危险物品识别方法和装置
技术领域
本申请涉及计算机设备领域,尤其涉及一种危险物品识别方法和装置。
背景技术
现有技术中存在多种物品识别方法,比如基于图片识别技术的车辆车牌识别方法、基于视频识别技术的面部识别方法等。其中,基于图片识别技术的车辆车牌识别方法可以应用在交通安全领域,用于识别违法车辆。基于视频识别技术的面部识别方法可以应用在治安领域,用于识别可疑人员等。
然而,现有技术中并没有提出用于识别危险物品的方法,比如用于识别爆炸物的方法,因此为填补现有技术的空白,有必要提供一种危险物品识别方案,以准确识别特定场所中是否存在危险物品。
发明内容
本申请实施例的目的是提供一种危险物品识别方法和装置,以准确识别特定场所中是否存在危险物品。
为达到上述技术目的,本申请实施例是这样实现的:
本申请实施例提供了一种危险物品识别方法,包括:
获取设置于特定场所的热能探测器探测到的热能时序数据,所述热能时序数据包括多个时间点和各时间点分别对应的所述特定场所的热能强度值;
根据所述热能时序数据确定所述特定场所中存在危险物品的概率;
若所述概率大于概率阈值,则获取所述特定场所的热辐射图像和光谱图像,根据所述热辐射图像和所述光谱图像判断所述特定场所中是否存在危险物品。
本申请实施例提供了一种危险物品识别装置,包括:
获取模块,用于获取设置于特定场所的热能探测器探测到的热能时序数据,所述热能时序数据包括多个时间点和各时间点分别对应的所述特定场所的热能强度值;
第一确定模块,用于根据所述热能时序数据确定所述特定场所中存在危险物品的概率;
第二确定模块,用于若所述概率大于概率阈值,则获取所述特定场所的热辐射图像和光谱图像,根据所述热辐射图像和所述光谱图像判断所述特定场所中是否存在危险物品。
本申请实施例提供了一种危险物品识别设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器实现上述所述的危险物品识别方法的步骤。
本申请实施例提供了一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被执行时实现上述所述的危险物品识别方法的步骤。
本实施例中,首先获取设置于特定场所的热能探测器探测到的热能时序数据,然后根据热能时序数据确定特定场所中存在危险物品的概率,若该概率大于概率阈值,则获取特定场所的热辐射图像和光谱图像,根据该热辐射图像和光谱图像判断特定场所中是否存在危险物品。可见,通过本实施例能够准确识别特定场所中是否存在危险物品。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的危险物品识别方法的应用场景示意图;
图2为本申请一实施例提供的危险物品识别方法的流程示意图;
图3为本申请一实施例提供的热能时序数据的示意图;
图4为本申请另一实施例提供的危险物品识别方法的流程示意图;
图5为本申请一实施例提供的危险物品识别装置的模块组成示意图;
图6为本申请一实施例提供的危险物品识别设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
本申请实施例的目的是提供一种危险物品识别方法和装置,以准确识别特定场所中是否存在危险物品。
图1为本申请一实施例提供的危险物品识别方法的应用场景示意图,如图1所示,该场景包括热能探测器100和服务器200。其中,热能探测器100设置于特定场所,用于探测特定场所的热能强度并生成热能时序数据,热能时序数据包括多个时间点以及各个时间点分别对应的该特定场所的热能强度值。热能探测器100在生成热能时序数据后,将热能时序数据发送至服务器200。服务器200可以根据热能探测器100发送的热能时序数据确定特定场所中存在危险物品的概率,若该概率较大,则服务器200进一步获取特定场所的热辐射图像和光谱图像,根据特定场所的热辐射图像和光谱图像判断特定场所中是否存在危险物品。本实施例中,特定场所可以为预先确定的公共场所,如学校、医院、火车站、飞机场、公交站、垃圾场等,服务器200可以为远端服务器或者云服务器,危险物品包括但不限于爆炸物等。在一个具体的实施例中,将热能探测器放置于特定场所中的垃圾箱内,从而检测特定场所中的垃圾箱内是否存在爆炸物。
图2为本申请一实施例提供的危险物品识别方法的流程示意图,如图2所示,该流程包括:
步骤S202,获取设置于特定场所的热能探测器探测到的热能时序数据,热能时序数据包括多个时间点和各时间点分别对应的特定场所的热能强度值;
步骤S204,根据热能时序数据确定特定场所中存在危险物品的概率;
步骤S206,若该概率大于概率阈值,则获取特定场所的热辐射图像和光谱图像,根据该热辐射图像和光谱图像判断特定场所中是否存在危险物品。
本实施例中,首先获取设置于特定场所的热能探测器探测到的热能时序数据,然后根据热能时序数据确定特定场所中存在危险物品的概率,若该概率大于概率阈值,则获取特定场所的热辐射图像和光谱图像,根据该热辐射图像和光谱图像判断特定场所中是否存在危险物品。可见,通过本实施例能够准确识别特定场所中是否存在危险物品。
下面以服务器执行本申请实施例中的危险物品识别方法为例进行具体说明。能够理解,本申请实施例中的危险物品识别方法还可以由其他设备执行。
上述步骤S202中,服务器获取设置于特定场所的热能探测器探测到的热能时序数据,热能时序数据包括多个时间点和各时间点分别对应的特定场所的热能强度值。
具体地,热能探测器位于特定场所中,热能探测器可以发射红外线,通过红外线探测特定场所中的热能强度并生成热能时序数据,热能时序数据包括多个时间点和各时间点分别对应的特定场所的热能强度值。其中,热能时序数据中的多个时间点可以为连续时间点。热能探测器可以将生成的热能时序数据传输至服务器。本实施例中,通过热能探测器探测得到的热能强度值可以表示特定场所中的所有物品所反映出来的平均的热能强度值。
图3为本申请一实施例提供的热能时序数据的示意图,如图3所示,该热能时序数据能够表示上午10点到11点之间特定场所的热能强度值,其中,在10点30分之后,特定场所的热能强度值明显升高。
上述步骤S204中,服务器根据热能时序数据确定特定场所中存在危险物品的概率。比如,若热能时序数据中存在高于设定阈值的热能强度值,且该高于设定阈值的热能强度值的连续持续时长超过设定时长,则确定特定场所中存在危险物品的概率为指定概率,如60%。又如,若热能时序数据中存在高于设定阈值的热能强度值,且该高于设定阈值的热能强度值的出现时刻和持续时长呈现周期性变化,如每五分钟出现一次,每次持续一分钟,则确定特定场所中存在危险物品的概率为指定概率,如60%。
一个实施例中,根据热能时序数据确定特定场所中存在危险物品的概率,具体为:
(a1)将热能时序数据输入至训练好的第一危险物品识别模型进行运算;
(a2)获取第一危险物品识别模型运算得到的第一概率值,将第一概率值作为特定场所中存在危险物品的概率;
其中,第一危险物品识别模型用于根据热能时序数据对应的热能强度值的大小、热能强度值的变化值和热能强度值的变化时间确定特定场所中存在危险物品的概率。
本实施例中所涉及的热能强度值的变化值可以为相邻时间点之间热能强度值的变化值,所涉及的热能强度值的变化时间指的是热能强度值发生变化的时间。
本实施例中预先训练有第一危险物品识别模型,第一危险物品识别模型可以为神经网络模型,如树模型。第一危险物品识别模型可以通过以下方式训练得到:设计待训练的模型结构由多层卷积层、多层池化层和全连接层组成;在特定场所中放置危险物品或者危险物品的模拟品,从而得到特定场所中具有危险物品的第一热能时序数据,并将第一热能时序数据作为正样本;在特定场所中不放置危险物品或者危险物品的模拟品,从而得到特定场所中不具有危险物品的第二热能时序数据,并将第二热能时序数据作为负样本;将正负样本打标签后输入至设计好的模型结构中进行模型训练,在模型训练过程中,模型结构会学习正负样本中的热能强度值的大小、热能强度值的变化值和热能强度值的变化时间等特征,从而学习出具有危险物品的第一热能时序数据所对应的目标特征,如热能强度值超过一定值且持续时长超过一定时长这一目标特征,或者,热能强度值随时间呈现周期性变化(如正弦波变化)这一目标特征;在模型中的各个参数收敛后,确定模型训练结束,训练好的模型即为第一危险物品识别模型。其中,第一危险物品识别模型能够学习出的目标特征不限于上述举例,可以根据场景需求进行设计。
本实施例中,在利用第一危险物品识别模型确定特定场所中存在危险物品的概率时,首先将热能时序数据输入至训练好的第一危险物品识别模型进行运算,然后获取第一危险物品识别模型运算得到的第一概率值,将第一概率值作为特定场所中存在危险物品的概率。
其中,第一危险物品识别模型可以学习输入进来的热能时序数据中的热能强度值的大小、热能强度值的变化值和热能强度值的变化时间等特征,以及计算学习到的数据特征与具有危险物品的第一热能时序数据所对应的目标特征之间的相似程度值,根据该相似程度值,确定特定场所中存在危险物品的概率。其中,可以通过计算热能强度值之间的差值和时间点之间的差值的方式计算上述的相似程度值,相似程度值可以为百分比的形式,若目标特征为多个,则每个目标特征对应一个相似程度值,可以将计算得到的多个相似程度值取平均值,作为确定得到的特定场所中存在危险物品的概率。当然,还可以通过其他方式计算特征之间的相似程度值,这里不再重复。
可见,通过本申请实施例,可以通过第一危险物品识别模型根据热能时序数据对应的热能强度值的大小、热能强度值的变化值和热能强度值的变化时间准确确定特定场所中存在危险物品的概率。
另一个实施例中,根据热能时序数据确定特定场所中存在危险物品的概率,具体为:
(b1)将热能时序数据输入至训练好的第二危险物品识别模型进行运算;
(b2)获取第二危险物品识别模型运算得到的第二概率值,将第二概率值作为特定场所中存在危险物品的概率;
其中,第二危险物品识别模型用于对热能时序数据对应的热能强度值进行聚类,根据聚类结果确定特定场所中存在危险物品的概率。
本实施例中预先训练有第二危险物品识别模型,第二危险物品识别模型可以为神经网络模型,如卷积神经网络(Convolutional Neural Networks,CNN)模型。第二危险物品识别模型可以通过以下方式训练得到:设计待训练的模型结构由多层卷积层、多层池化层和全连接层组成;在特定场所中放置危险物品或者危险物品的模拟品,从而得到特定场所中具有危险物品的第一热能时序数据,并将第一热能时序数据作为正样本;在特定场所中不放置危险物品或者危险物品的模拟品,从而得到特定场所中不具有危险物品的第二热能时序数据,并将第二热能时序数据作为负样本;将正负样本打标签后输入至设计好的模型结构中进行模型训练,在模型训练过程中,模型结构会对正负样本中的热能强度值进行学习并聚类,得到正样本对应的多个数据聚类集合和负样本对应的多个数据聚类集合;在模型中的各个参数收敛后,确定模型训练结束,训练好的模型即为第二危险物品识别模型。
本实施例中,在利用第二危险物品识别模型确定特定场所中存在危险物品的概率时,首先将热能时序数据输入至训练好的第二危险物品识别模型进行运算,然后获取第二危险物品识别模型运算得到的第二概率值,将第二概率值作为特定场所中存在危险物品的概率。
其中,第二危险物品识别模型可以对输入进来的热能时序数据中的热能强度值进行聚类,得到多个数据聚类集合,并计算该每个数据聚类集合分别与之前学习到的正样本对应的每个数据聚类集合之间的第一距离,计算该每个数据聚类集合分别与之前学习到的负样本对应的每个数据聚类集合之间的第二距离,根据第一距离和第二距离,确定特定场所中存在危险物品的概率。其中,可以通过计算数据聚类集合的中心值之间的差值的方式,计算第一距离和第二距离,可以根据第一距离和第二距离的平均值,确定特定场所中存在危险物品的概率。
可见,通过本申请实施例,可以通过第二危险物品识别模型对热能时序数据对应的热能强度值进行聚类,根据聚类结果确定特定场所中存在危险物品的概率。
本实施例中预设有概率阈值,如60%,在计算得到特定场所中存在危险物品的概率后,还判断该概率是否大于概率阈值,若大于,执行步骤S206,获取特定场所的热辐射图像和光谱图像,根据热辐射图像和光谱图像判断特定场所中是否存在危险物品。由于基于特定场所的热辐射图像和光谱图像判断特定场所中是否存在危险物品较为准确,因此本实施例中,可以将基于特定场所的热辐射图像和光谱图像的判断结果作为最终结果。
本实施例中,获取特定场所的热辐射图像和光谱图像,具体为:控制热成像仪和光谱成像仪对特定场所进行拍摄,接收热成像仪和光谱成像仪拍摄后发送的特定场所的热辐射图像和光谱图像。
具体地,本实施例中,若计算得到特定场所中存在危险物品的概率大于概率阈值,则可以通知相应的管理机构,通过管理机构调用搭载有热成像仪和光谱成像仪的无人机,或者,搭载有热成像仪和光谱成像仪的机器人,前往特定场所处,控制热成像仪和光谱成像仪对特定场所进行拍摄。无人机或机器人可以将拍摄得到的特定场所的热辐射图像和光谱图像进行回传,从而获取特定场所的热辐射图像和光谱图像。
本实施例中,根据热辐射图像和光谱图像判断特定场所中是否存在危险物品,具体为:
(c1)将特定场所的热辐射图像和光谱图像输入至训练好的第三危险物品识别模型进行运算;
(c2)获取第三危险物品识别模型的运算结果,根据运算结果确定特定场所中是否存在危险物品;
(c3)其中,第三危险物品识别模型用于基于热辐射图像中的各个物品的热辐射特征和光谱图像中的各个物品的光谱特征,确定特定场所中是否存在危险物品。
本实施例中预先训练有第三危险物品识别模型,第三危险物品识别模型可以为神经网络模型,如CNN模型。第三危险物品识别模型的运算结果可以包括0和1,0表示特定场所中不存在危险物品,1表示特定场所中存在危险物品。第三危险物品识别模型可以通过以下方式训练得到:
(d1)建立神经网络模型;其中,神经网络模型中包括用于处理热辐射特征的第一神经网络结构、用于处理光谱特征的第二神经网络结构和全连接层;全连接层用于将第一神经网络结构和第二神经网络结构进行连接并基于第一神经网络结构的处理结果和第二神经网络结构的处理结果输出模型处理结果;模型处理结果用于表示特定场所中是否存在危险物品;
(d2)获取特定场所中存在危险物品时对应的热辐射图像和光谱图像作为正样本图像,获取特定场所中不存在危险物品时对应的热辐射图像和光谱图像作为负样本图像;
(d3)利用正样本图像和负样本图像训练神经网络模型,将训练好的神经网络模型作为第三危险物品识别模型。
首先,构建神经网络模型,神经网络模型的具体结构如上介绍。然后,获取正样本图像和负样本图像,最后,将正样本图像和负样本图像打标签后输入至神经网络模型进行训练,神经网络模型训练过程中,神经网络模型中的第一神经网络结构会学习正负样本中的热辐射特征,从而学习出具有危险物品的热辐射图像的主要特征,神经网络模型中的第二神经网络结构会学习正负样本中的光谱特征,从而学习出具有危险物品的光谱图像的主要特征,全连接层可以结合第一神经网络结构和第二神经网络结构的学习结果,输出结果值0和1,0表示特定场所中不存在危险物品,1表示特定场所中存在危险物品。在模型中的各个参数收敛后,确定模型训练结束,训练好的模型即为第三危险物品识别模型。
本实施例中,在利用第三危险物品识别模型确定特定场所中是否存在危险物品时,首先将热辐射图像和光谱图像输入至训练好的第三危险物品识别模型进行运算,然后获取第三危险物品识别模型的运算结果,根据运算结果确定特定场所中是否存在危险物品。
其中,第三危险物品识别模型中的第一神经网络结构可以学习输入进来的热辐射图像中的各个物品的热辐射特征,并根据之前学习出来的具有危险物品的热辐射图像的主要特征,得出第一结果,第一结果表示根据热辐射图像确定出来的特定场所中是否存在危险物品。第三危险物品识别模型中的第二神经网络结构可以学习输入进来的光谱图像中的各个物品的光谱特征,并根据之前学习出来的具有危险物品的光谱图像的主要特征,得出第二结果,第二结果表示根据光谱图像确定出来的特定场所中是否存在危险物品。全连接层可以结合第一结果和第二结果,若第一结果和第二结果均表示特定场所中存在危险物品,则全连接层输出1,反之,全连接层输出0。本实施例中,基于第三危险物品识别模型的模型结构,第三危险物品识别模型还可以通过其他方式输出运算结果,这里不再重复。
第三危险物品识别模型中的第一神经网络结构能够自动提取到热辐射图像的轮廓特征、局部的数值对比属性特征,对于含有危险物品的图片样本,一般热辐射图像中具有较强的热能对比或者规律性热能数值变化,基于CNN网络可以有效抓取相关特征,提高预测准确度。
第三危险物品识别模型中的第一神经网络结构能够基于光谱图像自动提取光谱域和空间域的特征,尤其CNN网络能够自动有效地提取局部轮廓特征,有效获取空间域的特征,使得物质预测有较高准确度。
可见,通过本申请实施例,可以通过第三危险物品识别模型基于热辐射图像中的各个物品的热辐射特征和光谱图像中的各个物品的光谱特征,准确确定特定场所中是否存在危险物品。
图4为本申请另一实施例提供的危险物品识别方法的流程示意图,如图4所示,该流程包括:
步骤S402,通过热能探测器获取特定场所的热能时序数据;
步骤S404,通过第一危险物品识别模型根据热能时序数据对应的热能强度值的大小、热能强度值的变化值和热能强度值的变化时间确定特定场所中存在危险物品的概率,或者,通过第二危险物品识别模型对热能时序数据对应的热能强度值进行聚类,根据聚类结果确定特定场所中存在危险物品的概率;
步骤S406,判断该概率是否大于概率阈值;
若不大于则结束流程,若大于则执行步骤S408;
步骤S408,通过热成像仪和光谱成像仪获取特定场所的热辐射图像和光谱图像;
步骤S410,通过第三危险物品识别模型基于热辐射图像中的各个物品的热辐射特征和光谱图像中的各个物品的光谱特征,确定特定场所中是否存在危险物品;
若存在则执行步骤S412,人工排查特定场所中的危险物品,否则结束流程。
图4中,若通过第三危险物品识别模型确定特定场所中不存在危险物品,则还可以将该结果反馈至第一危险物品识别模型和第二危险物品识别模型,从而提高第一危险物品识别模型和第二危险物品识别模型的准确度。
进一步地,本实施例中的方法还包括:
(e1)在确定特定场所中存在危险物品后,确定特定场所对应的人员监控区域;
(e2)通过设置于人员监控区域处的摄像头获取人员监控区域处的人脸图像;
(e3)将获取的人脸图像与预先确定的危险人员对应的人脸图像进行比对,根据比对结果识别位于人员监控区域处的危险人员。
具体地,在在确定特定场所中存在危险物品后,确定特定场所对应的人员监控区域,比如,特定场所为学校,人员监控区域为学校的各个入口,特定场所为车站,人员监控区域为车站的大厅和入口,若热能探测器设置于特定场所中的垃圾桶中,则人员监控区域可以为垃圾桶周围的区域。
然后,通过设置于人员监控区域处的摄像头获取人员监控区域处的人脸图像。最后,将获取的人脸图像与预先确定的危险人员对应的人脸图像进行比对,若比对一致,则将该一致的人脸图像对应的人员确定为危险人员。
通过上述动作(e1)至(e3),可以识别出可能投放危险物品的危险人员,从而保证人员安全。
综上所述,本实施例中首先采用成本便宜的热能探测器探测特定场所的热能时序数据,并根据特定场所的热能时序数据确定特定场所中存在危险物品的概率,若该概率大于概率阈值,则通过无人机或机器人获取特定场所的热辐射图像和光谱图像,根据热辐射图像和光谱图像判断特定场所中是否存在危险物品,从而保证特定场所安全,提升公共安全系数。
对应上述的危险物品识别方法,本申请实施例还提供了一种危险物品识别装置,图5为本申请一实施例提供的危险物品识别装置的模块组成示意图,如图5所示,该装置包括:
获取模块51,用于获取设置于特定场所的热能探测器探测到的热能时序数据,所述热能时序数据包括多个时间点和各时间点分别对应的所述特定场所的热能强度值;
第一确定模块52,用于根据所述热能时序数据确定所述特定场所中存在危险物品的概率;
第二确定模块53,用于若所述概率大于概率阈值,则获取所述特定场所的热辐射图像和光谱图像,根据所述热辐射图像和所述光谱图像判断所述特定场所中是否存在危险物品。
可选地,所述第一确定模块52具体用于:将所述热能时序数据输入至训练好的第一危险物品识别模型进行运算;获取所述第一危险物品识别模型运算得到的第一概率值,将所述第一概率值作为所述特定场所中存在危险物品的概率;其中,所述第一危险物品识别模型用于根据所述热能时序数据对应的热能强度值的大小、热能强度值的变化值和热能强度值的变化时间确定所述特定场所中存在危险物品的概率。
可选地,所述第一确定模块52具体用于:将所述热能时序数据输入至训练好的第二危险物品识别模型进行运算;获取所述第二危险物品识别模型运算得到的第二概率值,将所述第二概率值作为所述特定场所中存在危险物品的概率;其中,所述第二危险物品识别模型用于对所述热能时序数据对应的热能强度值进行聚类,根据聚类结果确定所述特定场所中存在危险物品的概率。
可选地,所述第二确定模块53具体用于:将所述热辐射图像和所述光谱图像输入至训练好的第三危险物品识别模型进行运算;获取所述第三危险物品识别模型的运算结果,根据所述运算结果确定所述特定场所中是否存在危险物品;其中,所述第三危险物品识别模型用于基于所述热辐射图像中的各个物品的热辐射特征和所述光谱图像中的各个物品的光谱特征,确定所述特定场所中是否存在危险物品。
可选地,所述装置还包括模型训练模块,用于:通过以下方式训练得到所述第三危险物品识别模型:建立神经网络模型;其中,所述神经网络模型中包括用于处理所述热辐射特征的第一神经网络结构、用于处理所述光谱特征的第二神经网络结构和全连接层;所述全连接层用于将所述第一神经网络结构和所述第二神经网络结构进行连接并基于所述第一神经网络结构的处理结果和所述第二神经网络结构的处理结果输出模型处理结果;所述模型处理结果用于表示所述特定场所中是否存在危险物品;获取所述特定场所中存在危险物品时对应的热辐射图像和光谱图像作为正样本图像,获取所述特定场所中不存在危险物品时对应的热辐射图像和光谱图像作为负样本图像;利用所述正样本图像和所述负样本图像训练所述神经网络模型,将训练好的所述神经网络模型作为所述第三危险物品识别模型。
可选地,所述第二确定模块53具体用于:控制热成像仪和光谱成像仪对所述特定场所进行拍摄;接收所述热成像仪和所述光谱成像仪拍摄后发送的所述特定场所的热辐射图像和光谱图像。
可选地,所述装置还包括人员识别模块,用于:在确定所述特定场所中存在危险物品后,确定所述特定场所对应的人员监控区域;通过设置于所述人员监控区域处的摄像头获取所述人员监控区域处的人脸图像;将获取的所述人脸图像与预先确定的危险人员对应的人脸图像进行比对,根据比对结果识别位于所述人员监控区域处的危险人员。
本实施例中,首先获取设置于特定场所的热能探测器探测到的热能时序数据,然后根据热能时序数据确定特定场所中存在危险物品的概率,若该概率大于概率阈值,则获取特定场所的热辐射图像和光谱图像,根据该热辐射图像和光谱图像判断特定场所中是否存在危险物品。可见,通过本实施例能够准确识别特定场所中是否存在危险物品。
需要说明的是,本申请实施例中的危险物品识别装置能够实现上述的危险物品识别方法实施例的各个过程,并达到相同的效果和功能,这里不再赘述。
进一步地,本申请实施例还提供了一种危险物品识别设备,图6为本申请一实施例提供的危险物品识别设备的结构示意图,如图6所示,危险物品识别设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器901和存储器902,存储器902中可以存储有一个或一个以上存储应用程序或数据。其中,存储器902可以是短暂存储或持久存储。存储在存储器902的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对危险物品识别设备中的一系列计算机可执行指令。更进一步地,处理器901可以设置为与存储器902通信,在危险物品识别设备上执行存储器902中的一系列计算机可执行指令。危险物品识别设备还可以包括一个或一个以上电源903,一个或一个以上有线或无线网络接口904,一个或一个以上输入输出接口905,一个或一个以上键盘906等。
在一个具体的实施例中,危险物品识别设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对危险物品识别设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取设置于特定场所的热能探测器探测到的热能时序数据,所述热能时序数据包括多个时间点和各时间点分别对应的所述特定场所的热能强度值;
根据所述热能时序数据确定所述特定场所中存在危险物品的概率;
若所述概率大于概率阈值,则获取所述特定场所的热辐射图像和光谱图像,根据所述热辐射图像和所述光谱图像判断所述特定场所中是否存在危险物品。
可选地,计算机可执行指令在被执行时,根据所述热能时序数据确定所述特定场所中存在危险物品的概率,包括:将所述热能时序数据输入至训练好的第一危险物品识别模型进行运算;获取所述第一危险物品识别模型运算得到的第一概率值,将所述第一概率值作为所述特定场所中存在危险物品的概率;其中,所述第一危险物品识别模型用于根据所述热能时序数据对应的热能强度值的大小、热能强度值的变化值和热能强度值的变化时间确定所述特定场所中存在危险物品的概率。
可选地,计算机可执行指令在被执行时,根据所述热能时序数据确定所述特定场所中存在危险物品的概率,包括:将所述热能时序数据输入至训练好的第二危险物品识别模型进行运算;获取所述第二危险物品识别模型运算得到的第二概率值,将所述第二概率值作为所述特定场所中存在危险物品的概率;其中,所述第二危险物品识别模型用于对所述热能时序数据对应的热能强度值进行聚类,根据聚类结果确定所述特定场所中存在危险物品的概率。
可选地,计算机可执行指令在被执行时,根据所述热辐射图像和所述光谱图像判断所述特定场所中是否存在危险物品,包括:将所述热辐射图像和所述光谱图像输入至训练好的第三危险物品识别模型进行运算;获取所述第三危险物品识别模型的运算结果,根据所述运算结果确定所述特定场所中是否存在危险物品;其中,所述第三危险物品识别模型用于基于所述热辐射图像中的各个物品的热辐射特征和所述光谱图像中的各个物品的光谱特征,确定所述特定场所中是否存在危险物品。
可选地,计算机可执行指令在被执行时,所述第三危险物品识别模型通过以下方式训练得到:建立神经网络模型;其中,所述神经网络模型中包括用于处理所述热辐射特征的第一神经网络结构、用于处理所述光谱特征的第二神经网络结构和全连接层;所述全连接层用于将所述第一神经网络结构和所述第二神经网络结构进行连接并基于所述第一神经网络结构的处理结果和所述第二神经网络结构的处理结果输出模型处理结果;所述模型处理结果用于表示所述特定场所中是否存在危险物品;获取所述特定场所中存在危险物品时对应的热辐射图像和光谱图像作为正样本图像,获取所述特定场所中不存在危险物品时对应的热辐射图像和光谱图像作为负样本图像;利用所述正样本图像和所述负样本图像训练所述神经网络模型,将训练好的所述神经网络模型作为所述第三危险物品识别模型。
可选地,计算机可执行指令在被执行时,获取所述特定场所的热辐射图像和光谱图像,包括:控制热成像仪和光谱成像仪对所述特定场所进行拍摄;接收所述热成像仪和所述光谱成像仪拍摄后发送的所述特定场所的热辐射图像和光谱图像。
可选地,计算机可执行指令在被执行时,还包括:在确定所述特定场所中存在危险物品后,确定所述特定场所对应的人员监控区域;通过设置于所述人员监控区域处的摄像头获取所述人员监控区域处的人脸图像;将获取的所述人脸图像与预先确定的危险人员对应的人脸图像进行比对,根据比对结果识别位于所述人员监控区域处的危险人员。
本实施例中,首先获取设置于特定场所的热能探测器探测到的热能时序数据,然后根据热能时序数据确定特定场所中存在危险物品的概率,若该概率大于概率阈值,则获取特定场所的热辐射图像和光谱图像,根据该热辐射图像和光谱图像判断特定场所中是否存在危险物品。可见,通过本实施例能够准确识别特定场所中是否存在危险物品。
需要说明的是,本申请实施例中的危险物品识别设备能够实现上述的危险物品识别方法实施例的各个过程,并达到相同的效果和功能,这里不再赘述。
进一步地,本申请实施例还提供了一种存储介质,用于存储计算机可执行指令,一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令在被处理器执行时,能实现以下流程:
获取设置于特定场所的热能探测器探测到的热能时序数据,所述热能时序数据包括多个时间点和各时间点分别对应的所述特定场所的热能强度值;
根据所述热能时序数据确定所述特定场所中存在危险物品的概率;
若所述概率大于概率阈值,则获取所述特定场所的热辐射图像和光谱图像,根据所述热辐射图像和所述光谱图像判断所述特定场所中是否存在危险物品。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,根据所述热能时序数据确定所述特定场所中存在危险物品的概率,包括:将所述热能时序数据输入至训练好的第一危险物品识别模型进行运算;获取所述第一危险物品识别模型运算得到的第一概率值,将所述第一概率值作为所述特定场所中存在危险物品的概率;其中,所述第一危险物品识别模型用于根据所述热能时序数据对应的热能强度值的大小、热能强度值的变化值和热能强度值的变化时间确定所述特定场所中存在危险物品的概率。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,根据所述热能时序数据确定所述特定场所中存在危险物品的概率,包括:将所述热能时序数据输入至训练好的第二危险物品识别模型进行运算;获取所述第二危险物品识别模型运算得到的第二概率值,将所述第二概率值作为所述特定场所中存在危险物品的概率;其中,所述第二危险物品识别模型用于对所述热能时序数据对应的热能强度值进行聚类,根据聚类结果确定所述特定场所中存在危险物品的概率。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,根据所述热辐射图像和所述光谱图像判断所述特定场所中是否存在危险物品,包括:将所述热辐射图像和所述光谱图像输入至训练好的第三危险物品识别模型进行运算;获取所述第三危险物品识别模型的运算结果,根据所述运算结果确定所述特定场所中是否存在危险物品;其中,所述第三危险物品识别模型用于基于所述热辐射图像中的各个物品的热辐射特征和所述光谱图像中的各个物品的光谱特征,确定所述特定场所中是否存在危险物品。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述第三危险物品识别模型通过以下方式训练得到:建立神经网络模型;其中,所述神经网络模型中包括用于处理所述热辐射特征的第一神经网络结构、用于处理所述光谱特征的第二神经网络结构和全连接层;所述全连接层用于将所述第一神经网络结构和所述第二神经网络结构进行连接并基于所述第一神经网络结构的处理结果和所述第二神经网络结构的处理结果输出模型处理结果;所述模型处理结果用于表示所述特定场所中是否存在危险物品;获取所述特定场所中存在危险物品时对应的热辐射图像和光谱图像作为正样本图像,获取所述特定场所中不存在危险物品时对应的热辐射图像和光谱图像作为负样本图像;利用所述正样本图像和所述负样本图像训练所述神经网络模型,将训练好的所述神经网络模型作为所述第三危险物品识别模型。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,获取所述特定场所的热辐射图像和光谱图像,包括:控制热成像仪和光谱成像仪对所述特定场所进行拍摄;接收所述热成像仪和所述光谱成像仪拍摄后发送的所述特定场所的热辐射图像和光谱图像。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,还包括:在确定所述特定场所中存在危险物品后,确定所述特定场所对应的人员监控区域;通过设置于所述人员监控区域处的摄像头获取所述人员监控区域处的人脸图像;将获取的所述人脸图像与预先确定的危险人员对应的人脸图像进行比对,根据比对结果识别位于所述人员监控区域处的危险人员。
本实施例中,首先获取设置于特定场所的热能探测器探测到的热能时序数据,然后根据热能时序数据确定特定场所中存在危险物品的概率,若该概率大于概率阈值,则获取特定场所的热辐射图像和光谱图像,根据该热辐射图像和光谱图像判断特定场所中是否存在危险物品。可见,通过本实施例能够准确识别特定场所中是否存在危险物品。
需要说明的是,本申请实施例中的存储介质能够实现上述的危险物品识别方法实施例的各个过程,并达到相同的效果和功能,这里不再赘述。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,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。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,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。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。