CN109977877B - 一种安检智能辅助判图方法、系统以及系统控制方法 - Google Patents
一种安检智能辅助判图方法、系统以及系统控制方法 Download PDFInfo
- Publication number
- CN109977877B CN109977877B CN201910243249.8A CN201910243249A CN109977877B CN 109977877 B CN109977877 B CN 109977877B CN 201910243249 A CN201910243249 A CN 201910243249A CN 109977877 B CN109977877 B CN 109977877B
- Authority
- CN
- China
- Prior art keywords
- image
- relative position
- images
- article
- contour
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000007689 inspection Methods 0.000 title claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 37
- 230000011218 segmentation Effects 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000004141 dimensional analysis Methods 0.000 claims abstract description 10
- 239000003086 colorant Substances 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 230000000295 complement effect Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000011111 cardboard Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 239000010985 leather Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种安检智能辅助判图方法、系统以及系统控制方法,包括:基于图像颜色阈值对X光机多角度扫描获取的原始图像进行分类,基于边缘提取算法对分类后的原始图像做分割处理,实现图像中所有物品的初步提取;基于深度学习算法中的对抗生成网络,补全分割处理后的所有物品的图像的轮廓;利用X光机多角度扫描获取的多张原始图像和补全轮廓后的物品图像,采用三维分析方法,获取所有物品实际的相对位置信息;结合已获取的物品补全轮廓后的图像以及物品实际的相对位置信息,按物品的相对位置分层展现物品的图像。本发明普适性强,辅助人工进行识别和判断,减轻人工识别的工作量,提高识别的准确率。
Description
技术领域
本发明属于检测技术领域,尤其涉及一种安检智能辅助判图方法、系统以及系统控制方法。
背景技术
近年来,我国在安防领域的投入越来越多,公共场所安检级别越来越高。目前,X射线安检技术的非接触式安检设备是应用最广泛的工具,被大量应用在物流领域,交通枢纽和一些人员较为密集的公共场所。
X射线是一种可以穿透木材、纸板、皮革等不透明物体的电磁波。通过X射线源所发射的X射线束穿过位于传送带上的被检测物体时部分会被吸收,X射线安检仪能根据物体对X射线的吸收程度,在荧屏上呈现不同颜色的影像以供安检操作员识别和判断。目前X射线安检设备的发展已经比较成熟,市场上主流的安检设备是双能X射线安检设备,其不仅可以显示被检测物体的透射图像,还可以得到图像中物体的原子序数或等效原子序数,对各种有机物,无机物,混合物用不同颜色进行有效标记,进一步让物体的属性更加直观,从而有效降低直观识别难度。
对于X射线安检设备,安检工作高度依赖人工,主要是依靠安检员。安检工作高度依赖人工,主要是依靠安检员观察X射线安检仪上的图像,进而判断是否有危险物品。人流量大会给安检人员的正确判断带来极大考验,若出现错判导致开包检查,会带来不便;反之出现漏判,又可能造成安全隐患。
现有技术中,基于数字图像处理的违禁物品检测系统及方法主要包括:一、CN109187598A,发明名称为:基于数字图像处理的违禁物品检测系统及方法:通过引入数字图像处理的方法来对安检机中物品的X光扫描图像进行分析处理,自动检测和识别其中的违禁物品,并对不同的违禁物品进行分别标记,如果检测到违禁物品,会进行声光报警。该方案人工成本高;目前的基于X射线安检机的危险物品的识别主要以人工识别为主,尤其在人流密集的机场、地铁等需安检的场所,增加了安检人员的工作量。
二、CN109211951A,发明名称为一种基于图像分割的安检系统及安检方法:通过X光图像能够确认行李中是否存在违禁物品,根据常规图像和监控视频能够确定携带装有违禁物品的行李的目标对象。该方案准确率不高;在识别过程中物品图像会出现混叠、复杂、难以辨认等情况,容易漏判误判。
发明内容
本发明基于安检机的危险物品的识别主要以人工识别为主的识别方式,该识别方式要对工作人员进行培训,工作人员也必须高度集中盯着屏幕,工作强度非常大,且乘客箱包内物品种类繁多且互相遮挡,虽然X光安检仪器具有穿透性,但是生成的影像仍然遮挡严重,某些物品轮廓不清,增加安检员判图难度,并降低了安检员的判图效率技术问题,考虑到公共区域人员及财产的安全性,飞机场、火车站、地铁等人员密集区域都安装了安检仪器,随着物流业的发展,快递物品也需在集散中心进行安全检测的情况,本发明提供了一种安检智能辅助判图方法、系统以及系统控制方法,目的在于提供一种能够减轻安检判图员工作强度,并提升物品识别准确率的智能辅助判图方法、系统及系统控制方法。
为达到上述目的,本发明通过以下技术方案来具体实现:
本发明提供了一种安检智能辅助判图方法,包括:
基于图像颜色阈值对X光机多角度扫描获取的原始图像进行分类,基于边缘提取算法对分类后的原始图像做分割处理,实现图像中所有物品的初步提取;
基于深度学习算法中的对抗生成网络,补全分割处理后的所有物品的图像的轮廓;
利用X光机多角度扫描获取的多张原始图像和补全轮廓后的物品图像,采用三维分析方法,获取所有物品实际的相对位置信息;
结合已获取的物品补全轮廓后的图像以及物品实际的相对位置信息,按物品的相对位置分层展现物品的图像。
进一步的,基于图像颜色阈值对X光机多角度扫描获取的原始图像进行分类的步骤包括:
根据X光机多角度扫描获取的原始图像的颜色通道RGB信息,对颜色通道RGB信息中不同颜色的物体进行分类;或
基于HSV色彩空间和YCBCR色彩空间对物品进行分类;或
基于深度学习方法对物品进行分类。
进一步的,根据X光机多角度扫描获取的原始图像的颜色通道 RGB信息,对颜色通道RGB信息中不同颜色的物体进行分类的步骤包括:
当R(红)通道值大于G(绿)并且R(红)通道值大于B(蓝),提取出R(红)通道的图像;当G(绿)通道值大于R(红)并且G(绿) 通道值大于B(蓝),提取出G(绿)通道的图像;当B(蓝)通道值大于R(红)并且B(蓝)通道值大于G(绿),提取出B(蓝)通道的图像。
进一步的,基于边缘提取算法对分类后的原始图像做分割处理的步骤包括:
利用缘提取算法中的Canny算子分别对颜色通道RGB信息中的R (红)通道图像、G(绿)通道图像和B(蓝)通道图像做边缘检测。
进一步的,Canny算子的计算过程包括:
利用高斯滤波器平滑图像,去掉图像上的噪声;
计算去掉噪声图像上的一阶差分偏导计算梯度值和方向,对梯度值不是极值的点,全部取值为0;
通过双阈值连接图像上的联通点,双阈值为t1和t2,t1<=t2,大于t2的点为边缘,小于t1的点不是边缘,处于t1和t2之间的点,通过已确定的边缘点,在八邻域方向进行扩展,可达的是边缘,不可达的点不是边缘。
进一步的,基于深度学习算法中的对抗生成网络,补全分割处理后的所有物品的图像的轮廓的步骤包括:
从图像的轮廓数据集及训练对抗生成网络中的补全轮廓网络,此补全轮廓网络可以判别生成的补全轮廓是否相还原真实物品轮廓,若网络可还原真实轮廓,则判为真值,生成补全轮廓后的物品图像,反之则继续在网络中训练;
以分割出来的物品图像作为对抗生成网络中补全轮廓网络的输入,补全轮廓网络将输出补全轮廓后的物品图像;
进一步的,采用三维分析方法,获取所有物品实际的相对位置信息的步骤包括:
利用双能X射线安检仪中两个互相垂直扫描角度所延伸的方向确定物品实际的相对位置信息。
进一步的,结合已获取的物品补全轮廓后的图像以及物品实际的相对位置信息,按物品的相对位置分层展现物品的图像的步骤包括:
获取物品位置信息的多视角图像处理模块和物品图像及实际相对位置展示模块相结合,保证物体之间相对位置不变,将物品相对位置分区域分层次按照X方向和Y方向依次展现出来。
本发明还提供了一种安检智能辅助判图系统,包括:物品分割模块、物品轮廓补全模块、多视角图像处理模块和相对位置展示模块;
物品分割模块,用于基于图像颜色阈值对X光机多角度扫描获取的原始图像进行分类,基于边缘提取算法对分类后的原始图像做分割处理,实现图像中所有物品的初步提取;
物品轮廓补全模块,用于基于深度学习算法中的对抗生成网络,补全分割处理后的所有物品的图像的轮廓;
多视角图像处理模块,用于利用X光机多角度扫描获取的多张原始图像和补全轮廓后的物品图像,采用三维分析方法,获取所有物品实际的相对位置信息;
相对位置展示模块,用于结合已获取的物品补全轮廓后的图像以及物品实际的相对位置信息,按物品的相对位置分层展现物品的图像。
本发明还提供了一种安检智能辅助判图系统的控制方法,包括所述的系统,其特征在于,包括:
步骤一、获取待检物品的X光机多角度扫描图像生成的原始图像,将所述原始图像输入物品分割模块,根据图像颜色阈值和边缘提取算法将物品图像从原始图像中分割出来;
步骤二、对每个物品的每一张分割出来的图像分别输入物品轮廓补全模块中的对抗生成神经网络中,分别得到补全轮廓的物品图像;
步骤三、将多角度扫描得到的原始图像和补全后的物品图像一起输入多视角图像处理模块,得到所有物品的相对位置信息;
步骤四、将补全后物品图像和物品的相对位置信息输入相对位置展示模块,实现物品的层次化展示。
本发明的有益效果是:
本发明将传统图像特征的物品分割技术和深度学习生成对抗网络轮廓补全技术相结合,生成补全轮廓后的分割物品图像,便于辅助人工进行识别和判断,减轻人工识别的工作量,提高识别的准确率;通过多视角图像处理获取物品之间的位置关系,对于堆叠的物品识别到物品层次并且根据相对位置将物品分层,将分层后的图像展示出来辅助人工识别。可达到:
(1)普适性强:在使用X射线安检仪的安检场所都可以应用本发明,普适性强,应用简便,辅助人工识别,提高工作效率;
(2)降低人工成本:本发明作为辅助识别系统,尤其应用在人流量大的安检场所,减轻人工识别的工作量,降低人工成本;
(3)提高准确率:针对在识别过程中物品图像会出现混叠、复杂、难以辨认等情况,先由本发明进行分割和轮廓补全,再进行物品分层展示,在一定程度上避免了漏判错判的发生。
附图说明
图1a至图1d所示为物品分割结果示意图。
图2a至图2d所示为物品图像补全示意图。
图3a至图3b所示为物品图像实际相对位置展示示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
实施例一
本发明实施例提供了一种安检智能辅助判图方法,包括:
S110、基于图像颜色阈值对X光机多角度扫描获取的原始图像进行分类,基于边缘提取算法对分类后的原始图像做分割处理,实现图像中所有物品的初步提取。
基于图像颜色阈值对X光机多角度扫描获取的原始图像进行分类的步骤包括:根据X光机多角度扫描获取的原始图像的颜色通道RGB 信息,对颜色通道RGB(红绿蓝)信息中不同颜色的物体进行分类;或基于HSV色彩空间和YCBCR色彩空间对物品进行分类;或基于深度学习方法对物品进行分类,例如Mask RCNN。
根据X光机多角度扫描获取的原始图像的颜色通道RGB信息,对颜色通道RGB信息中不同颜色的物体进行分类的步骤包括:当R(红) 通道值大于G(绿)并且R(红)通道值大于B(蓝),提取出R(红) 通道的图像;当G(绿)通道值大于R(红)并且G(绿)通道值大于 B(蓝),提取出G(绿)通道的图像;当B(蓝)通道值大于R(红) 并且B(蓝)通道值大于G(绿),提取出B(蓝)通道的图像。
基于边缘提取算法对分类后的原始图像做分割处理的步骤包括:利用缘提取算法中的Canny算子分别对颜色通道RGB信息中的R(红) 通道图像、G(绿)通道图像和B(蓝)通道图像做边缘检测。
进一步的,Canny算子的计算过程包括:利用高斯滤波器平滑图像,去掉图像上的噪声;计算去掉噪声图像上的一阶差分偏导计算梯度值和方向,对梯度值不是极大值的地方进行抑制,对梯度值不是极值的点,全部取值为0;去掉了大部分弱的边缘;通过双阈值连接图像上的联通点,双阈值为t1和t2,t1<=t2,大于t2的点为边缘,小于t1的点不是边缘,处于t1和t2之间的点,通过已确定的边缘点,在八邻域方向进行扩展,图中可达的是边缘,不可达的点不是边缘。物品分割结果参见图1a至图1d。
S120、基于深度学习算法中的对抗生成网络,补全分割处理后的所有物品的图像的轮廓。图2a至图2d为对抗生成神经网络的结构示意图,补全物品图像的轮廓。首先根据分割出来的结果识别物体的属性,两个角度的图都可以识别出物体。包括:以物品图像的轮廓数据集中的大量训练样本为训练真值,对生成对抗网络中的轮廓补全网络进行训练;对抗分类网络中的判别网络用于判别生成图像是真值还是假值,并反馈给轮廓生成网络,促使轮廓生成网络的不断完善,目标是输出与真值轮廓最为接近的补全后轮廓;生成对抗网络中的轮廓补全网络训练完成后,以分割出来的物品图像作为对抗生成网络中轮廓生成网络的输入,轮廓生成网络的输出为补全轮廓后的物品图像;物品轮廓补全结果参见图2a至图2d。在基于深度学习算法的物品轮廓补全模块中,对抗生成网络中有多种网络都可以实现轮廓补全的功能,例如pix2pix,Cycle GAN等等。
S130、利用X光机多角度扫描获取的多张原始图像和补全轮廓后的物品图像,采用三维分析方法,获取所有物品实际的相对位置信息。
利用X光机多角度扫描获取的多张图像,采用三维分析方法,获取所有物品实际的相对位置信息。在双能X射线安检仪中,有两个角度的图像,两个扫描角度互相垂直,分别为X方向和Y方向,根据两个方向就可以确定物品的相对位置。
S140、结合已获取的物品补全轮廓后的图像以及物品实际的相对位置信息,按物品的相对位置分层展现物品的图像。包括:
获取物品位置信息的多视角图像处理模块和物品图像及实际相对位置展示模块相结合,保证物体之间相对位置不变,将物品相对位置分区域分层次按照X方向和Y方向依次展现出来。结合已获取的物品图像以及物品实际的相对位置信息,保证物体之间相对位置不变,按物品的相对位置分区域分层展现物品图像。获取物品位置信息的多视角图像处理模块和物品图像及实际相对位置展示模块相结合,将物品相对位置分区域分层次按照X方向和Y方向依次展现出来,展示的物品以X方向采集到的图像为主。物品分层展示结果参见图3a至图3b。
实施例二
本发明实施例还提供了一种安检智能辅助判图系统,包括:物品分割模块、物品轮廓补全模块、多视角图像处理模块和相对位置展示模块;
物品分割模块,用于基于图像颜色阈值对X光机多角度扫描获取的原始图像进行分类,基于边缘提取算法对分类后的原始图像做分割处理,实现图像中所有物品的初步提取;
物品轮廓补全模块,用于基于深度学习算法中的对抗生成网络,补全分割处理后的所有物品的图像的轮廓;
多视角图像处理模块,用于利用X光机多角度扫描获取的多张原始图像和补全轮廓后的物品图像,采用三维分析方法,获取所有物品实际的相对位置信息;
相对位置展示模块,用于结合已获取的物品补全轮廓后的图像以及物品实际的相对位置信息,按物品的相对位置分层展现物品的图像。
具体实现的功能和处理方式参见方法实施例一描述的具体步骤。
由于本实施例二的系统所实现的处理及功能基本相应于前述图2 所示的方法的实施例、原理和实例,故本实施例的描述中未详尽之处,可以参见前述实施例中的相关说明,在此不做赘述。
实施例三
本发明实施例还提供了一种安检智能辅助判图系统的控制方法,包括实施例二所述的系统,其特征在于,包括:
步骤一、获取待检物品的X光机多角度扫描图像生成的原始图像,将所述原始图像输入物品分割模块,根据图像颜色阈值和边缘提取算法将物品图像从原始图像中分割出来;
步骤二、对每个物品的每一张分割出来的图像分别输入物品轮廓补全模块中的对抗生成神经网络中,分别得到补全轮廓的物品图像;
步骤三、将多角度扫描得到的原始图像和补全后的物品图像一起输入多视角图像处理模块,得到所有物品的相对位置信息;
步骤四、将补全后物品图像和物品的相对位置信息输入相对位置展示模块,实现物品的层次化展示。
具体实现的功能和处理方式参见方法实施例一和二描述的具体步骤和系统。
由于本实施例三的控制方法所实现的处理及功能基本相应于前述图2所示的方法的实施例、原理和实例,故本实施例的描述中未详尽之处,可以参见前述实施例中的相关说明,在此不做赘述。
本发明的有益效果是:
本发明将传统图像特征的物品分割技术和深度学习生成对抗网络轮廓补全技术相结合,生成补全轮廓后的分割物品图像,便于辅助人工进行识别和判断,减轻人工识别的工作量,提高识别的准确率;通过多视角图像处理获取物品之间的位置关系,对于堆叠的物品识别到物品层次并且根据相对位置将物品分层,将分层后的图像展示出来辅助人工识别。可达到:
(1)普适性强:在使用X射线安检仪的安检场所都可以应用本发明,普适性强,应用简便,辅助人工识别,提高工作效率;
(2)降低人工成本:本发明作为辅助识别系统,尤其应用在人流量大的安检场所,减轻人工识别的工作量,降低人工成本;
(3)提高准确率:针对在识别过程中物品图像会出现混叠、复杂、难以辨认等情况,先由本发明进行分割和轮廓补全,再进行物品分层展示,在一定程度上避免了漏判错判的发生。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种安检智能辅助判图方法,其特征在于,包括:
基于图像颜色阈值对X光机多角度扫描获取的原始图像进行分类,基于边缘提取算法对分类后的原始图像做分割处理,实现图像中所有物品的初步提取;
基于深度学习算法中的对抗生成网络,补全分割处理后的所有物品的图像的轮廓;
利用X光机多角度扫描获取的多张原始图像和补全轮廓后的物品图像,采用三维分析方法,获取所有物品实际的相对位置信息;
结合已获取的物品补全轮廓后的图像以及物品实际的相对位置信息,按物品的相对位置分层展现物品的图像。
2.如权利要求1所述的方法,其特征在于,基于图像颜色阈值对X光机多角度扫描获取的原始图像进行分类的步骤包括:
根据X光机多角度扫描获取的原始图像的颜色通道RGB信息,对颜色通道RGB信息中不同颜色的物体进行分类;或
基于HSV色彩空间和YCBCR色彩空间对物品进行分类;或
基于深度学习方法对物品进行分类。
3.如权利要求1或2所述的方法,其特征在于,根据X光机多角度扫描获取的原始图像的颜色通道RGB信息,对颜色通道RGB信息中不同颜色的物体进行分类的步骤包括:
当R(红)通道值大于G(绿)并且R(红)通道值大于B(蓝),提取出R(红)通道的图像;当G(绿)通道值大于R(红)并且G(绿)通道值大于B(蓝),提取出G(绿)通道的图像;当B(蓝)通道值大于R(红)并且B(蓝)通道值大于G(绿),提取出B(蓝)通道的图像。
4.如权利要求1所述的方法,其特征在于,基于边缘提取算法对分类后的原始图像做分割处理的步骤包括:
利用边缘提取算法中的Canny算子分别对颜色通道RGB信息中的R(红)通道图像、G(绿)通道图像和B(蓝)通道图像做边缘检测。
5.如权利要求4所述的方法,其特征在于,Canny算子的计算过程包括:
利用高斯滤波器平滑图像,去掉图像上的噪声;
计算去掉噪声图像上的一阶差分偏导计算梯度值和方向,对梯度值不是极值的点,全部取值为0;
通过双阈值连接图像上的联通点,双阈值为t1和t2,t1<=t2,大于t2的点为边缘,小于t1的点不是边缘,处于t1和t2之间的点,通过已确定的边缘点,在八邻域方向进行扩展,可达的是边缘,不可达的点不是边缘。
6.如权利要求1所述的方法,其特征在于,基于深度学习算法中的对抗生成网络,补全分割处理后的所有物品的图像的轮廓的步骤包括:
从图像的轮廓数据集及训练对抗生成网络中的补全轮廓网络,此补全轮廓网络可以判别生成的补全轮廓是否相还原真实物品轮廓,若网络可还原真实轮廓,则判为真值,生成补全轮廓后的物品图像,反之则继续在网络中训练;
以分割出来的物品图像作为对抗生成网络中补全轮廓网络的输入,补全轮廓网络将输出补全轮廓后的物品图像。
7.如权利要求1所述的方法,其特征在于,采用三维分析方法,获取所有物品实际的相对位置信息的步骤包括:
利用双能X射线安检仪中两个互相垂直扫描角度所延伸的方向确定物品实际的相对位置信息。
8.如权利要求1所述的方法,其特征在于,结合已获取的物品补全轮廓后的图像以及物品实际的相对位置信息,按物品的相对位置分层展现物品的图像的步骤包括:
获取物品位置信息的多视角图像处理模块和物品图像及实际相对位置展示模块相结合,保证物体之间相对位置不变,将物品相对位置分区域分层次按照X方向和Y方向依次展现出来。
9.一种安检智能辅助判图系统,其特征在于,包括:物品分割模块、物品轮廓补全模块、多视角图像处理模块和相对位置展示模块;
物品分割模块,用于基于图像颜色阈值对X光机多角度扫描获取的原始图像进行分类,基于边缘提取算法对分类后的原始图像做分割处理,实现图像中所有物品的初步提取;
物品轮廓补全模块,用于基于深度学习算法中的对抗生成网络,补全分割处理后的所有物品的图像的轮廓;
多视角图像处理模块,用于利用X光机多角度扫描获取的多张原始图像和补全轮廓后的物品图像,采用三维分析方法,获取所有物品实际的相对位置信息;
相对位置展示模块,用于结合已获取的物品补全轮廓后的图像以及物品实际的相对位置信息,按物品的相对位置分层展现物品的图像。
10.一种安检智能辅助判图系统的控制方法,包括如权利要求9所述的系统,其特征在于,包括:
步骤一、获取待检物品的X光机多角度扫描图像生成的原始图像,将所述原始图像输入物品分割模块,根据图像颜色阈值和边缘提取算法将物品图像从原始图像中分割出来;
步骤二、对每个物品的每一张分割出来的图像分别输入物品轮廓补全模块中的对抗生成神经网络中,分别得到补全轮廓的物品图像;
步骤三、将多角度扫描得到的原始图像和补全后的物品图像一起输入多视角图像处理模块,得到所有物品的相对位置信息;
步骤四、将补全后物品图像和物品的相对位置信息输入相对位置展示模块,实现物品的层次化展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910243249.8A CN109977877B (zh) | 2019-03-28 | 2019-03-28 | 一种安检智能辅助判图方法、系统以及系统控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910243249.8A CN109977877B (zh) | 2019-03-28 | 2019-03-28 | 一种安检智能辅助判图方法、系统以及系统控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109977877A CN109977877A (zh) | 2019-07-05 |
CN109977877B true CN109977877B (zh) | 2021-03-16 |
Family
ID=67081276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910243249.8A Active CN109977877B (zh) | 2019-03-28 | 2019-03-28 | 一种安检智能辅助判图方法、系统以及系统控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109977877B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2580629B (en) * | 2019-01-17 | 2023-02-15 | Smiths Heimann Sas | Classifier using data generation |
CN110488368B (zh) * | 2019-07-26 | 2021-07-30 | 熵基科技股份有限公司 | 一种基于双能x光安检机的违禁品识别方法及装置 |
CN110909604B (zh) * | 2019-10-23 | 2024-04-19 | 深圳市重投华讯太赫兹科技有限公司 | 安检图像检测方法、终端设备、计算机存储介质 |
CN111399073A (zh) * | 2020-03-26 | 2020-07-10 | 浙江大华技术股份有限公司 | 一种智能安检方法、智能安检机及计算机可读存储介质 |
CN112001846A (zh) * | 2020-08-21 | 2020-11-27 | 深圳职业技术学院 | 具有较高分辨率的多目标x光安检图像合成方法 |
CN112162324B (zh) * | 2020-09-02 | 2024-08-02 | 海深智能科技(上海)有限公司 | 一种有效提高违禁品识别率的智能安检方法 |
CN114972367B (zh) * | 2021-02-25 | 2024-06-07 | 上海复旦微电子集团股份有限公司 | 分割图像的方法、装置、设备和计算机可读存储介质 |
CN113391776B (zh) * | 2021-05-24 | 2023-05-09 | 浙江大华技术股份有限公司 | 物品信息显示方法、装置、电子装置和存储介质 |
CN113792826B (zh) * | 2021-11-17 | 2022-02-18 | 湖南苏科智能科技有限公司 | 基于神经网络和多源数据的双视角关联安检方法及系统 |
CN115953418B (zh) * | 2023-02-01 | 2023-11-07 | 公安部第一研究所 | 安检ct三维图像中笔记本区域剥离方法、存储介质及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145898A (zh) * | 2017-04-14 | 2017-09-08 | 北京航星机器制造有限公司 | 一种基于神经网络的射线图像分类方法 |
CN107833209A (zh) * | 2017-10-27 | 2018-03-23 | 浙江大华技术股份有限公司 | 一种x光图像检测方法、装置、电子设备及存储介质 |
CN109187598A (zh) * | 2018-10-09 | 2019-01-11 | 青海奥越电子科技有限公司 | 基于数字图像处理的违禁物品检测系统及方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7437304B2 (en) * | 1999-11-22 | 2008-10-14 | International Business Machines Corporation | System and method for project preparing a procurement and accounts payable system |
CN104766338A (zh) * | 2015-04-28 | 2015-07-08 | 中云智慧(北京)科技有限公司 | 一种复杂x光伪彩图的显著性检测方法 |
CN106295668A (zh) * | 2015-05-29 | 2017-01-04 | 中云智慧(北京)科技有限公司 | 一种鲁棒的枪支检测方法 |
CN107145839B (zh) * | 2017-04-17 | 2020-05-05 | 努比亚技术有限公司 | 一种指纹图像补全模拟方法及其系统 |
CN108198227A (zh) * | 2018-03-16 | 2018-06-22 | 济南飞象信息科技有限公司 | 基于x光安检机图像的违禁品智能识别方法 |
CN108827183B (zh) * | 2018-04-23 | 2020-11-20 | 杭州纳戒科技有限公司 | 物流箱以及物流箱系统 |
CN210982777U (zh) * | 2019-07-22 | 2020-07-10 | 浙江云特森科技有限公司 | 毫米波安检舱系统 |
-
2019
- 2019-03-28 CN CN201910243249.8A patent/CN109977877B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145898A (zh) * | 2017-04-14 | 2017-09-08 | 北京航星机器制造有限公司 | 一种基于神经网络的射线图像分类方法 |
CN107833209A (zh) * | 2017-10-27 | 2018-03-23 | 浙江大华技术股份有限公司 | 一种x光图像检测方法、装置、电子设备及存储介质 |
CN109187598A (zh) * | 2018-10-09 | 2019-01-11 | 青海奥越电子科技有限公司 | 基于数字图像处理的违禁物品检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109977877A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977877B (zh) | 一种安检智能辅助判图方法、系统以及系统控制方法 | |
WO2021073370A1 (zh) | 物品检测方法、装置、系统和计算机可读存储介质 | |
CN104636707B (zh) | 自动检测香烟的方法 | |
CN110425005B (zh) | 矿井下皮带运输人员人机交互行为安全监控与预警方法 | |
CN107705288B (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
CN102982313B (zh) | 烟雾检测的方法 | |
CN103034852B (zh) | 静止摄像机场景下特定颜色行人的检测方法 | |
CN104951784A (zh) | 一种车辆无牌及车牌遮挡实时检测方法 | |
CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
CN102156881B (zh) | 基于多尺度图像相位信息的海难搜救目标检测方法 | |
CN115601355A (zh) | 一种产品表面缺陷检测与分类方法、装置及存储介质 | |
CN105893957A (zh) | 基于视觉湖面船只检测识别与跟踪方法 | |
CN105809699B (zh) | 一种基于图分割的车窗提取方法及系统 | |
CN106650735B (zh) | 一种led字符自动定位识别方法 | |
CN105448095B (zh) | 一种黄标车检测方法和装置 | |
CN117274623A (zh) | 用于智能检索识别违禁物品的识别方法及系统 | |
CN110992324B (zh) | 一种基于x射线图像的智能危险品检测方法及系统 | |
Mao et al. | An adaptive method for Chinese license plate location | |
Fan et al. | People counting in elevator car based on computer vision | |
Amusan et al. | Nigerian vehicle license plate recognition system using artificial neural network | |
CN113781426B (zh) | 一种识别液体成分的智能安检方法 | |
Kumari et al. | On the use of Moravec operator for text detection in document images and video frames | |
CN105868681A (zh) | 央视台标的识别方法及装置 | |
Yang et al. | Using multiple view in optimizing detector placement for petrochemical plant | |
CN106291738B (zh) | 一种用于公交车上的安检系统 |
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 |