而导致物品识别率低。
发明内容
本发明提供一种X光图像检测方法、装置、电子设备及存储介质,用以解决现有技术中存在物品识别率低的问题。
本发明提供一种X光图像检测方法,所述方法包括:
将待检测的第一X光图像输入到预先训练完成的物品检测模型中,其中所述物品检测模型中保存有经过神经网络训练完成的权重参数文件,所述权重参数文件中包括预测不同类别的物品时,预设数量的顶点对应的坐标权重,其中所述预设数量为至少四个;
基于所述物品检测模型,确定所述第一X光图像中包含的每个物品归属的第一类别,及每个物品对应的预设数量的顶点的第一坐标;
根据所述每个物品归属的第一类别,及所述每个物品对应的预设数量的顶点的第一坐标,在所述第一X光图像中对所述每个物品进行标注。
进一步地,所述将待检测的第一X光图像输入到预先训练完成的物品检测模型中之前,所述方法还包括:
对待检测的所述第一X光图像进行预处理;
所述将待检测的第一X光图像输入到预先训练完成的物品检测模型中包括:
将预处理后的所述第一X光图像,输入到所述物品检测模型中。
进一步地,基于神经网络的所述物品检测模型的训练过程包括:
针对训练集中的每个第二X光图像,获取所述第二X光图像中被人工标记的每个物品对应的预设数量的顶点的第二坐标,及每个物品归属的第二类别;
根据获取的所述第二X光图像中每个物品对应的预设数量的顶点的第二坐标,及每个物品归属的第二类别,及将所述第二X光图像输入到物品检测模型中,获取每个物品对应的预设数量的顶点的第三坐标和每个物品归属的第三类别,对所述物品检测模型进行迭代训练,并对所述物品检测模型中保存的初始权重参数文件进行迭代训练。
进一步地,所述将所述第二X光图像输入到物品检测模型中,获取每个物品对应的预设数量的顶点的第三坐标和每个物品归属的第三类别包括:
所述物品检测模型识别所述第二X光图像中的每个物品及每个物品归属的第三类别;
针对每个物品,根据所述物品归属的第三类别,在权重参数文件中确定该第三类别的物品对应的预设数量的顶点的坐标权重;根据该第三类别预设数量的顶点的坐标权重,确定该第三类别的物品每个顶点的坐标偏移系数;根据预设数量的顶点的初始坐标,及该第三类别的物品每个顶点的坐标偏移系数,确定归属该第三类别的该物品对应的预设数量的顶点的第三坐标。
进一步地,所述对所述物品检测模型进行迭代训练,并对所述物品检测模型中保存的初始权重参数文件进行迭代训练包括:
针对所述第二X光图像中每个物品对应的预设数量的顶点的第三坐标和第二坐标、每个物品归属的第三类别和第二类别,及所述物品检测模型中的损失函数,确定对应的损失函数输出值;
判断所述损失函数输出值是否小于预设值;
如果否,通过神经网络反向传播计算,对物品检测模型中保存的所述权重参数文件中该物品归属的第三类别的预设数量的顶点的坐标权重进行更新;
如果是,确定迭代训练过程结束。
本发明提供了一种X光图像检测装置,所述装置包括:
输入模块,用于将待检测的第一X光图像输入到预先训练完成的物品检测模型中,其中所述物品检测模型中保存有经过神经网络训练完成的权重参数文件,所述权重参数文件中包括预测不同类别的物品时,预设数量的顶点对应的坐标权重,其中所述预设数量为至少四个;
检测模块,用于基于所述物品检测模型,确定所述第一X光图像中包含的每个物品归属的第一类别,及每个物品对应的预设数量的顶点的第一坐标;
标注模块,用于根据所述每个物品归属的第一类别,及所述每个物品对应的预设数量的顶点的第一坐标,在所述第一X光图像中对所述每个物品进行标注。
进一步地,所述装置还包括:
预处理模块,用于待检测的第一X光图像输入到预先训练完成的物品检测模型中之前,对待检测的所述第一X光图像进行预处理;
所述输入模块,具体用于将预处理后的所述第一X光图像,输入到所述物品检测模型中。
进一步地,所述装置还包括:
训练模块,用于针对训练集中的每个第二X光图像,获取所述第二X光图像中被人工标记的每个物品对应的预设数量的顶点的第二坐标,及每个物品归属的第二类别;根据获取的所述第二X光图像中每个物品对应的预设数量的顶点的第二坐标,及每个物品归属的第二类别,及将所述第二X光图像输入到物品检测模型中,获取每个物品对应的预设数量的顶点的第三坐标和每个物品归属的第三类别,对所述物品检测模型进行迭代训练,并对所述物品检测模型中保存的初始权重参数文件进行迭代训练。
进一步地,所述训练模块,具体用于所述物品检测模型识别所述第二X光图像中的每个物品及每个物品归属的第三类别;针对每个物品,根据所述物品归属的第三类别,在权重参数文件中确定该第三类别的物品对应的预设数量的顶点的坐标权重;根据该第三类别预设数量的顶点的坐标权重,确定该第三类别的物品每个顶点的坐标偏移系数;根据预设数量的顶点的初始坐标,及该第三类别的物品每个顶点的坐标偏移系数,确定归属该第三类别的该物品对应的预设数量的顶点的第三坐标。
进一步地,所述训练模块,具体针对所述第二X光图像中每个物品对应的预设数量的顶点的第三坐标和第二坐标、每个物品归属的第三类别和第二类别,及所述物品检测模型中的损失函数,确定对应的损失函数输出值;判断所述损失函数输出值是否小于预设值;如果否,通过神经网络反向传播计算,对物品检测模型中保存的所述权重参数文件中该物品归属的第三类别的预设数量的顶点的坐标权重进行更新;如果是,确定迭代训练过程结束。
本发明提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一项所述的方法步骤。
本发明提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法步骤。
本发明提供了一种X光图像检测方法、装置、电子设备及存储介质,所述方法包括:将待检测的第一X光图像输入到预先训练完成的物品检测模型中,其中所述物品检测模型中保存有经过神经网络训练完成的权重参数文件,所述权重参数文件中包括预测不同类别的物品时,预设数量的顶点对应的坐标权重;基于所述物品检测模型,确定所述第一X光图像中包含的每个物品归属的第一类别,及每个物品对应的预设数量的顶点的第一坐标,其中所述预设数量为至少四个;根据所述每个物品归属的第一类别,及所述每个物品对应的预设数量的顶点的第一坐标,在所述第一X光图像中对所述每个物品进行标注。本发明实施例中将待检测的第一X光图像,输入预先训练完成的物品检测模型中,确定第一X光图像中包含的每个物品归属的类别,及每个物品预设数量的顶点的第一坐标,从而对每个物品进行标注,其中物品检测模型中保存有经过神经网络训练完成的权重参数文件,预设数量为至少四个,根据至少四个顶点坐标和归属类别对第一X光图像中的每个物品进行标注,标注的多边形更接近于物品的真实轮廓,可以提高物品识别率。
附图说明
为了更清楚地说明本发明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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种X光图像检测过程示意图;
图2为本发明实施例3提供的一种两个顶点确定的矩形示意图;
图3为本发明实施例3提供的一种四个顶点确定的四边形示意图;
图4为本发明实施例4提供的一种两个顶点确定的矩形的回归过程示意图;
图5为本发明实施例4提供的一种四个顶点确定的四边形的回归过程示意图;
图6为本发明实施例6提供的一种电子设备结构示意图;
图7为本发明实施例提供的一种X光图像检测装置示意图。
具体实施方式
为了提高物品识别率,本发明实施例提供了一种X光图像检测方法、装置、电子设备及存储介质。
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
图1为本发明实施例提供的一种X光图像检测过程示意图,该过程包括以下步骤:
S101:将待检测的第一X光图像输入到预先训练完成的物品检测模型中,其中所述物品检测模型中保存有经过神经网络训练完成的权重参数文件,所述权重参数文件中包括预测不同类别的物品时,预设数量的顶点对应的坐标权重,其中所述预设数量为至少四个。
本发明实施例提供的X光物品检测方法应用于电子设备,该电子设备可以为桌面计算机、便携式计算机、平板电脑等电子设备,该电子设备可以接收待检测的第一X光图像。在X光安检场景下,该电子设备可以为X光安检机,则该电子设备可以采集物品的第一X光图像,并且采集到的第一X光图像为X光图像。电子设备可以根据采集或接收到的第一X光图像进行物品检测。
预先训练完成的物品检测模型中保存有经过神经网络训练完成的权重参数文件,其中权重参数文件中提取图像特征的权重参数和不同类别的概率计算参数,权重参数用于表征预测不同类别的物品时,预设数量的顶点的对应坐标权重,物品对应的顶点数量与物品检测模型训练过程中的训练的顶点数量一致。电子设备可以根据权重参数文件中不同坐标权重对应的标识,确定每个坐标权重为哪一类别的物品对应的哪一个顶点的横纵坐标权重。
预设数量为至少四个,且预设数量为整数。
每个顶点的坐标权重包括每个顶点的横坐标权重和每个顶点的纵坐标权重,在权重参数文件中针对每个类别的预设数量的顶点保存有每个顶点对应的大量的坐标权重。例如物品对应的顶点数量为四个,则物品对应的每个顶点的坐标权重第一个顶点的横坐标权重、第一个顶点的纵坐标权重,第二个顶点的横坐标权重、第二个顶点的纵坐标权重、第三个顶点的横坐标权重、第三个顶点的纵坐标权重、第四个顶点的横坐标权重和第四个顶点的纵坐标权重,因此权重参数文件中针对每个类别至少保存八个坐标权重。
S102:基于所述物品检测模型,确定所述第一X光图像中包含的每个物品归属的第一类别,及每个物品对应的预设数量的顶点的第一坐标。
根据第一X光图像,并基于训练完成的物品检测模型,可以确定第一X光图像中包含的每个物品归属的第一类别,及每个物品对应的预设数量的顶点的第一坐标,其中基于物品检测模型确定每个物品对应的预设数量的顶点的第一坐标时,是根据物品检测模型中保存的训练完成的权重参数文件进行预测得到的。
电子设备确定的每个物体对应的顶点数量为预设数量的,预设数量不少于四个,且预设数量为整数。
如果预设数量为四个,则基于物品检测模型,确定的每个物品对应的预设数量的顶点的第一坐标为每个物品四个顶点中每个顶点的第一坐标。
S103:根据所述每个物品归属的第一类别,及所述每个物品对应的预设数量的顶点的第一坐标,对所述每个物品进行标注。
电子设备可以根据物品检测模型输出的每个物品归属的第一类别,及每个物品对应的预设数量的顶点的第一坐标,对每个物品进行标注。电子设备在对每个物品进行标注时是在第一X光图像中对每个物品进行标注。
具体地,电子设备根据每个物品对应的预设数量的顶点的第一坐标,对每个物品进行标注包括:针对每个物品,确定该物品对应的预设数量的顶点的第一坐标,将该预设数量的顶点顺序连接,形成包裹该物品的多边形。
电子设备根据每个物品归属的第一类别,对每个物品进行标注可以是直接将以文字的形式直接显示每个物品归属的第一类别,也可以采用每个类别对应的颜色或其他标注信息进行标注。因为不同类别的物品对应的标注规则可能不同,当电子设备检测到存在符合为危险品标注规则的标注信息存在时,可以进行报警,来告知安检人员存在危险品。
第一X光图像中可能包含一个或多个物品,当第一X光图像中包含至少一个物品时,对第一X光图像中每个物品进行标注,当然第一X光图像中也可能不包含物品,当第一X光图像中不包含物品时,则对第一X光图像不进行标注。
采用两个顶点确定的矩形或者是采用三个顶点确定的三角形来标注物品时,矩形和三角形可能包含较多背景,不利于物品的识别,而本发明实施例中采用至少四个顶点确定的是任意形状的多边形,因此在标注物品时更加贴近物品的真实轮廓。
本方案是基于SSD目标检测算法改进的,由至少四个顶点确定的多边形来标注目标,更加贴近目标的真实轮廓,而原有SSD目标检测算法是以两个顶点确定的矩形框来标注目标,具体地SSD目标检测算法是一种端到端训练的、实时的目标检测方法,SSD目标定位过程是将先前设定的默认框进行偏移回归,以得到更加逼近于真实目标的标注框,并且用于标注目标的标注框为采用两个顶点确定的矩形,因此可以理解为本方案为对开源的SSD目标检测算法进行的改进。
由于本发明实施例提供的物品检测方法中采用至少四个顶点确定的标注框更加贴近物品的真实轮廓,因此与X光图像中物品形状更加匹配,能够较好地解决物品形状多样及摆放方向不定的问题,有利于识别物品并精确定位物品的位置。
本发明实施例中将待检测的第一X光图像,输入预先训练完成的物品检测模型中,确定第一X光图像中包含的每个物品归属的类别,及每个物品预设数量的顶点的第一坐标,从而对每个物品进行标注,其中物品检测模型中保存有训练完成的权重参数文件,预设数量为至少四个,根据至少四个顶点坐标和归属类别对第一X光图像中的每个物品进行标注,标注的多边形更接近于物品的真实轮廓,可以提高物品识别率。
实施例2:
为了消除X光图像中的干扰因素,进一步提高物品识别率,在上述各实施例的基础上,本发明实施例中,所述将待检测的第一X光图像输入到预先训练完成的物品检测模型中之前,所述方法还包括:
对待检测的所述第一X光图像进行预处理;
所述将待检测的第一X光图像输入到预先训练完成的物品检测模型中包括:
将预处理后的所述第一X光图像,输入到所述物品检测模型中。
将第一X光图像进行预处理,将预处理后的第一X光图像输入到物品检测模型中,消除了第一X光图像中的干扰因素,使得物品检测模型的输出结果更加准确,从而进一步提高了物品识别率。
所述对待检测的第一X光图像进行预处理的过程属于现有技术,在本发明实施例中不做赘述。
由于本发明实施例中将第一X光图像进行预处理,将预处理后的第一X光图像输入到物品检测模型中,消除了第一X光图像中的干扰因素,使得物品检测模型的输出结果更加准确,从而进一步提高了物品识别率。
实施例3:
为了得到权重参数文件,需要对物品检测模型进行训练,在上述各实施例的基础上,本发明实施例中,基于神经网络的所述物品检测模型的训练过程包括:
针对训练集中的每个第二X光图像,获取所述第二X光图像中被人工标记的每个物品对应的预设数量的顶点的第二坐标,及每个物品归属的第二类别;
根据获取的所述第二X光图像中每个物品对应的预设数量的顶点的第二坐标,及每个物品归属的第二类别,及将所述第二X光图像输入到物品检测模型中,获取每个物品对应的预设数量的顶点的第三坐标和每个物品归属的第三类别,对所述物品检测模型进行迭代训练,并对所述物品检测模型中保存的初始权重参数文件进行迭代训练。
对物品检测模型进行预先训练,得到训练完成的权重参数文件。
用于模型训练的电子设备可以为常用的计算机或X光安检机,但是由于模型训练过程中数据量较大,因此用于模型训练的电子设备还可以使用满足大数据深度学习的计算能力较强的电子设备。
具体地,训练集中包含大量的第二X光图像,训练集中包含的第二X光图像为用于进行模型训练的样本,每个第二X光图像中包含的物品相同或不同,对于训练集中的每个第二X光图像,电子设备获取第二X光图像中被人工标记的每个物品对应的预设数量的顶点的第二坐标,及每个物品归属的第二类别,其中被人工标记的每个物品对应的预设数量的顶点为至少四个顶点。
物品检测模型中保存有初始权重参数文件,初始权重参数文件中包含不同类别的物品对应的预设数量的顶点预设的坐标权重,预设的坐标权重为随机初始值。根据物品检测模型神经网络的前向计算,获取每个物品对应的预设数量的顶点的第三坐标和每个物品归属的第三类别,再根据获取到的每个物品对应的预设数量的顶点的第二坐标和每个物品归属的第二类别,通过反向传播计算,对物品检测模型进行迭代训练,并对初始权重参数文件进行迭代训练,对迭代训练过程中的权重文件进行保存。
具体地,在现有目标检测模型训练过程中,以矩形人工标记物品时,可以是以两个顶点确定的矩形进行标记,模型训练样本的输入为如图2所示矩形的两个顶点,该两个顶点中的左上角(如图2所示的左上角)顶点坐标为(xmin,ymin),右下角(如图2所示的右下角)顶点坐标为(xmax,ymax),根据该左上角顶点坐标和右下角顶点坐标确定一个矩形。
而针对本方案的模型训练过程,假设预设数量的顶点为4个顶点,则在模型训练样本的输入,即第二X光图像中物品的输入为如图3所示的四边形的四个顶点,该四个顶点坐标分别为(x1,y1)、(x2,y2)、(x3,y3)和(x4,y4),根据该四个顶点坐标,确定了一个任意形状的四边形,更加贴合物品的真实轮廓,减少了背景部分即负样本的干扰,模型训练过程能够更快收敛,节省了训练时间并且降低了模型训练过程中的误检率和漏检率,从而进一步提高了检测过程中的物品识别率。
由于本发明实施例中每个第二X光图像中每个物品被标注了至少四个顶点,减少了模型训练过程中负样本的干扰,有利于对目标物品的训练和识别,提高了训练过程中的收敛速度,并且降低了模型训练过程中的误检率和漏检率,从而进一步提高了检测过程中的物品识别率。
实施例4:
在上述各实施例的基础上,本发明实施例中,所述将所述第二X光图像输入到物品检测模型中,获取每个物品对应的预设数量的顶点的第三坐标和每个物品归属的第三类别包括:
所述物品检测模型识别所述第二X光图像中的每个物品及每个物品归属的第三类别;
针对每个物品,根据所述物品归属的第三类别,在权重参数文件中确定该第三类别的物品对应的预设数量的顶点的坐标权重;根据该第三类别预设数量的顶点的坐标权重,确定该第三类别的物品每个顶点的坐标偏移系数;根据预设数量的顶点的初始坐标,及该第三类别的物品每个顶点的坐标偏移系数,确定归属该第三类别的该物品对应的预设数量的顶点的第三坐标。
在训练过程对每个顶点的坐标进行了偏移回归,因此预设数量的顶点确定的标注框更加贴近物品的真实轮廓,减少了训练过程中负样本的干扰,提高了训练过程中的收敛速度,并且降低了模型训练过程中的误检率和漏检率。
电子设备可以根据权重参数文件中不同坐标权重对应的标识,确定每个坐标权重为哪一类别的物品对应的哪一个顶点的横纵坐标权重。
针对输入的每个第二X光图像,识别该第二X光图像中的每个物品及每个物品归属的第三类别,进而在权重参数文件中确定每个类别的物品对应的预设数量的顶点的坐标权重,并根据每个类别的物品对应的预设数量的顶点的坐标权重,确定每个类别的物品预设数量的顶点的坐标偏移系数,其中权重参数文件可以为初始权重参数文件,也可以是训练过程中更新的权重参数文件。
具体地,针对类别的每个顶点,根据该顶点的横坐标权重确定该顶点的横坐标偏移系数,根据该顶点的纵坐标权重确定该顶点的纵坐标偏移系数。
根据类别的物品每个顶点的横纵坐标偏移系数,将对应的每个顶点的初始横纵坐标进行偏移回归,确定物品对应的每个顶点的第三坐标。
模型训练中的预设数量的顶点包含在预设框中,预设框的顶点数量与第二X光图像中人工标记物品的标注框的顶点数量相同,此外还保存有预设框预设数量的顶点的初始坐标。
具体地,在现有模型训练过程中,由于是根据矩形人工标记物品,可以是以两个顶点确定的矩形进行标记,因此可以根据两个顶点确定预设框即预设矩形框bbox_old的中心点,对预设矩形框中心点坐进行偏移,然后再对预设矩形框的宽和高进行缩放,即可认为将预设框的位置平移到了一个新的位置上,并且预设框的宽和高也同时发生了变化,得到新的矩形框bbox_new。回归过程如图4所示,预设矩形框bbox_old的中心点从(bbox_old_x,bbox_old_y)平移到了新的位置上即(bbox_new_x,bbox_new_y),预设矩形框的宽从Bbox_old_w缩放为Bbox_new_w,预设矩形框的高从Bbox_old_h缩放为Bbox_new_h,回归后的图像仍为矩形,回归过程满足以下公式:
bbox_new_x=bbox_old_x+offset(x)
bbox_new_y=bbox_old_y+offset(y)
Bbox_new_w=Bbox_old_w*exp(k1)
Bbox_new_h=Bbox_old_h*exp(k2)
上述公式中offset(x)表示中心点横坐标偏移系数,offset(y)表示中心点纵坐标偏移系数,exp(k1)表示宽的缩放系数,exp(k2)表示高的缩放系数,其中宽和高的缩放系数,即exp(k1)和exp(k2)为根据宽或高的缩放权重确定的,其中宽或高的缩放权重为预设的缩放权重,或是通过原有SSD目标检测算法训练的模型得到的缩放权重。
而针对本方案的模型训练过程,假设预设数量的顶点为四个,根据四个顶点确定的四边形为任意形状的四边形,任意形状的四边形中心点和宽高没有严格的定义,因此对四个顶点的八个坐标进行偏移,得到任意形状的四边形。偏移回归过程如图5所述,将预设框的四个顶点分别平移到新的位置上,即第一个顶点从(x1_old,y1_old)平移到了(x1_new,y1_new),第二个顶点从(x2_old,y2_old)平移到了(x2_new,y2_new),第三个顶点从(x3_old,y3_old)平移到了(x3_new,y3_new),第四个顶点从(x4_old,y4_old)平移到了(x4_new,y4_new),偏移回归后的图像为任意形状的四边形,回归过程满足如下公式:
xn_new=xn_old+offset(x),其中n=1,2,3,4
yn_new=yn_old+offset(y),其中n=1,2,3,4
上述公式中offset(x)表示第n个顶点的横坐标偏移系数,offset(y)表示第n个顶点的纵坐标偏移系数,其中offset(x)和offset(y)为根据每个顶点的横纵坐标权重确定的,其中每个顶点的横纵坐标权重为预设的横纵坐标权重,或是通过本方案改进后的SSD目标检测算法训练的模型得到的横纵坐标权重。
物品检测模型针对每个第二X光图像,确定物品每个顶点的第三坐标和物品归属的第三类别后,输出每个物品对应的预设数量的顶点的第三坐标和每个物品归属的第三类别。
由于本发明实施例中在训练过程对每个顶点的坐标进行了偏移回归,因此预设数量的顶点确定的标注框更加贴近物品的真实轮廓,减少了训练过程中负样本的干扰,提高了训练过程中的收敛速度,并且降低了模型训练过程中的误检率和漏检率。
实施例5:
在上述各实施例的基础上,本发明实施例中,所述对所述物品检测模型进行迭代训练,并对所述物品检测模型中保存的初始权重参数文件进行迭代训练包括:
针对所述第二X光图像中每个物品对应的预设数量的顶点的第三坐标和第二坐标、每个物品归属的第三类别和第二类别,及所述检测模型中的损失函数,确定对应的损失函数输出值;
判断所述损失函数输出值是否小于预设值;
如果否,通过神经网络反向传播计算,对物品检测模型中保存的所述权重参数文件中该物品归属的第三类别的预设数量的顶点的坐标权重进行更新;
如果是,确定迭代训练过程结束。
训练过程中根据初始权重参数文件确定训练完成的权重参数文件的过程,是迭代更新的过程。
第一次更新的过程是对初始权重参数文件更新的过程,初始权重参数文件中包含每个类别的物品对应的预设数量的顶点的坐标权重。电子设备可以根据权重参数文件中不同坐标权重对应的标识,确定每个坐标权重为哪一类别的物品对应的哪一个顶点的横纵坐标权重。
针对第二X光图像中每个物品对应的预设数量的顶点的第三坐标和第二坐标、每个物品归属的第三类别和第二类别,及物品检测模型中的损失函数,确定对应的损失函数输出值具体包括:针对每个第二X光图像中的物品,将训练结果中输出的物品归属的第三类别和第二类别、物品对应的预设数量的顶点的第三坐标和第二坐标输入到神经网络中的损失函数计算,得到损失函数的输出值。
如果神经网络内损失函数输出值小于预设值,则认为物品检测模型训练合格,确定迭代训练过程结束,并将当前的权重参数文件确定为训练完成的权重参数文件。
如果神经网络内损失函数输出值不小于预设值,依据损失函数输出值通过神经网络反向传播计算,对物品检测模型中保存的所述权重参数文件中该物品归属的第三类别的预设数量的顶点的坐标权重进行更新。从而通过对大量的第二X光图像训练,从得到合格的物品检测模型,确定训练完成的权重参数文件。
物品检测模型中保存有预设值,该预设值可以根据本领域技术人员的经验值进行设置,该预设值具体为何值在本发明实施例中不做限定。
所述对权重参数文件进行调整的过程和对物品检测模型参数进行调整的过程由物品检测模型完成,在本发明实施例中不做赘述。
由于本发明实施例中通过每次训练的输出结果对物品检测模型参数进行调整,因此进一步提高了检测过程中的物品识别率。
实施例6:
在上述各实施例的基础上,本发明实施例还提供了一种电子设备,如图6所示,包括:处理器601、通信接口602、存储器603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信;
所述存储器603中存储有计算机程序,当所述程序被所述处理器601执行时,使得所述处理器601执行如下步骤:
将待检测的第一X光图像输入到预先训练完成的物品检测模型中,其中所述物品检测模型中保存有经过神经网络训练完成的权重参数文件,所述权重参数文件中包括不同类别的物品对应的预设数量的顶点的坐标权重,其中所述预设数量为至少四个;
基于所述物品检测模型,确定所述第一X光图像中包含的每个物品归属的类别,及每个物品对应的预设数量的顶点的第一坐标;
根据所述每个物品归属的类别,及所述每个物品对应的预设数量的顶点的第一坐标,对所述每个物品进行标注。
本发明实施例提供的电子设备具体可以为桌面计算机、便携式计算机、平板电脑等,在X光安检场景下,该电子设备可以为X光安检机。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口602用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器,包括中央处理器、网络处理器(NetworkProcessor,NP)等;还可以是数字指令处理器(Digital Signal Processing,DSP)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
在本发明实施例中,处理器执行存储器上所存放的程序时,实现将待检测的第一X光图像,输入预先训练完成的物品检测模型中,确定第一X光图像中包含的每个物品归属的类别,及每个物品预设数量的顶点的第一坐标,从而对每个物品进行标注,其中物品检测模型中保存有经过神经网络训练完成的权重参数文件,预设数量为至少四个,根据至少四个顶点坐标和归属类别对第一X光图像中的每个物品进行标注,标注的多边形更接近于物品的真实轮廓,可以提高物品识别率。
实施例7:
在上述各实施例的基础上,本发明实施例还提供了一种计算机存储可读存储介质,所述计算机可读存储介质内存储有可由电子设备执行的计算机程序,当所述程序在所述电子设备上运行时,使得所述电子设备执行时实现如下步骤:
将待检测的第一X光图像输入到预先训练完成的物品检测模型中,其中所述物品检测模型中保存有经过神经网络训练完成的权重参数文件,所述权重参数文件中包括不同类别的物品对应的预设数量的顶点的坐标权重,其中所述预设数量为至少四个;
基于所述物品检测模型,确定所述第一X光图像中包含的每个物品归属的类别,及每个物品对应的预设数量的顶点的第一坐标;
根据所述每个物品归属的类别,及所述每个物品对应的预设数量的顶点的第一坐标,对所述每个物品进行标注。
上述计算机可读存储介质可以是电子设备中的处理器能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器如软盘、硬盘、磁带、磁光盘(MO)等、光学存储器如CD、DVD、BD、HVD等、以及半导体存储器如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD)等。
在本发明实施例中提供的计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时,实现将待检测的第一X光图像,输入预先训练完成的物品检测模型中,确定第一X光图像中包含的每个物品归属的类别,及每个物品预设数量的顶点的第一坐标,从而对每个物品进行标注,其中物品检测模型中保存有经过神经网络训练完成的权重参数文件,预设数量为至少四个,根据至少四个顶点坐标和归属类别对第一X光图像中的每个物品进行标注,标注的多边形更接近于物品的真实轮廓,可以提高物品识别率。
图7为本发明实施例提供的一种X光图像检测装置示意图,该装置包括:
输入模块,用于将待检测的第一X光图像输入到预先训练完成的物品检测模型中,其中所述物品检测模型中保存有经过神经网络训练完成的权重参数文件,所述权重参数文件中包括将物品预测为不同类别的物品时,预设数量的顶点对应的坐标权重,其中所述预设数量为至少四个;
检测模块,用于基于所述物品检测模型,确定所述第一X光图像中包含的每个物品归属的类别,及每个物品对应的预设数量的顶点的第一坐标;
标注模块,用于根据所述每个物品归属的类别,及所述每个物品对应的预设数量的顶点的第一坐标,对所述每个物品进行标注。
所述装置还包括:
预处理模块,用于待检测的第一X光图像输入到预先训练完成的物品检测模型中之前,对待检测的所述第一X光图像进行预处理;
所述输入模块,具体用于将预处理后的所述第一X光图像,输入到所述物品检测模型中。
所述装置还包括:
训练模块,用于针对训练集中每个第二X光图像,获取所述第二X光图像中被人工标记的每个物品对应的预设数量的顶点的第二坐标,及每个物品归属的第二类别;将每个第二X光图像输入到物品检测模型中,输出每个物品对应的预设数量的顶点的第三坐标和每个物品归属的第三类别,对所述物品检测模型进行训练,其中所述物品检测模型中保存有初始权重参数文件。
所述训练模块,具体用于针对输入的第二X光图像,识别所述第二X光图像中的每个物品及每个物品归属的第三类别;在权重参数文件中确定每个类别的物品对应的预设数量的顶点的坐标权重;针对每个类别,根据该类别预设数量的顶点的坐标权重,确定该类别每个顶点的坐标偏移系数;根据预设框对应的预设数量的顶点的预设坐标,及该类别的每个顶点的坐标偏移系数,确定归属该类别的物品对应的预设数量的顶点的第三坐标;输出每个物品对应的预设数量的顶点的第三坐标和每个物品归属的第三类别。
所述训练模块,具体用于针对每个第二X光图像,根据该第二X光图像中每个物品对应的预设数量的顶点的第三坐标和预设数量的顶点的第二坐标,对权重参数文件进行调整;根据每个物品对应的预设数量的顶点的第三坐标和预设数量的顶点的第二坐标、每个物品归属的第三类别和每个物品归属的第二类别,通过神经网络反向传播计算,对物品检测模型中的权重参数进行更新,并保存有权重参数文件中。
本发明实施例中将待检测的第一X光图像,输入预先训练完成的物品检测模型中,确定第一X光图像中包含的每个物品归属的类别,及每个物品预设数量的顶点的第一坐标,从而对每个物品进行标注,其中物品检测模型中保存有训练完成的权重参数文件,预设数量为至少四个,根据至少四个顶点坐标和归属类别对第一X光图像中的每个物品进行标注,标注的多边形更接近于物品的真实轮廓,可以提高物品识别率。
对于系统/装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。

Claims (12)

1.一种X光图像检测方法,其特征在于,所述方法包括:
将待检测的第一X光图像输入到预先训练完成的物品检测模型中,其中所述物品检测模型中保存有经过神经网络训练完成的权重参数文件,所述权重参数文件中包括预测不同类别的物品时,预设数量的顶点对应的坐标权重,其中所述预设数量为至少四个;
基于所述物品检测模型,确定所述第一X光图像中包含的每个物品归属的第一类别,及每个物品对应的预设数量的顶点的第一坐标;
根据所述每个物品归属的第一类别,及所述每个物品对应的预设数量的顶点的第一坐标,在所述第一X光图像中对所述每个物品进行标注。
2.如权利要求1所述的方法,其特征在于,所述将待检测的第一X光图像输入到预先训练完成的物品检测模型中之前,所述方法还包括:
对待检测的所述第一X光图像进行预处理;
所述将待检测的第一X光图像输入到预先训练完成的物品检测模型中包括:
将预处理后的所述第一X光图像,输入到所述物品检测模型中。
3.如权利要求1所述的方法,其特征在于,基于神经网络的所述物品检测模型的训练过程包括:
针对训练集中的每个第二X光图像,获取所述第二X光图像中被人工标记的每个物品对应的预设数量的顶点的第二坐标,及每个物品归属的第二类别;
根据获取的所述第二X光图像中每个物品对应的预设数量的顶点的第二坐标,及每个物品归属的第二类别,及将所述第二X光图像输入到物品检测模型中,获取每个物品对应的预设数量的顶点的第三坐标和每个物品归属的第三类别,对所述物品检测模型进行迭代训练,并对所述物品检测模型中保存的初始权重参数文件进行迭代训练。
4.如权利要求3所述的方法,其特征在于,所述将所述第二X光图像输入到物品检测模型中,获取每个物品对应的预设数量的顶点的第三坐标和每个物品归属的第三类别包括:
所述物品检测模型识别所述第二X光图像中的每个物品及每个物品归属的第三类别;
针对每个物品,根据所述物品归属的第三类别,在权重参数文件中确定该第三类别的物品对应的预设数量的顶点的坐标权重;根据该第三类别预设数量的顶点的坐标权重,确定该第三类别的物品每个顶点的坐标偏移系数;根据预设数量的顶点的初始坐标,及该第三类别的物品每个顶点的坐标偏移系数,确定归属该第三类别的该物品对应的预设数量的顶点的第三坐标。
5.如权利要求3或4所述的方法,其特征在于,所述对所述物品检测模型进行迭代训练,并对所述物品检测模型中保存的初始权重参数文件进行迭代训练包括:
针对所述第二X光图像中每个物品对应的预设数量的顶点的第三坐标和第二坐标、每个物品归属的第三类别和第二类别,及所述物品检测模型中的损失函数,确定对应的损失函数输出值;
判断所述损失函数输出值是否小于预设值;
如果否,通过神经网络反向传播计算,对物品检测模型中保存的所述权重参数文件中该物品归属的第三类别的预设数量的顶点的坐标权重进行更新;
如果是,确定迭代训练过程结束。
6.一种X光图像检测装置,其特征在于,所述装置包括:
输入模块,用于将待检测的第一X光图像输入到预先训练完成的物品检测模型中,其中所述物品检测模型中保存有经过神经网络训练完成的权重参数文件,所述权重参数文件中包括预测不同类别的物品时,预设数量的顶点对应的坐标权重,其中所述预设数量为至少四个;
检测模块,用于基于所述物品检测模型,确定所述第一X光图像中包含的每个物品归属的第一类别,及每个物品对应的预设数量的顶点的第一坐标;
标注模块,用于根据所述每个物品归属的第一类别,及所述每个物品对应的预设数量的顶点的第一坐标,在所述第一X光图像中对所述每个物品进行标注。
7.如权利要求6所述的装置,其特征在于,所述装置还包括:
预处理模块,用于待检测的第一X光图像输入到预先训练完成的物品检测模型中之前,对待检测的所述第一X光图像进行预处理;
所述输入模块,具体用于将预处理后的所述第一X光图像,输入到所述物品检测模型中。
8.如权利要求6所述的装置,其特征在于,所述装置还包括:
训练模块,用于针对训练集中的每个第二X光图像,获取所述第二X光图像中被人工标记的每个物品对应的预设数量的顶点的第二坐标,及每个物品归属的第二类别;根据获取的所述第二X光图像中每个物品对应的预设数量的顶点的第二坐标,及每个物品归属的第二类别,及将所述第二X光图像输入到物品检测模型中,获取每个物品对应的预设数量的顶点的第三坐标和每个物品归属的第三类别,对所述物品检测模型进行迭代训练,并对所述物品检测模型中保存的初始权重参数文件进行迭代训练。
9.如权利要求8所述的装置,其特征在于,所述训练模块,具体用于所述物品检测模型识别所述第二X光图像中的每个物品及每个物品归属的第三类别;针对每个物品,根据所述物品归属的第三类别,在权重参数文件中确定该第三类别的物品对应的预设数量的顶点的坐标权重;根据该第三类别预设数量的顶点的坐标权重,确定该第三类别的物品每个顶点的坐标偏移系数;根据预设数量的顶点的初始坐标,及该第三类别的物品每个顶点的坐标偏移系数,确定归属该第三类别的该物品对应的预设数量的顶点的第三坐标。
10.如权利要求8或9所述的装置,其特征在于,所述训练模块,具体针对所述第二X光图像中每个物品对应的预设数量的顶点的第三坐标和第二坐标、每个物品归属的第三类别和第二类别,及所述物品检测模型中的损失函数,确定对应的损失函数输出值;判断所述损失函数输出值是否小于预设值;如果否,通过神经网络反向传播计算,对物品检测模型中保存的所述权重参数文件中该物品归属的第三类别的预设数量的顶点的坐标权重进行更新;如果是,确定迭代训练过程结束。
11.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-5任一项所述的方法步骤。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-5任一项所述的方法步骤。
CN201711031545.9A 2017-10-27 2017-10-27 一种x光图像检测方法、装置、电子设备及存储介质 Active CN107833209B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711031545.9A CN107833209B (zh) 2017-10-27 2017-10-27 一种x光图像检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711031545.9A CN107833209B (zh) 2017-10-27 2017-10-27 一种x光图像检测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN107833209A CN107833209A (zh) 2018-03-23
CN107833209B true CN107833209B (zh) 2020-05-26

Family

ID=61650965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711031545.9A Active CN107833209B (zh) 2017-10-27 2017-10-27 一种x光图像检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN107833209B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108427941B (zh) * 2018-04-08 2020-06-02 百度在线网络技术(北京)有限公司 用于生成人脸检测模型的方法、人脸检测方法和装置
CN108509929A (zh) * 2018-04-08 2018-09-07 百度在线网络技术(北京)有限公司 用于生成人脸检测模型的方法、人脸检测方法和装置
CN109446888A (zh) * 2018-09-10 2019-03-08 唯思科技(北京)有限公司 一种基于卷积神经网络的细长类物品检测方法
CN109884721A (zh) * 2018-12-10 2019-06-14 深圳极视角科技有限公司 基于人工智能的安检违禁物品检测方法、装置及电子设备
CN109754009B (zh) * 2018-12-29 2021-07-13 北京沃东天骏信息技术有限公司 物品识别方法、装置、售货系统和存储介质
CN109961029A (zh) * 2019-03-15 2019-07-02 Oppo广东移动通信有限公司 一种危险物品检测方法、装置及计算机可读存储介质
CN109977877B (zh) * 2019-03-28 2021-03-16 北京邮电大学 一种安检智能辅助判图方法、系统以及系统控制方法
CN110276287A (zh) * 2019-06-17 2019-09-24 百度在线网络技术(北京)有限公司 车位检测方法、装置、计算机设备以及存储介质
CN110794466A (zh) * 2019-07-16 2020-02-14 中云智慧(北京)科技有限公司 一种x光机图片采集辅助装置和处理方法
CN112287908B (zh) * 2020-12-24 2021-08-10 成都智元汇信息技术股份有限公司 一种基于人工智能的安检快速图片识别方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102201118A (zh) * 2010-12-30 2011-09-28 天津大学 应用于轮胎x光图像胎冠部位带束层边界定位方法
CN104574429A (zh) * 2015-02-06 2015-04-29 北京明兰网络科技有限公司 全景图漫游中交互热点的自动选取方法
CN104680557A (zh) * 2015-03-10 2015-06-03 重庆邮电大学 视频序列图像中的异常行为智能检测方法
CN104881681A (zh) * 2015-05-22 2015-09-02 浙江大学 基于混合图模型的图像序列类别标注方法
EP2960869A3 (en) * 2014-06-25 2016-04-06 Nuctech Company Limited Ct system for security check and method thereof
CN105631479A (zh) * 2015-12-30 2016-06-01 中国科学院自动化研究所 基于非平衡学习的深度卷积网络图像标注方法及装置
CN106157375A (zh) * 2016-07-06 2016-11-23 南京大学 一种三维模型部件类别自动标注方法
CN106895824A (zh) * 2017-01-24 2017-06-27 国网四川省电力公司检修公司 基于计算机视觉的无人机定位方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9558426B2 (en) * 2014-04-24 2017-01-31 Nant Holdings Ip, Llc Robust feature identification for image-based object recognition

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102201118A (zh) * 2010-12-30 2011-09-28 天津大学 应用于轮胎x光图像胎冠部位带束层边界定位方法
EP2960869A3 (en) * 2014-06-25 2016-04-06 Nuctech Company Limited Ct system for security check and method thereof
CN104574429A (zh) * 2015-02-06 2015-04-29 北京明兰网络科技有限公司 全景图漫游中交互热点的自动选取方法
CN104680557A (zh) * 2015-03-10 2015-06-03 重庆邮电大学 视频序列图像中的异常行为智能检测方法
CN104881681A (zh) * 2015-05-22 2015-09-02 浙江大学 基于混合图模型的图像序列类别标注方法
CN105631479A (zh) * 2015-12-30 2016-06-01 中国科学院自动化研究所 基于非平衡学习的深度卷积网络图像标注方法及装置
CN106157375A (zh) * 2016-07-06 2016-11-23 南京大学 一种三维模型部件类别自动标注方法
CN106895824A (zh) * 2017-01-24 2017-06-27 国网四川省电力公司检修公司 基于计算机视觉的无人机定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CBS安检图像中人体携带物特征提取与形状识别;戴维迪等;《核电子学与探测技术》;20150731;第35卷(第7期);全文 *

Also Published As

Publication number Publication date
CN107833209A (zh) 2018-03-23

Similar Documents

Publication Publication Date Title
CN107833209B (zh) 一种x光图像检测方法、装置、电子设备及存储介质
US9349076B1 (en) Template-based target object detection in an image
CN107358149B (zh) 一种人体姿态检测方法和装置
CN109117831B (zh) 物体检测网络的训练方法和装置
CN108229301B (zh) 眼睑线检测方法、装置和电子设备
CN107067003B (zh) 感兴趣区域边界的提取方法、装置、设备和计算机存储介质
TWI704527B (zh) 車輛損傷識別的處理方法、處理裝置、處理設備、客戶端裝置及處理系統
CN111582021A (zh) 场景图像中的文本检测方法、装置及计算机设备
US20200026936A1 (en) Vehicle lamp detection methods and apparatuses, methods and apparatuses for implementing intelligent driving, media and devices
CN107784281A (zh) 人脸检测方法、装置、设备及计算机可读介质
CN105740751A (zh) 一种目标检测与识别的方法和系统
CN111062413A (zh) 一种道路目标检测方法、装置、电子设备及存储介质
CN111242852A (zh) 边界感知对象移除和内容填充
CN102272774B (zh) 用于提供面部姿态估计的方法、装置和计算机程序产品
CN109544516B (zh) 图像检测方法及装置
CN106600955A (zh) 检测交通状态的方法、装置和电子设备
CN103837135B (zh) 工件检测方法及其系统
CN108229658A (zh) 基于有限样本的物体检测器的实现方法及装置
CN111127503A (zh) 检测车辆轮胎的花纹的方法、设备和存储介质
CN108038863B (zh) 图像分割方法及装置
US10572760B1 (en) Image text localization
Li et al. Gated Auxiliary Edge Detection Task for Road Extraction With Weight-Balanced Loss
CN110135464B (zh) 一种图像处理方法、装置、电子设备及存储介质
CN110222652B (zh) 行人检测方法、装置及电子设备
US20200074665A1 (en) Object detection method, device, apparatus and computer-readable storage medium

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