CN108802840A - 基于人工智能深度学习的自动识别物体的方法及其装置 - Google Patents
基于人工智能深度学习的自动识别物体的方法及其装置 Download PDFInfo
- Publication number
- CN108802840A CN108802840A CN201810551326.1A CN201810551326A CN108802840A CN 108802840 A CN108802840 A CN 108802840A CN 201810551326 A CN201810551326 A CN 201810551326A CN 108802840 A CN108802840 A CN 108802840A
- Authority
- CN
- China
- Prior art keywords
- conveyer belt
- deep learning
- article
- belt
- artificial intelligence
- 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.)
- Granted
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 31
- 238000013136 deep learning model Methods 0.000 claims abstract description 30
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 230000006698 induction Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000007723 transport mechanism Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000001681 protective effect Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 14
- 238000007689 inspection Methods 0.000 abstract description 5
- 230000009466 transformation Effects 0.000 description 12
- 238000001514 detection method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000001131 transforming effect Effects 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G01V5/22—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种基于人工智能深度学习的自动识别物体的方法及其装置,其中方法主要包括:由设置在物品识别区域不同方位的X光机采集得到待识别物品的X光图像;将采集得到的各个方位的X光图像同时输入预设的深度学习模型,以提取X光图像中对应的待识别物品的多维度数据;将多维度数据进行融合,生成多维度数据对应的数据特征;由数据特征中分别提取得到分类特征和位置特征;计算分类特征的置信度值,并将置信度值大于预设的最小值的分类特征和相应的位置特征组合作为识别结果输出。其利用交叉成像和预设的深度学习模型,将多维采集的图像合成一路复合图像,大幅提高了违禁品的识别率,避免漏检,且实现了安检的全自动化进行。
Description
技术领域
本发明涉及安检物体识别技术领域,特别涉及一种基于人工智能深度学习的自动识别物体的方法及其装置。
背景技术
安检机,又名安检仪,包括安检X光机,行李安检机,通道式X光机,物检X光机,X射线安检仪,X光行李安检机,X射线检测仪,X射线异物检测机,X光安检机,X光行包检测仪,三品检测仪,三品检查机,三品检查仪,查危仪。
安检机广泛应用于机场、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。目前安检系统,采用的主要技术是单一成像,人工判读的办法,该方法存在效率低下、召回率较低、漏检率较高、人力成本高等多方面问题,导致安检效果不佳,安全性差。
针对上述缺陷,专利申请号为201711126618.2的中国专利《安检检测方法、装置、系统及电子设备》中采用了将待识别物品的X光图像利用预设的深度学习模型提取对应的待检测物品的物品特征,利用基于预设的深度学习模型训练的分类器对物品特征进行识别,生成对应待检测物的识别结果,实现了对违禁品的自动识别检测,达到了在提高了识别效率的同时,有效保证了对违禁品识别的准确性,预防了安全隐患的发生的技术效果。但是在这一技术方案中虽然利用了深度学习模型实现了对违禁品的自动检测和识别,但是在这一方案中仅在一个角度上设置了X光机,但是鉴于物品放置的角度的不同,对于不同的物品在同一角度上得到的图像并无区别,例如对于一把刀,如果它是平面放置,在上方拍摄得到的图像就是一把刀的样子,而当同一把刀竖直放置时,在上方拍摄得到的图像则是一条直线,和一个棍子基本相同,因而使用上述专利公开的技术方案仍然存在检测和识别错误的风险,准确率并不高。
发明内容
本发明的一个目的是解决至少上述问题,并提供至少后面将说明的优点。
本发明还有一个目的是提供一种基于人工智能深度学习的自动识别物体的方法,大幅提高了违禁品的识别率,避免漏检,且实现了安检的全自动化进行。
为了实现根据本发明的这些目的和其它优点,提供了一种基于人工智能深度学习的自动识别物体的方法,主要包括以下步骤:
步骤1、由设置在物品识别区域不同方位的X光机采集得到待识别物品的X光图像;
步骤2、将采集得到的各个方位的X光图像同时输入预设的深度学习模型,以提取所述X光图像中对应的待识别物品的多维度数据;
步骤3、将步骤2得到的多维度数据进行融合,生成多维度数据对应的数据特征;
步骤4、由步骤3得到的数据特征中分别提取得到分类特征和位置特征;
步骤5、计算步骤4得到的分类特征的置信度值,并将置信度值大于预设的最小值的分类特征和相应的位置特征组合作为识别结果输出。
优选的是,所述的基于人工智能深度学习的自动识别物体的方法中,至少在所述物品识别区域的顶部和一侧设置有X光机,且设置的所述X光机均位于同一横切面上。
优选的是,所述的基于人工智能深度学习的自动识别物体的方法中,所述深度学习模型为基于卷积神经网络的深度学习模型,且通过各种违禁品的样本数据训练得到。
优选的是,所述的基于人工智能深度学习的自动识别物体的方法中,所述步骤3中对多维度数据的融合依据所述数据特征的特征价值;
其中,所述特征价值在给定目标位置后由所述深度学习模型自动确定。
优选的是,所述的基于人工智能深度学习的自动识别物体的方法中,所述特征价值通过特征向量进行表示。
优选的是,所述的基于人工智能深度学习的自动识别物体的方法中,所述步骤1中还需对得到的X光图像进行图像归一化处理和预处理。
一种基于人工智能深度学习的自动识别物体的装置,包括:
第一传送机构,其包括机架、第一传送带和驱动电机;所述第一传送带架设在所述机架上方;所述驱动电机设置在所述第一传送带的下方,并驱动所述第一传送带运动;
识别机构,其包括主机和至少两台X光机;所述X光机分别设置于所述第一传送带的上方和侧方,以对所述第一传送带上的物品进行识别;所述主机内内置有深度学习模型和与所述深度学习模型相连接的分析模块,所述深度学习模型连接于所述X光机,以提取所述X光机拍摄的X光图像中对应的待识别物品的数据特征,并将所述数据特征发送至所述分析模块进行分析处理,以得到识别结果;
防护机构,其包括防护罩和防护帘;所述防护罩设置为两端具有开口的拱形的罩体,所述罩体扣合在所述第一传送带上,并使边缘连接于所述机架,所述防护帘设置于所述罩体两端的开口上,以使所述罩体、防护帘和第一传送带组成一个用于物品识别的密闭空间。
优选的是,所述的基于人工智能深度学习的自动识别物体的装置中,还包括:
第二传送机构,其包括第二传送带、第三传送带和升降台;所述第二传送带相对地面呈35-50°倾斜,所述第二传送带的较高一端与所述第一传送带位于同一水平面上,且所述第二传送带的较高一端与所述第一传送带的入口端相距8-15cm;沿所述第二传送带的宽边方向,在所述第二传送带上逐行竖直设置有限位柱,每行所述限位柱的底部均设置有弹簧,以使所述限位柱在受到向下的外力挤压时收缩至所述第二传送带内,并在无外力作用时凸出于所述第二传送带的表面;所述第三传送带相对地面呈15-35°倾斜,所述第三传送带的较高一端连接于所述第一传送带的出口端,较低一端连接升降台的一端;所述升降台设置为水平的平台,所述平台的底部设置有重量感应器,所述重量感应器的下方设置有可伸缩的伸缩轴,以将所述平台撑离地面,所述重量感应器在感应到平台上的重量超过所述重量感应器内设置的重量上限时,控制所述伸缩轴收缩,以使所述平台降低至靠近地面;
另外,相邻两行所述限位柱间间距20-40cm;所述限位柱在无外力作用时凸出于所述第二传送带的表面的高度为8-15cm。
优选的是,所述的基于人工智能深度学习的自动识别物体的装置中,所述第一传送带包括主传送带和分支传送带;所述主传送带设置在所述机架的中部,且使所述X光机分别位于所述主传送带的上方和侧方;所述分支传送带分别设置在所述主传送带的两端,并与所述主传送带传送方向相同;所述主传送带和分支传送带的连接端以及所述分支传送带远离所述主传送带的一端的顶部和底部分别设置有相互配合的红外发射器和红外接收器,位于所述第一传送带的入口端的两个红外接收器和位于所述第一传送带的出口端的两个红外接收器分别连接于所述X光机,并在所述入口端和出口端分别至少有一个红外接收器能够接收到相应的红外发射器发射的红外线时,所述X光机开启;
所述防护帘包括第一防护帘和第二防护帘;所述第一防护帘分别设置于所述分支传送带远离所述主传送带的一端,所述第二防护帘分别设置于所述主传送带的两端。
优选的是,所述的基于人工智能深度学习的自动识别物体的装置中,所述主传送带设置为透明传送带,所述X光机分别设置在所述透明传送带的上方、侧方和下方,且设置在所述透明传送带不同方位上的X光机均位于同一横切面上,以得到所述透明传送带上的物品在同一横切面上的至少三个维度上的图像。
本发明至少包括以下有益效果:
本发明通过在物品识别区域的不同方位设置X光机,用于采集待识别物品的X光图像,实现了对物品的交叉成像,避免了不同物品在同一角度形成同样的成像或者同一物品在不同角度形成不同的成像的问题,实现了通过多维采集物品图像,提高了物品识别的准确性。
通过预设的深度学习模型的使用,并将不同方位X光机拍摄的图像同时输入至深度学习模型内进行多维度图像的同时处理,使得对于常见的违禁物品均能准确的识别出来,避免了现有的单一成像后由肉眼进行识别的误差,较之现有的对于不同角度图像分别处理再融合的方法的准确率也得到了显著的提高,且在提高了物品识别的准确度的同时,节省了人工,降低了安检成本,还提高了安检的安全性。
通过将得到的待识别物品的数据特征分解为分类特征和位置特征,并对分类特征进行置信度值计算,而后排序进行筛选,利用了置信度网络和位置网络回归实际物品的位置,进一步确定了物品的准确位置。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明所述的基于人工智能深度学习的自动识别物体的方法的流程图一;
图2为本发明所述的基于人工智能深度学习的自动识别物体的方法的流程图二;
图3为本发明所述的基于人工智能深度学习的自动识别物体的方法的的流程图三;
图4为本发明所述的基于人工智能深度学习的自动识别物体的装置的结构图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
应当理解,本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
如图1和图2所示,本发明提供一种基于人工智能深度学习的自动识别物体的方法,主要包括以下步骤:
步骤1、由设置在物品识别区域不同方位的X光机采集得到待识别物品的X光图像;
步骤2、将采集得到的各个方位的X光图像同时输入预设的深度学习模型,以提取所述X光图像中对应的待识别物品的多维度数据;
步骤3、将步骤2得到的多维度数据进行融合,生成多维度数据对应的数据特征;
步骤4、由步骤3得到的数据特征中分别提取得到分类特征和位置特征;
步骤5、计算步骤4得到的分类特征的置信度值,并将置信度值大于预设的最小值的分类特征和相应的位置特征组合作为识别结果输出。
在上述方案中,通过在物品识别区域的不同方位设置X光机,用于采集待识别物品的X光图像,实现了对物品的交叉成像,避免了不同物品在同一角度形成同样的成像或者同一物品在不同角度形成不同的成像的问题,实现了通过多维采集物品图像,提高了物品识别的准确性。
通过预设的深度学习模型的使用,并将不同方位X光机拍摄的图像同时输入至深度学习模型内进行多维度图像的同时处理,使得对于常见的违禁物品均能准确的识别出来,避免了现有的单一成像后由肉眼进行识别的误差,较之现有的对于不同角度图像分别处理再融合的方法的准确率也得到了显著的提高,且在提高了物品识别的准确度的同时,节省了人工,降低了安检成本,还提高了安检的安全性。
通过将得到的待识别物品的数据特征分解为分类特征和位置特征,并对分类特征进行置信度值计算,而后排序进行筛选,利用了置信度网络和位置网络回归实际物品的位置,进一步确定了物品的准确位置。
其中,预设的最小值可以根据用户的实际需要进行设置,进而使得使用更加灵活方便。
一个优选方案中,至少在所述物品识别区域的顶部和一侧设置有X光机,且设置的所述X光机均位于同一横切面上。
在上述方案中,通过至少在物品识别区域的顶部和一侧设置X光机,且设置的X光机均位于同一横切面上,实现了获得待识别物品在同一方位的不同角度的至少二维的成像,即通过交叉成像的模式,避免了现有的双目等成像过程中对传感器、扫描距离等的严格要求,大大降低了识别装置在实际部署时的难度,且提高了物品识别的准确性,同时在多个方向上设置X光机可以实现对物品的环绕无死角多维成像,对于金属等穿透性弱的物品也可以保证识别的准确度。
一个优选方案中,所述深度学习模型为基于卷积神经网络的深度学习模型,且通过各种违禁品的样本数据训练得到。
在上述方案中,卷积神经网络是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现,因而基于卷积神经网络的深度学习模型对于X光图像的处理更加精确;深度学习模型通过各种违禁品的样本数据训练得到,且其中针对同一违禁品的样本数据选择多份,从而使得深度学习模型涵盖的违禁品图像全面且准确,便于提高识别的准确度。
一个优选方案中,所述步骤3中对多维度数据的融合依据所述数据特征的特征价值。
其中,所述特征价值在给定目标位置后由所述深度学习模型自动确定。
在上述方案中,根据数据特征的特征价值进行融合,即确定一个权重选择,然后根据确定的权重进行数据的融合,所述特征价值在给定目标位置后由所述深度学习模型自动确定,即实现了用户仅需给定监督信号,即感兴趣的目标位置后,模型则可以根据不同要求通过学习自动完成特征价值的确定,使得用户可以调节每个维度数据的重要性,对于物品的识别可以侧重于不同的角度。
如图3所示,一个优选方案中,所述特征价值通过特征向量进行表示。
在上述方案中,所述特征价值通过特征向量进行表示,其中,所述特征向量可以为待识别物品的尺寸的向量,即可实现对数据特征的融合依据待识别物品的尺寸由小到大进行。前级网络选择更小的目标物体,后级网络选择更大的物体,可以将小物体的更局部的信息和特征进行识别,而大物体的全局信息和特征把握更加准确,进而使得物品识别不受物品大小的限制,均能达到精确识别的目的。
一个优选方案中,所述步骤1中还需对得到的X光图像进行图像归一化处理和预处理。
在上述方案中,图像归一化是指对图像进行了一系列标准的处理变换,使之变换为一固定标准形式的过程,原始图像在经历一些处理或攻击后可以得到多种副本图像,这些图像在经过相同参数的图像归一化处理后能够得到相同形式的标准图像,图像归一化就是通过一系列变换(即利用图像的不变矩寻找一组参数使其能够消除其他变换函数对图像变换的影响),将待处理的原始图像转换成相应的唯一标准形式(该标准形式图像对平移、旋转、缩放等仿射变换具有不变特性。例如,基于矩的图像归一化技术,其基本工作原理为:首先利用图像中对仿射变换具有不变性的矩来确定变换函数的参数,然后利用此参数确定的变换函数把原始图像变换为一个标准形式的图像(该图像与仿射变换无关)。一般说来,基于矩的图像归一化过程包括4个步骤,即坐标中心化、x-shearing归一化、缩放归一化和旋转归一化。图像归一化使得图像可以抵抗几何变换的攻击,它能够找出图像中的那些不变量,从而得知这些图像原本就是一样的或者一个系列的。
图像预处理是对视频采集的图像进行必要的预处理,从而有助于进一步的识别。图像预处理包括:图像的复原和图像的变换等。对于图像的复原:在一些场合输入的图像很有可能是模糊不清的,也就是说存在噪声的影响,通常存在影响的因素是多方面的,如光线和天气条件的变化、角度不合适、同类型的字符和背景的细微差别等,因此要对图像进行复原。在不同的环境下对具体的图像的复原方法也不同,例如由于均匀直线运动而引起的复原,几何畸变复原等等;对于图像的变换:原始图像的数据一般比较大,对其进行处理的时间一般也较长,而由于实时性的要求,提取需要一次处理性就能把绝大多数特征提取出来,而尽可能的不要利用后面的结果来调整这一步的工作,因此要从一整幅图像中提取出信息,必须抓住信息的最主要特征,利用它来提取信息。
可见,通过对X光图像进行归一化处理和预处理,能够使得图像清晰度更高,且对于后续图像的识别效率更高,同时使得图像识别更加准确。
一种基于人工智能深度学习的自动识别物体的装置,包括:第一传送机构,其包括机架1、第一传送带2和驱动电机3;所述第一传送带2架设在所述机架1上方;所述驱动电机3设置在所述第一传送带2的下方,并驱动所述第一传送带2运动。
识别机构,其包括主机4和至少两台X光机5;所述X光机5分别设置于所述第一传送带2的上方和侧方,以对所述第一传送带2上的物品进行识别;所述主机4内内置有深度学习模型和与所述深度学习模型相连接的分析模块,所述深度学习模型连接于所述X光机5,以提取所述X光机5拍摄的X光图像中对应的待识别物品的数据特征,并将所述数据特征发送至所述分析模块进行分析处理,以得到识别结果。
防护机构,其包括防护罩6和防护帘7;所述防护罩6设置为两端具有开口的拱形的罩体,所述罩体扣合在所述第一传送带2上,并使边缘连接于所述机架1,所述防护帘7设置于所述罩体两端的开口上,以使所述罩体、防护帘和第一传送带2组成一个用于物品识别的密闭空间。
在上述方案中,待识别物品经由第一传送带传送,X光机获取物品的X光图像,并交由深度学习模型进行处理,深度学习模型将待识别物品的数据特征发送至分析模块,分析模块处理后生成识别结果,其中X光机设置不少于两台,且位于不同的角度,实现了对同一物品在不同角度上的X光图像的获取,即实现了交叉成像,使得物品的识别更加准确。同时,罩体和防护帘的设置使得X光不会露出,从而保证了装置周围用户不受X光照射,保证了装置的使用安全。
一个优选方案中,还包括:第二传送机构,其包括第二传送带8、第三传送带9和升降台10;所述第二传送带8相对地面呈35-50°倾斜,所述第二传送带8的较高一端与所述第一传送带2位于同一水平面上,且所述第二传送带8的较高一端与所述第一传送带2的入口端相距8-15cm;沿所述第二传送带8的宽边方向,在所述第二传送带8上逐行竖直设置有限位柱11,每行所述限位柱11的底部均设置有弹簧,以使所述限位柱11在受到向下的外力挤压时收缩至所述第二传送带8内,并在无外力作用时凸出于所述第二传送带8的表面;所述第三传送带9相对地面呈15-35°倾斜,所述第三传送带9的较高一端连接于所述第一传送带2的出口端,较低一端连接升降台10的一端;所述升降台10设置为水平的平台,所述平台的底部设置有重量感应器12,所述重量感应器12的下方设置有可伸缩的伸缩轴13,以将所述平台撑离地面,所述重量感应器12在感应到平台上的重量超过所述重量感应器12内设置的重量上限时,控制所述伸缩轴13收缩,以使所述平台降低至靠近地面。
另外,相邻两行所述限位柱11间间距20-40cm;所述限位柱11在无外力作用时凸出于所述第二传送带8的表面的高度为8-15cm。
在上述方案中,通过第二传送机构的设置,使得所述装置应用于大型较重物体,例如行李箱的识别时更为方便省力,其中第二传送带设置为倾斜的,使得用户在检测较重的物品时不需要将物品高举至检测平台上,而通过限位柱的设置,使得行李箱等放置在第二传送带上时,物品下方的限位柱因受到挤压而收缩至第二传送带内,而物品后方传送带上的限位柱仍旧凸出第二传送带的表面,从而对物品起到支撑作用,避免物品沿第二传送带的倾斜表面而滑落。通过第三传送带和升降台的设置,第三传送带的倾斜角度,使得物品更易滑落到升降台上,从而节省了能源,降低了使用成本,而升降台底部的重量感应器设置有阈值,使得在超出重量感应器阈值的物品落在升降台上后,伸缩轴能够收缩,使得升降台降低,从而便于用户将物品取下,使得用户使用更加方便,而在物品取下后,重量感应器感应的重量减小,则伸缩轴则会重新伸长使得升降台回到初始高度。
其中伸缩轴可为常见的两根空心杆体套设,连接液压泵的伸缩杆或者电机,在液压泵或者电机的驱动下,使得套设在另一根杆体内的杆体沿杆体内壁滑动,进而实现了杆体的伸长或缩短。
一个优选方案中,所述第一传送带2包括主传送带14和分支传送带15;所述主传送带14设置在所述机架1的中部,且使所述X光机5分别位于所述主传送带14的上方和侧方;所述分支传送带15分别设置在所述主传送带14的两端,并与所述主传送带14传送方向相同;所述主传送带14和分支传送带15的连接端以及所述分支传送带15远离所述主传送带14的一端的顶部和底部分别设置有相互配合的红外发射器和红外接收器,位于所述第一传送带2的入口端的两个红外接收器和位于所述第一传送带2的出口端的两个红外接收器分别连接于所述X光机5,并在所述入口端和出口端分别至少有一个红外接收器能够接收到相应的红外发射器发射的红外线时,所述X光机5开启。
所述防护帘7包括第一防护帘16和第二防护帘17;所述第一防护帘16分别设置于所述分支传送带15远离所述主传送带14的一端,所述第二防护帘17分别设置于所述主传送带14的两端。
在上述方案中,通过将第一传送带设置为主传送带和分支传送带,并在传送带的各个端部设置红外接收器和红外发射器,以及第一防护帘和第二防护帘,使得X光机仅在第一传送带两端防护帘至少有一层闭合时才会开启,进而避免了X光外泄,从而保证了周围人群的安全,提高了装置使用的安全性。
一个优选方案中,所述主传送带14设置为透明传送带,所述X光机5分别设置在所述透明传送带的上方、侧方和下方,且设置在所述透明传送带不同方位上的X光机5均位于同一横切面上,以得到所述透明传送带上的物品在同一横切面上的至少三个维度上的图像。
在上述方案中,主传送带设置为透明传送带,可以为透明的塑胶传送带,而后可在透明的传送带下方也设置X光机,通过各个角度X光机的设置,使得在同一横切面上获得至少3个维度的物品的图像,减少了因图像获取不全面而造成的漏检或错误识别,进而使得物品的识别更为准确。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (10)
1.一种基于人工智能深度学习的自动识别物体的方法,其中,主要包括以下步骤:
步骤1、由设置在物品识别区域不同方位的X光机采集得到待识别物品的X光图像;
步骤2、将采集得到的各个方位的X光图像同时输入预设的深度学习模型,以提取所述X光图像中对应的待识别物品的多维度数据;
步骤3、将步骤2得到的多维度数据进行融合,生成多维度数据对应的数据特征;
步骤4、由步骤3得到的数据特征中分别提取得到分类特征和位置特征;
步骤5、计算步骤4得到的分类特征的置信度值,并将置信度值大于预设的最小值的分类特征和相应的位置特征组合作为识别结果输出。
2.如权利要求1所述的基于人工智能深度学习的自动识别物体的方法,其中,至少在所述物品识别区域的顶部和一侧设置有X光机,且设置的所述X光机均位于同一横切面上。
3.如权利要求1所述的基于人工智能深度学习的自动识别物体的方法,其中,所述深度学习模型为基于卷积神经网络的深度学习模型,且通过各种违禁品的样本数据训练得到。
4.如权利要求1所述的基于人工智能深度学习的自动识别物体的方法,其中,所述步骤3中对多维度数据的融合依据所述数据特征的特征价值;
其中,所述特征价值在给定目标位置后由所述深度学习模型自动确定。
5.如权利要求4所述的基于人工智能深度学习的自动识别物体的方法,其中,所述特征价值通过特征向量进行表示。
6.如权利要求1所述的基于人工智能深度学习的自动识别物体的方法,其中,所述步骤1中还需对得到的X光图像进行图像归一化处理和预处理。
7.一种如权利要求1所述的基于人工智能深度学习的自动识别物体的装置,其中,包括:
第一传送机构,其包括机架、第一传送带和驱动电机;所述第一传送带架设在所述机架上方;所述驱动电机设置在所述第一传送带的下方,并驱动所述第一传送带运动;
识别机构,其包括主机和至少两台X光机;所述X光机分别设置于所述第一传送带的上方和侧方,以对所述第一传送带上的物品进行识别;所述主机内内置有深度学习模型和与所述深度学习模型相连接的分析模块,所述深度学习模型连接于所述X光机,以提取所述X光机拍摄的X光图像中对应的待识别物品的数据特征,并将所述数据特征发送至所述分析模块进行分析处理,以得到识别结果;
防护机构,其包括防护罩和防护帘;所述防护罩设置为两端具有开口的拱形的罩体,所述罩体扣合在所述第一传送带上,并使边缘连接于所述机架,所述防护帘设置于所述罩体两端的开口上,以使所述罩体、防护帘和第一传送带组成一个用于物品识别的密闭空间。
8.如权利要求7所述的基于人工智能深度学习的自动识别物体的装置,其中,还包括:
第二传送机构,其包括第二传送带、第三传送带和升降台;所述第二传送带相对地面呈35-50°倾斜,所述第二传送带的较高一端与所述第一传送带位于同一水平面上,且所述第二传送带的较高一端与所述第一传送带的入口端相距8-15cm;沿所述第二传送带的宽边方向,在所述第二传送带上逐行竖直设置有限位柱,每行所述限位柱的底部均设置有弹簧,以使所述限位柱在受到向下的外力挤压时收缩至所述第二传送带内,并在无外力作用时凸出于所述第二传送带的表面;所述第三传送带相对地面呈15-35°倾斜,所述第三传送带的较高一端连接于所述第一传送带的出口端,较低一端连接升降台的一端;所述升降台设置为水平的平台,所述平台的底部设置有重量感应器,所述重量感应器的下方设置有可伸缩的伸缩轴,以将所述平台撑离地面,所述重量感应器在感应到平台上的重量超过所述重量感应器内设置的重量上限时,控制所述伸缩轴收缩,以使所述平台降低至靠近地面;
另外,相邻两行所述限位柱间间距20-40cm;所述限位柱在无外力作用时凸出于所述第二传送带的表面的高度为8-15cm。
9.如权利要求7所述的基于人工智能深度学习的自动识别物体的装置,其中,所述第一传送带包括主传送带和分支传送带;所述主传送带设置在所述机架的中部,且使所述X光机分别位于所述主传送带的上方和侧方;所述分支传送带分别设置在所述主传送带的两端,并与所述主传送带传送方向相同;所述主传送带和分支传送带的连接端以及所述分支传送带远离所述主传送带的一端的顶部和底部分别设置有相互配合的红外发射器和红外接收器,位于所述第一传送带的入口端的两个红外接收器和位于所述第一传送带的出口端的两个红外接收器分别连接于所述X光机,并在所述入口端和出口端分别至少有一个红外接收器能够接收到相应的红外发射器发射的红外线时,所述X光机开启;
所述防护帘包括第一防护帘和第二防护帘;所述第一防护帘分别设置于所述分支传送带远离所述主传送带的一端,所述第二防护帘分别设置于所述主传送带的两端。
10.如权利要求9所述的基于人工智能深度学习的自动识别物体的装置,其中,所述主传送带设置为透明传送带,所述X光机分别设置在所述透明传送带的上方、侧方和下方,且设置在所述透明传送带不同方位上的X光机均位于同一横切面上,以得到所述透明传送带上的物品在同一横切面上的至少三个维度上的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810551326.1A CN108802840B (zh) | 2018-05-31 | 2018-05-31 | 基于人工智能深度学习的自动识别物体的方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810551326.1A CN108802840B (zh) | 2018-05-31 | 2018-05-31 | 基于人工智能深度学习的自动识别物体的方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108802840A true CN108802840A (zh) | 2018-11-13 |
CN108802840B CN108802840B (zh) | 2020-01-24 |
Family
ID=64089698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810551326.1A Active CN108802840B (zh) | 2018-05-31 | 2018-05-31 | 基于人工智能深度学习的自动识别物体的方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108802840B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109814166A (zh) * | 2018-12-29 | 2019-05-28 | 深圳市华讯方舟太赫兹科技有限公司 | 异物检测方法、安检设备及具有存储功能的装置 |
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 |
CN109946746A (zh) * | 2019-03-21 | 2019-06-28 | 长安大学 | 一种基于深度神经网络的安检系统及方法 |
CN110850493A (zh) * | 2019-10-24 | 2020-02-28 | 武汉艾崴科技有限公司 | 一种扫描成像机器视觉判图的线阵列高速安检机 |
CN110866478A (zh) * | 2019-11-06 | 2020-03-06 | 支付宝(杭州)信息技术有限公司 | 一种图像中对象的识别方法、装置和设备 |
CN111290040A (zh) * | 2020-03-12 | 2020-06-16 | 安徽启新明智科技有限公司 | 一种基于图像识别的主动式双视角关联的方法 |
CN111337989A (zh) * | 2020-03-20 | 2020-06-26 | 安徽启新明智科技有限公司 | 多级安检仪主动式双视角筛查的方法及装置 |
WO2020134848A1 (zh) * | 2018-12-28 | 2020-07-02 | 深圳市华讯方舟太赫兹科技有限公司 | 应用于毫米波安检仪的智能检测方法、装置以及存储装置 |
CN111539251A (zh) * | 2020-03-16 | 2020-08-14 | 重庆特斯联智慧科技股份有限公司 | 一种基于深度学习的安检物品识别方法和系统 |
CN111753707A (zh) * | 2020-06-19 | 2020-10-09 | 上海交通大学 | 颗粒状农作物不完善粒检测方法及系统 |
CN112580474A (zh) * | 2020-12-09 | 2021-03-30 | 云从科技集团股份有限公司 | 基于计算机视觉的目标对象检测方法、系统、设备及介质 |
CN113435759A (zh) * | 2021-07-01 | 2021-09-24 | 贵州电网有限责任公司 | 一种基于深度学习的一次设备风险智能评估方法 |
CN113792842A (zh) * | 2021-10-02 | 2021-12-14 | 华畤迪科技(无锡)有限公司 | 一种x光透视智能检测设备 |
CN113960687A (zh) * | 2020-07-03 | 2022-01-21 | 株式会社日立解决方案 | X射线图像处理装置及x射线图像处理方法 |
-
2018
- 2018-05-31 CN CN201810551326.1A patent/CN108802840B/zh active Active
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2020134848A1 (zh) * | 2018-12-28 | 2020-07-02 | 深圳市华讯方舟太赫兹科技有限公司 | 应用于毫米波安检仪的智能检测方法、装置以及存储装置 |
CN109814166A (zh) * | 2018-12-29 | 2019-05-28 | 深圳市华讯方舟太赫兹科技有限公司 | 异物检测方法、安检设备及具有存储功能的装置 |
CN109946746A (zh) * | 2019-03-21 | 2019-06-28 | 长安大学 | 一种基于深度神经网络的安检系统及方法 |
CN110850493A (zh) * | 2019-10-24 | 2020-02-28 | 武汉艾崴科技有限公司 | 一种扫描成像机器视觉判图的线阵列高速安检机 |
CN110866478A (zh) * | 2019-11-06 | 2020-03-06 | 支付宝(杭州)信息技术有限公司 | 一种图像中对象的识别方法、装置和设备 |
CN110866478B (zh) * | 2019-11-06 | 2022-04-29 | 支付宝(杭州)信息技术有限公司 | 一种图像中对象的识别方法、装置和设备 |
CN111290040A (zh) * | 2020-03-12 | 2020-06-16 | 安徽启新明智科技有限公司 | 一种基于图像识别的主动式双视角关联的方法 |
CN111539251A (zh) * | 2020-03-16 | 2020-08-14 | 重庆特斯联智慧科技股份有限公司 | 一种基于深度学习的安检物品识别方法和系统 |
CN111539251B (zh) * | 2020-03-16 | 2021-03-19 | 重庆特斯联智慧科技股份有限公司 | 一种基于深度学习的安检物品识别方法和系统 |
CN111337989A (zh) * | 2020-03-20 | 2020-06-26 | 安徽启新明智科技有限公司 | 多级安检仪主动式双视角筛查的方法及装置 |
CN111753707A (zh) * | 2020-06-19 | 2020-10-09 | 上海交通大学 | 颗粒状农作物不完善粒检测方法及系统 |
CN113960687A (zh) * | 2020-07-03 | 2022-01-21 | 株式会社日立解决方案 | X射线图像处理装置及x射线图像处理方法 |
CN112580474A (zh) * | 2020-12-09 | 2021-03-30 | 云从科技集团股份有限公司 | 基于计算机视觉的目标对象检测方法、系统、设备及介质 |
CN112580474B (zh) * | 2020-12-09 | 2021-09-24 | 云从科技集团股份有限公司 | 基于计算机视觉的目标对象检测方法、系统、设备及介质 |
CN113435759A (zh) * | 2021-07-01 | 2021-09-24 | 贵州电网有限责任公司 | 一种基于深度学习的一次设备风险智能评估方法 |
CN113792842A (zh) * | 2021-10-02 | 2021-12-14 | 华畤迪科技(无锡)有限公司 | 一种x光透视智能检测设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108802840B (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108802840A (zh) | 基于人工智能深度学习的自动识别物体的方法及其装置 | |
CN106845372B (zh) | 一种星载遥感光学图像的船舶目标检测识别方法和系统 | |
CN106548182B (zh) | 基于深度学习和主成因分析的路面裂纹检测方法及装置 | |
Al Bashish et al. | Detection and classification of leaf diseases using K-means-based segmentation and | |
CN110220917A (zh) | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 | |
Garcia-Pulido et al. | Recognition of a landing platform for unmanned aerial vehicles by using computer vision-based techniques | |
CN105930848B (zh) | 基于sar-sift特征的sar图像目标识别方法 | |
CN108038846A (zh) | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统 | |
CN109308483A (zh) | 基于卷积神经网络的双源图像特征提取及融合识别方法 | |
CN109299659A (zh) | 一种基于rgb相机和深度学习的人体姿态识别方法与系统 | |
Mery | Inspection of complex objects using multiple-X-ray views | |
CN109948415A (zh) | 基于背景过滤和尺度预测的光学遥感图像目标检测方法 | |
CN108256436A (zh) | 一种基于联合分类的雷达hrrp目标识别方法 | |
CN107464252A (zh) | 一种基于混合特征的可见光与红外异源图像识别方法 | |
CN103400156A (zh) | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 | |
CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN103903013A (zh) | 一种无标记平面物体识别的优化算法 | |
CN105138983B (zh) | 基于加权部件模型和选择性搜索分割的行人检测方法 | |
CN106054189B (zh) | 基于dpKMMDP模型的雷达目标识别方法 | |
Uluişik et al. | Image processing based machine vision system for tomato volume estimation | |
CN109949229A (zh) | 一种多平台多视角下的目标协同检测方法 | |
CN106919895A (zh) | 用于运动目标的跟踪方法和系统 | |
CN108121972A (zh) | 一种局部遮挡条件下的目标识别方法 | |
CN103116740B (zh) | 一种水下目标识别方法及其装置 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |