CN109978985B - 数据处理方法及装置、存储介质、电子设备 - Google Patents
数据处理方法及装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN109978985B CN109978985B CN201711455559.3A CN201711455559A CN109978985B CN 109978985 B CN109978985 B CN 109978985B CN 201711455559 A CN201711455559 A CN 201711455559A CN 109978985 B CN109978985 B CN 109978985B
- Authority
- CN
- China
- Prior art keywords
- data
- preset
- model
- ray
- image
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000004088 simulation Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims description 18
- 239000000463 material Substances 0.000 claims description 9
- 238000002591 computed tomography Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 230000005855 radiation Effects 0.000 description 12
- 238000007689 inspection Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/04—Texture mapping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/22—Source localisation; Inverse modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本公开是关于一种数据处理方法及装置、存储介质、电子设备,涉及机器学习技术领域,该方法包括:通过射线模型以及预设物品的三维模型获取所述预设物品的射线数据;将所述射线数据输入生成式对抗网络模型以获取模拟数据;将所述模拟数据插入预设图像,以生成与所述预设物品对应的训练数据。本公开可以获得足够的训练数据,进而提高智能查验的准确性。
Description
技术领域
本公开涉及机器学习技术领域,具体而言,涉及一种数据处理方法、数据处理装置、计算机可读存储介质以及电子设备。
背景技术
神经网络技术在分类任务和目标检测任务中已经有了十分广泛的应用。例如可以应用于海关的大型集装箱检测中,主要用于检测集装箱中是否存在潜在夹藏的危险品,违禁品以及检测集装箱中的货物是否与申报不符的情况,从而辅助人工进行查验。
为了获得稳定可靠的智能查验系统,需要生成合适的神经网络模型并对该网络模型进行训练,在训练过程中需要大量的标注图像作为训练数据,但是标注图像的获得难度较大,因此可能导致不能获得足够的训练样本。为了解决上述问题,相关技术中可以通过以下几种方式获得训练数据:一、在海关机检时获得的含有夹带的刀具,枪支等真实案例图像得到训练数据;二、用真实的刀具,枪支等认为摆放至集装箱中,采用多角度和姿态扫描制图得到训练数据;三、将在空箱或者空气中扫描获得的枪支等X射线图像抠出,预处理后作为模板,使用图像增强技术作各种旋转变化后插入不同的集装箱背景图像中进行融合,从而得到训练数据。
通过上述几种方式获得的训练数据的数量有限,从而导致智能查验的准确率较低;除此之外,在获取训练数据时由于物品本身或者是物品位置的局限性,导致获取训练数据的过程较为困难,从而导致获取训练数据效率低。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种数据处理方法及装置、存储介质、电子设备,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的训练数据量不足的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种数据处理方法,包括:通过射线模型以及预设物品的三维模型获取所述预设物品的射线数据;将所述射线数据输入生成式对抗网络模型以获取模拟数据;将所述模拟数据插入预设图像,以生成与所述预设物品对应的训练数据。
在本公开的一种示例性实施例中,所述方法还包括:通过实际射线平台的光源能量、探测器个数、光源与探测器的相对位置、预设物品位置以及扫描方式建立所述射线模型。
在本公开的一种示例性实施例中,所述方法还包括:从数据库中获取所述预设物品的图像模型,并对所述图像模型进行体素化处理生成体素图像模型;根据所述预设物品每个位置的材料类型,对所述体素图像模型对应的像素进行赋值,以获取所述预设物品的所述三维模型。
在本公开的一种示例性实施例中,所述方法还包括:通过电子计算机断层扫描所述预设物品,获取所述预设物品的三维重建数据;通过所述三维重建数据生成所述预设物品的所述三维模型。
在本公开的一种示例性实施例中,将所述射线数据输入生成式对抗网络模型以获取模拟数据,包括:将通过所述三维模型与所述射线模型生成的所述射线数据作为生成网络的输入数据;将对所述射线数据进行实际制图得到的真实投影图像的数据作为判别网络的输入数据;通过对所述射线数据以及所述真实投影图像的数据进行训练,以生成所述生成式对抗网络模型。
在本公开的一种示例性实施例中,所述方法还包括:通过所述训练数据对集装箱智能查验系统进行测试训练。
在本公开的一种示例性实施例中,所述光源与所述探测器的相对位置固定不变。
根据本公开的一个方面,提供一种数据处理装置,包括:射线数据获取模块,通过射线模型以及预设物品的三维模型获取所述预设物品的射线数据;模拟数据获取模块,用于将所述射线数据输入生成式对抗网络模型以获取模拟数据;训练数据生成模块,用于将所述模拟数据插入预设图像,以生成与所述预设物品对应的训练数据。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的数据处理方法。
根据本公开的一个方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的数据处理方法。
本公开示例性实施例中提供的一种数据处理方法、数据处理装置、计算机可读存储介质以及电子设备中,通过射线模型以及预设物品的三维模型获取所述预设物品的射线数据;将所述射线数据输入生成式对抗网络模型以获取模拟数据;将所述模拟数据插入预设图像,以生成与所述预设物品对应的训练数据。一方面,通过将射线数据输入生成式对抗网络模型,可以获取到与预设物品的真实图像更接近的模拟数据,并且可以获得充足的训练数据,从而提高了智能查验的准确性;另一方面,通过将射线数据输入生成式对抗网络模型,以及将所述模拟数据插入预设图像生成训练数据,可以避免由于预设物品的局限性而导致获取训练数据困难的问题,提高了获取训练数据的效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示意性示出本公开示例性实施例中一种数据处理方法示意图;
图2示意性示出本公开示例性实施例中一种智能查验系统示意图;
图3示意性示出本公开示例性实施例中一种数据处理方法的具体流程图;
图4示意性示出本公开示例性实施例中一种数据处理装置的框图;
图5示意性示出本公开示例性实施例中一种电子设备的框图;
图6示意性示出本公开示例性实施例中一种程序产品。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中首先提供了一种数据处理方法,可以应用于大型集装箱智能查验或者是其它智能检测系统中。参考图1所示,该数据处理方法可以包括以下步骤:
在步骤S110中,通过射线模型以及预设物品的三维模型获取所述预设物品的射线数据;
在步骤S120中,将所述射线数据输入生成式对抗网络模型以获取模拟数据;
在步骤S130中,将所述模拟数据插入预设图像,以生成与所述预设物品对应的训练数据。
在本示例性实施例中提供的数据处理方法中,一方面,通过将射线数据输入生成式对抗网络模型,可以获取到与预设物品的真实图像更接近的模拟数据,并且可以获得充足的训练数据,从而提高了智能查验的准确性;另一方面,通过将射线数据输入生成式对抗网络模型,以及将所述模拟数据插入预设图像生成训练数据,可以避免由于预设物品的局限性而导致获取训练数据困难的问题,提高了获取训练数据的效率。
下面,将对本示例实施方式中描述的数据处理方法中的各个步骤进行详细的解释以及说明。
在步骤S110中,通过射线模型以及预设物品的三维模型获取所述预设物品的射线数据。
本示例中,射线模型可以理解为安装有模拟程序的模拟平台,预设物品例如可以为待检测的任何物品或者是危险物品、违禁物品等等,此处以刀具、枪支、象牙等危险物品或者违禁物品为例进行说明。一般而言,预设物品的三维模型可以包括网格或者纹理等信息,以增加三维模型的真实感。例如可以利用三维软件、仪器设备测量、利用图像或者视频等方式构建三维模型。可以通过射线模型对预设物品的三维模型进行数值模拟后得到射线数据,其中射线数据可以包括图像。
本示例中可以利用X射线成像的物理原理对大型集装箱检测的过程进行数值模拟,通过模拟其整个成像得到投影图像,然后利用枪支、刀具等的三维模型来进行其投影图像的模拟,得到枪支,刀具等的射线数据,此处的投影图像指的是检测过程中得到的扫描图像的仿真图像。
需要补充的是,在通过射线模型以及预设物品的三维模型获取预设物品的射线数据之前,首先需要建立上述射线模型。具体而言,可以通过实际射线平台的光源能量、探测器个数、光源与探测器的相对位置、预设物品位置以及扫描方式建立该射线模型。也就是说,建立模拟平台时,所有的输入参数都要符合实际射线平台的实际设置情况,以保证通过射线模型获取的射线数据的准确性和真实性。
其中,光源能量,探测器个数,探测器大小等参数与实际射线平台保持一致即可。预设物品位置可以为预设物品在集装箱中的任意位置,具体可以根据实际情况自定义设置和调整,从而可以获得集装箱中不同深度位置的预设物品的射线数据,保证射线数据的准确性。除此之外,射线模型中光源与探测器的相对位置可以保持固定不变,以保证对预设物品进行扫描进度的一致性,避免漏扫描或者误扫描。参考图2中所示,装有集装箱的车辆可以在指定的轨道内,例如轨道1或者轨道2内前进,同时通过光源和探测器进行扫描;也可以是装有集装箱的车辆停在某一位置,光源和探测器同时在直线轨道上同步前进以进行扫描。
与此同时,还需要建立或者获取预设物品的三维模型,本示例中获取预设物品三维模型可以包括两种方式,具体包括:
方式一、从数据库中获取所述预设物品的图像模型,并利用体素化技术对所述图像模型进行体素化处理,以生成体素图像模型;根据所述预设物品每个位置的材料类型,对所述体素图像模型对应的像素进行赋值,以获取所述预设物品的所述三维模型。
本示例中,体素化是指将物体的几何形式表示转换成最接近该物体的体素表示形式,产生体数据集,其不仅包含模型的表面信息,而且能描述模型的内部属性。首先可以从开源数据库中获取存储的预设物品的图像模型,图像模型也可以理解为初始三维矢量图模型。接下来可以利用体素化技术对获取的图像模型进行体素化处理,生成体素图像模型。此处的体素图像模型例如可以为通过体素化处理将三维矢量图模型转化成的纯数据文件,例如三维矩阵,进一步可以将生成的纯数据文件体素图像模型作为模拟程序的输入模型。其具体过程例如可以包括:第一步,设定图像模型体素化的分辨率;第二步,对图像模型表面进行体素化;第三步,对图像模型内部进行体素化。最后,可以根据预设物品每个位置的材料类型对体素化处理之后得到的体素图像模型对应的像素进行赋值,以获取预设物品的三维模型。以预设物品为刀具为例进行说明,该刀具的刀把材料为塑料,刀片材料为钢,则可以将体素图像模型中刀具的刀把对应的像素赋值为塑料对应的数值,将刀片对应的像素赋值为钢对应的数值,以使获取的三维模型更接近实际的预设物品。
方式二、通过电子计算机断层扫描所述预设物品,获取所述预设物品的三维重建数据;通过所述三维重建数据生成所述预设物品的所述三维模型。其中,三维重建数据指的是将CT(Computed Tomography,电子计算机断层扫描)扫描得到的二维灰阶数据经过计算机处理,得到XYZ三维灰阶数据,并显示三维解剖结构。具体而言,本示例中可以通过CT扫描预设物品例如刀具,通过三维重建技术获取预设物品的三维重建数据,进而通过三维重建数据生成预设物品的三维模型,以使三维模型真实性更高,更接近实际的预设物品。
接下来,在步骤S120中,将所述射线数据输入生成式对抗网络模型以获取模拟数据。
本示例中,GAN(Generative Adversarial Networks,生成式对抗模型)是一种深度学习模型,可以用于判断输入的图片或者数据是否真实。此处的生成式对抗网络模型指的是进行训练后的网络模型。具体而言,该模型可以包括生成网络和判别网络。其中,生成网络G可以为是生成图像的网络,它接收一个随机的噪声z,通过这个噪声生成图像,记做G(z)。判别网络D可以用于判别一张图像是不是真实的,它的输入参数是x,x代表一张图像,输出D(x)代表x为真实图像的概率,如果为1,就代表100%是真实的图像,而输出为0,就代表不可能是真实的图像。
在训练过程中,生成网络G的目标就是尽量生成真实的图像去欺骗判别网络D。而判别网络D的目标就是尽量把生成网路生成的图像和真实的图像分别开来。因此通过将步骤S110中获取的射线数据输入生成式对抗网络模型的方式,可以得到更接近预设物品的模拟数据,提高模拟数据的准确性和真实性。
需要补充的是,为了保证训练模型的稳定性,将所述射线数据输入生成式对抗网络模型以获取模拟数据具体可以包括:将通过所述三维模型与所述射线模型生成的所述射线数据作为生成网络的输入数据;将对所述射线数据进行实际制图得到的真实投影图像的数据作为判别网络的输入数据;通过对所述射线数据以及所述真实投影图像的数据进行训练,以生成所述生成式对抗网络模型。
首先,可以将通过步骤S110确定的射线数据作为生成网络的输入数据,以使生成网络生成接近真实的预设物品图像;与此同时,可以根据射线数据投影模拟的情景进行实际制图得到多个实际制图图像,并且可以从多个实际制图图像中挑选合适的图像作为真实投影图像,并将真实投影图像的数据作为判别网络的输入数据,以使判别网络区分出生成网络输出的接近真实的预设物品图像和真实投影图像;进一步地,可以通过对射线数据以及真实投影图像的数据分别进行训练,生成稳定的生成式对抗网络模型,使得由GAN网络对模拟数据进行处理之后,得到的模拟数据可以更接近真实图像。具体的训练过程可以通过编写程序而实现,此处不作详细说明。
在步骤S130中,将所述模拟数据插入预设图像,以生成与所述预设物品对应的训练数据。
其中,预设图像可以为集装箱的多种背景图像。可以将步骤S120中由GAN网络输出的模拟数据分别插入各种不同的预设图像中,以生成多种与模拟数据相关的训练数据,从而实现训练数据增广的目的。进一步地,可以在智能查验系统中通过生成的训练数据对集装箱进行测试训练,以确定集装箱内是否存在危险品或者违禁品或者待检测的任意物品等。通过这种方式可以提高智能查验的准确率。
详细而言,可以将模拟数据作为模板插入预设图像以生成所述训练数据。其中,每一种类型的预设物品均可以经过GAN网络处理得到与预设物品真实图像更加接近的模拟数据,可以将每一类预设物品的模拟数据作为模板,分别插入不同的预设图像获取分别与预设图像相关的训练数据。例如,在本示例中可以将模拟数据作为模板插入不同的集装箱背景图像中,从而能获得夹带预设物品的集装箱的训练数据,进而实现训练数据的增广。进一步通过充足的训练数据对集装箱进行测试训练,可以提高大型集装箱智能查验的准确率。其中,此处的训练数据例如可以为由智能查验系统得到的夹带预设物品的集装箱的扫描图像。本示例中提供的数据处理方法,通过将模拟数据插入预设图像中,可以通过便捷地方式获得充足的训练数据,提高了获取训练数据的效率。
图3示意性示出本公开示例性实施例中一种数据处理方法的具体流程图,参考图3所示,该应用于大型集装箱智能查验中的数据处理方法的具体过程如下:
在步骤S310中,搭建模拟平台以及对三维模型进行处理,具体包括:
S3101,模拟平台的搭建过程,其核心参数包括实际扫描过程中的几何位置关系以及扫描方式,以保证与真实情况的扫描过程一致。几何位置关系例如光源、物体、检测器之间的相对位置,且光源与检测器之间的相对位置固定不变。
S3102,对物体的三维模型进行体素化处理,例如可以从开源数据库中获取物体的三维模型,然后利用体素化技术对三维模型进行体素化,生成纯数据文件作为模拟程序的输入。此处的三维模型与上述步骤中描述的图像模型相对应,可以对图像模型进行体素化处理,以将物体的几何形式表示转换成最接近该物体的体素表示形式,产生纯数据文件。
S3103,在将三维模型输入模拟程序前,还需要设置各个体素中的材料,由于X射线的衰减特性与材料相关,可以根据实际物体情况给不同像素位置添加不同的材料。其中体素是数字数据在三维空间上的最小单位,其数值可以表示不同的特性。例如对于经过体素化处理后的刀具的三维模型而言,可以将刀把对应的像素赋值为塑料对应的数值,将刀片对应的像素赋值为钢对应的数值。
在步骤S320中,输入体素化后的三维模型进行模拟过程,得到模拟图像。将体素化后的三维模型输入步骤S310中建立的模拟平台中进行模拟过程,得到模拟图像,此处的模拟图像与S110中生成的射线数据相对应。其中物体的位置、角度等均可以根据实际需求进行设置。
在步骤S330中,将模拟图像输入训练好的GAN网络进行处理,获得更接近真实情况的图像。具体包括:
S3301,在使用GAN网络之前需要先对网络进行训练,训练时以模拟图像作为生成网络的输入,挑选合适的真实制图图像作为判别网络的输入,训练网络。通过对GAN网络进行训练,可以使经过GAN网络处理的模拟图像更接近实际物体的真实图像,进而提高智能查验的准确率。
在步骤S340中,将GAN输出的图像作为模板,插入各种不同的背景集装箱图像中,从而最终实现训练数据的增广。GAN数据的图像即为S130中描述的模拟数据,通过将GAN输出的图像作为模板插入不同集装箱背景图像中,即可获得夹带物体放入集装箱的扫描图像,提高了获取训练数据的效率。
由上可知,通过对生成式对抗网络模型进行训练,可以提高网络模型的稳定性,使得由GAN网络输出的图像可以更接近真实图像;进一步可以提高集装箱智能查验的准确性;除此之外,通过将GAN输出的图像作为模板插入不同集装箱背景图像中,即可获得夹带物体放入集装箱的扫描图像,提高了获取训练数据的效率。
本公开还提供了一种数据处理装置。参考图4所示,该数据处理装置400可以包括:
射线数据获取模块401,可以通过射线模型以及预设物品的三维模型获取所述预设物品的射线数据;
模拟数据获取模块402,可以用于将所述射线数据输入生成式对抗网络模型以获取模拟数据;
训练数据生成模块403,可以用于将所述模拟数据插入预设图像,以生成与所述预设物品对应的训练数据。
上述数据处理装置中各模块的具体细节已经在对应的数据处理方法中进行了详细描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图5来描述根据本发明的这种实施方式的电子设备500。图5显示的电子设备500仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于:上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元510执行,使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元510可以执行如图1中所示的步骤:在步骤S110中,通过射线模型以及预设物品的三维模型获取所述预设物品的射线数据;在步骤S120中,将所述射线数据输入生成式对抗网络模型以获取模拟数据;在步骤S130中,将所述模拟数据插入预设图像,以生成与所述预设物品对应的训练数据。
存储单元520可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202,还可以进一步包括只读存储单元(ROM)5203。
存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204,这样的程序模块5205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备500交互的设备通信,和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且,电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器560通过总线530与电子设备500的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备500使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图6所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品700,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (10)
1.一种数据处理方法,其特征在于,包括:
通过射线模型以及预设物品的三维模型获取所述预设物品的射线数据,所述预设物品为待检测的物品;
将所述射线数据输入生成式对抗网络模型以获取模拟数据;
将所述模拟数据插入预设图像,以生成与所述预设物品对应的训练数据,所述预设图像为集装箱的多种背景图像;
将所述模拟数据插入预设图像,以生成与所述预设物品对应的训练数据,包括:
将所述模拟数据作为模板插入不同的集装箱背景图像中,以获得夹带预设物品的集装箱的训练数据。
2.根据权利要求1所述的数据处理方法,其特征在于,所述方法还包括:
通过实际射线平台的光源能量、探测器个数、光源与探测器的相对位置、预设物品位置以及扫描方式建立所述射线模型。
3.根据权利要求1所述的数据处理方法,其特征在于,所述方法还包括:
从数据库中获取所述预设物品的图像模型,并对所述图像模型进行体素化处理生成体素图像模型;
根据所述预设物品每个位置的材料类型,对所述体素图像模型对应的像素进行赋值,以获取所述预设物品的所述三维模型。
4.根据权利要求1所述的数据处理方法,其特征在于,所述方法还包括:
通过电子计算机断层扫描所述预设物品,获取所述预设物品的三维重建数据;
通过所述三维重建数据生成所述预设物品的所述三维模型。
5.根据权利要求1所述的数据处理方法,其特征在于,将所述射线数据输入生成式对抗网络模型以获取模拟数据,包括:
将通过所述三维模型与所述射线模型生成的所述射线数据作为生成网络的输入数据;
将对所述射线数据进行实际制图得到的真实投影图像的数据作为判别网络的输入数据;
通过对所述射线数据以及所述真实投影图像的数据进行训练,以生成所述生成式对抗网络模型。
6.根据权利要求1所述的数据处理方法,其特征在于,所述方法还包括:
通过所述训练数据对集装箱智能查验系统进行测试训练。
7.根据权利要求2所述的数据处理方法,其特征在于,所述光源与所述探测器的相对位置固定不变。
8.一种数据处理装置,其特征在于,包括:
射线数据获取模块,通过射线模型以及预设物品的三维模型获取所述预设物品的射线数据,所述预设物品为待检测的物品;
模拟数据获取模块,用于将所述射线数据输入生成式对抗网络模型以获取模拟数据;
训练数据生成模块,用于将所述模拟数据插入预设图像,以生成与所述预设物品对应的训练数据,所述预设图像为集装箱的多种背景图像;
所述训练数据生成模块,还用于将所述模拟数据作为模板插入不同的集装箱背景图像中,以获得夹带预设物品的集装箱的训练数据。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的数据处理方法。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711455559.3A CN109978985B (zh) | 2017-12-28 | 2017-12-28 | 数据处理方法及装置、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711455559.3A CN109978985B (zh) | 2017-12-28 | 2017-12-28 | 数据处理方法及装置、存储介质、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109978985A CN109978985A (zh) | 2019-07-05 |
CN109978985B true CN109978985B (zh) | 2023-11-07 |
Family
ID=67074226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711455559.3A Active CN109978985B (zh) | 2017-12-28 | 2017-12-28 | 数据处理方法及装置、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978985B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533582A (zh) * | 2019-08-15 | 2019-12-03 | 中国民航大学 | 一种基于生成式对抗网络的安检x光违禁品图像合成方法 |
CN112926614A (zh) * | 2019-12-06 | 2021-06-08 | 顺丰科技有限公司 | 箱体标注图像扩充方法、装置及计算机可读存储介质 |
CN111476764B (zh) * | 2020-03-27 | 2021-08-24 | 西安科技大学 | 一种运动模糊ct图像三维重建的方法 |
TWI731689B (zh) * | 2020-05-21 | 2021-06-21 | 國立清華大學 | 基於時域光譜的斷層攝影方法、系統及裝置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013021170A1 (en) * | 2011-08-09 | 2013-02-14 | Imorphics Limited | Image processing method |
CN106845147A (zh) * | 2017-04-13 | 2017-06-13 | 北京大数医达科技有限公司 | 医学经验总结模型的建立方法、装置及数据评估方法 |
CN106993851A (zh) * | 2017-05-18 | 2017-08-01 | 李文谦 | 一种基于鞋子图像和脚型图像的鞋楦参数自动预测方法及预测装置 |
CN107016406A (zh) * | 2017-02-24 | 2017-08-04 | 中国科学院合肥物质科学研究院 | 基于生成式对抗网络的病虫害图像生成方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2484355B (en) * | 2010-11-18 | 2012-09-26 | Masar Scient Ltd Company | System and method |
CN104751163B (zh) * | 2013-12-27 | 2018-06-19 | 同方威视技术股份有限公司 | 对货物进行自动分类识别的透视检查系统和方法 |
US10302807B2 (en) * | 2016-02-22 | 2019-05-28 | Rapiscan Systems, Inc. | Systems and methods for detecting threats and contraband in cargo |
US9996772B2 (en) * | 2016-04-28 | 2018-06-12 | International Business Machines Corporation | Detection of objects in images using region-based convolutional neural networks |
-
2017
- 2017-12-28 CN CN201711455559.3A patent/CN109978985B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013021170A1 (en) * | 2011-08-09 | 2013-02-14 | Imorphics Limited | Image processing method |
CN107016406A (zh) * | 2017-02-24 | 2017-08-04 | 中国科学院合肥物质科学研究院 | 基于生成式对抗网络的病虫害图像生成方法 |
CN106845147A (zh) * | 2017-04-13 | 2017-06-13 | 北京大数医达科技有限公司 | 医学经验总结模型的建立方法、装置及数据评估方法 |
CN106993851A (zh) * | 2017-05-18 | 2017-08-01 | 李文谦 | 一种基于鞋子图像和脚型图像的鞋楦参数自动预测方法及预测装置 |
Non-Patent Citations (2)
Title |
---|
基于互信息最大化正则的生成式对抗网络;浦煜等;《现代计算机(专业版)》;20170915(第26期);第59-64页 * |
基于生成对抗网络的乳腺癌病理图像可疑区域标记;刘海东等;《科研信息化技术与应用》;20171120(第06期);第52-63页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109978985A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978985B (zh) | 数据处理方法及装置、存储介质、电子设备 | |
US11734935B2 (en) | Transferring synthetic lidar system data to real world domain for autonomous vehicle training applications | |
US20100220910A1 (en) | Method and system for automated x-ray inspection of objects | |
US9552521B2 (en) | Human body security inspection method and system | |
WO2015196992A1 (zh) | 安检ct系统及其方法 | |
KR20210049086A (ko) | 투영각의 동적 선택에 의한 물품 검사 | |
CN109753960A (zh) | 基于分形理论的孤立森林水下人工目标检测方法 | |
EP3772722B1 (en) | X-ray image processing system and method, and program therefor | |
CN114170146A (zh) | 图像处理方法、装置、电子设备以及计算机可读存储介质 | |
JP2019029915A (ja) | 電波伝搬シミュレーションモデルの作成方法、作成システム、作成装置および作成プログラム | |
US20230290054A1 (en) | Information processing device and method, and non-transitory computer-readable recording medium | |
CN111144449B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN111124863B (zh) | 智能设备性能测试方法、装置及智能设备 | |
CN110268441A (zh) | 获得物体的多个部件的3d模型数据的方法 | |
US10145977B2 (en) | Method for positioning target in three-dimensional CT image and security check system | |
CN114581605A (zh) | 工件的扫描图像生成方法、装置、设备及计算机存储介质 | |
CN116993926A (zh) | 单视图人体三维重建方法 | |
CN111803128A (zh) | 一种乳腺组织弹性成像方法、装置、设备和介质 | |
CN111336959B (zh) | 货车载货体积处理方法及装置、设备和计算机可读介质 | |
US10410331B2 (en) | Computed tomography object inspection system | |
CN114972500A (zh) | 查验方法、标注方法、系统、装置、终端、设备及介质 | |
CN110490977B (zh) | 一种用于全息设备的图像处理方法、系统和存储介质 | |
CN112652056A (zh) | 一种3d信息展示方法及装置 | |
KR102542505B1 (ko) | 학습데이터 생성 방법, 장치, 프로그램 및 이를 이용한 이물질 검출 방법 | |
CN112634439B (zh) | 一种3d信息展示方法及装置 |
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 |