安检识别方法、装置、计算机设备和存储介质
技术领域
本申请涉及图像处理技术领域,特别是涉及一种安检识别方法、装置、计算机设备和存储介质。
背景技术
安检是指安全检查,安全检查是对施工项目贯彻安全生产法律法规的情况、安全生产状况、劳动条件、事故隐患等进行的检查,其主要内容包括查思想、查制度、查机械设备、查安全卫生设施、查安全教育及培训、查生产人员行为、在防护用品施工、查伤亡事故处理等。
日常生活中最常见的安全检查包括口岸检查等,口岸检查包括X射线安检、探测检查门、磁性探测器以及人工检查。其中,X射线安检中的X射线是原子中的电子在能量相差悬殊的两个能级之间的跃迁而产生的粒子流,是波长介于紫外线和γ射线之间的电磁波。其波长很短约介于0.01~100埃之间。由德国物理学家W.K.伦琴于1895年发现,故又称伦琴射线。X射线具有很高的穿透本领,能透过许多对可见光不透明的物质,如墨纸、木料等。这种肉眼看不见的射线可以使很多固体材料发生可见的荧光,使照相底片感光以及空气电离等效应。X射线最初用于医学成像诊断和X射线结晶学,如今也广泛应用于安检设备中。
然而,在现有使用X射线安检设备进行安检的过程中,通常由X射线安检设备基于X光技术得到物品对应的X光图像后,通过安检人员肉眼观察从而判断是否有违规物品,例如各种液体等。但是,当安检数量过多时,若需快速进行安检,则容易造成漏检的情况,而若进行仔细安检便又会增加安检时间,从而导致安检效率低下。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高安检效率的安检识别方法、装置、计算机设备和存储介质。
一种安检识别方法,所述方法包括:
利用X光对待检测物品进行图像采集,得到所述待检测物品对应的X光图像;
当对所述X光图像进行检测,确定所述X光图像中包含液体容器时,获取所述液体容器对应的图像坐标;
将所述图像坐标与所述待检测物品进行坐标映射,确定所述液体容器的实际位置坐标;
控制激光指示器直射并追踪所述实际位置坐标,确定所述液体容器的实际位置。
在其中一个实施例中,所述利用X光对待检测物品进行图像采集,得到所述待检测物品对应的X光图像之后,所述获取所述液体容器对应的图像坐标之前,包括步骤:基于预设的神经网络对所述X光图像进行检测,确定所述X光图像中是否包含液体容器;
所述基于预设的神经网络对所述X光图像进行检测,确定所述X光图像中是否包含液体容器,包括:
利用所述神经网络对所述X光图像进行特征提取,确定所述X光图像中各待检测物品的物品特征;
根据所述物品特征进行物品定位,获取物品定位区域;
对所述物品定位区域进行边缘检测和重叠区预测,得到各物品定位区域中物品的轮廓线;
根据所述轮廓线截取各物品对应的物品区域图像;
对各所述物品区域图像进行图像识别,得到识别结果,根据所述识别结果确定所述X光图像中是否包含液体容器。
在其中一个实施例中,所述控制激光指示器直射并追踪所述实际位置坐标,确定所述液体容器的实际位置之后,还包括:
根据所述液体容器的实际位置坐标,对所述液体容器进行液体取样,得到液体样本;
对所述液体样本进行检测,确定所述液体容器中的液体是否存在风险,并生成对应的检测结果。
在其中一个实施例中,所述对所述液体样本进行检测,确定所述液体容器中的液体是否存在风险,并生成对应的检测结果,包括:
若检测确定所述液体容器中的液体属于预设类型的液体,则确定所述液体容器中的液体不存在风险,生成对应的无风险标签作为检测结果;
若检测确定所述液体容器中的液体不属于预设类型的液体,则确定所述液体容器中的液体存在风险,生成对应的风险标签作为检测结果;
分别将所述无风险标签和风险标签与对应的液体容器进行关联。
在其中一个实施例中,所述确定所述液体容器中的液体存在风险,生成对应的风险标签作为检测结果之后,还包括:
生成对应的检测报告;
将所述检测报告与对应的风险标签进行关联。
在其中一个实施例中,所述控制激光指示器直射并追踪所述实际位置坐标,确定所述液体容器的实际位置之后,还包括:
根据所述液体容器的实际位置坐标,对所述液体容器进行图像采集和温度采集,获得液体容器图像和所述液体容器的表面温度;
对所述液体容器图像进行图像识别,得到所述液体容器的容器特征;
当根据所述容器特征确定所述液体容器为透明容器时,对所述液体容器进行紫外波扫描,得到所述液体容器中液体的第一波长扫描图;
根据所述液体容器图像、所述表面温度、所述容器特征以及所述第一波长扫描图确定所述液体容器中液体的类型。
在其中一个实施例中,所述方法还包括:
对所述液体容器对应的液体样本进行紫外波扫描,得到所述液体容器中液体的第二波长扫描图;
当确定所述第一波长扫描图与所述第二波长扫描图相匹配时,基于所述第二波长扫描图获取所述液体样本的光密度值;
将所述光密度、所述液体容器图像、所述表面温度、所述容器特征以及所述第一波长扫描图增加至所述液体容器的检测报告中。
一种安检识别装置,所述装置包括:
采集模块,用于利用X光对待检测物品进行图像采集,得到所述待检测物品对应的X光图像;
获取模块,用于当对所述X光图像进行检测,确定所述X光图像中包含液体容器时,获取所述液体容器对应的图像坐标;
映射模块,用于将所述图像坐标与所述待检测物品进行坐标映射,确定所述液体容器的实际位置坐标;
控制模块,用于控制激光指示器直射并追踪所述实际位置坐标,确定所述液体容器的实际位置。一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的安检识别方法。
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一项所述的安检识别方法。
上述安检识别方法、装置、计算机设备和存储介质,利用X光成像技术采集得到待检测物品对应的X光图像后,对X光图像进行检测确定包含液体容器时,获取液体容器对应的图像坐标。从而确定待检测物品是否存在液体容器,实现了自动化的安检,无需安检人员进行肉眼识别,提高了安检效率。进一步,根据液体容器的图像坐标进行坐标映射,得到液体容器的实际坐标位置,并且控制激光指示器直射追踪该实际坐标位置确定液体容器安检的实际位置,从而确保实时反馈所检测到的液体容器的位置,保证安检速率,节约时间提高安检效率。
附图说明
图1为一个实施例中安检识别方法的流程示意图;
图2为另一个实施例中安检识别方法的流程示意图;
图3为一个实施例中基于预设的神经网络对X光图像进行检测,确定X光图像中是否包含液体容器步骤的流程示意图;
图4为另一个实施例中安检识别方法的流程示意图;
图5为一个实施例中安检识别装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的安检识别方法,可以应用于安检设备中,例如安检机。安检机又名安检仪,广泛应用于机场、火车站、地铁站以及需要进行安全检查的场所。其中,安检设备利用X光对待检测物品进行图像采集,得到待检测物品对应的X光图像。当安检设备对X光图像进行检测,确定X光图像中包含液体容器时,获取液体容器对应的图像坐标。将图像坐标与待检测物品进行坐标映射,确定液体容器的实际位置坐标。安检设备控制激光指示器直射并追踪实际位置坐标,确定液体容器的实际位置。
在一个实施例中,如图1所示,提供了一种安检识别方法,以该方法应用于安检设备为例进行说明,包括以下步骤:
步骤S102,利用X光对待检测物品进行图像采集,得到待检测物品对应的X光图像。
其中,待检测物品是指需要通过安检机进行安全检查的物品。X光是指X射线。由德国物理学家W.K伦琴于1895年发现,因此X射线又称为伦琴射线。X射线是一种波长极短,能量却很大的电磁波。它具有很高的穿透能力,能透过许多对可见光不透明的物质,例如墨纸、木料等。而且X射线在电场或磁场中不发生偏转,能发生反射、折射、干涉和衍射。它是一种肉眼不可见的射线,这种肉眼看不见的射线可以使很多固体材料发生可见的荧光,是照相底片光感以及空气电离等效应。X射线不仅具有穿透物质的本领,面对不同物质它的穿透本领还不相同。例如,X射线还能使分子或原子电离,对细胞具有破坏作用等。而由于X射线能够基于人体组织密度和厚度的差别使得人体在荧屏上或胶片上形成影像,因此X射线早期广泛应用于医学成像诊断领域。而X光图像便是由X射线实现的X光成像技术。
具体地,当有待检测物品通过安检设备时,安检设备利用X光成像技术对待检测物品进行图像采集,得到待检测物品的X光图像。以有输送机的安检设备为例,可以理解为,当用户携带物品需要经过安全检查,用户所携带的物品为待检测物品,例如行李箱、包包等。当安检设备中运行的输送带上接收到用户放置的待检测物品后,将待检测物品传输到X射线检测区域。而当待检测物品进入到X射线检测区域会触发检测传感器,检测传感器将会生成检测指令。检测指令即会被送往安检设备的系统控制器中,安检设备的系统控制器即响应检测指令通过控制X射线的射线源发射X射线。利用X射线穿过输送带上的待检测物品,X射线即会被待检测物品所吸收,即可触发X射线检测区域中的探测器将X射线转换为信号,并将信号送到安检设备中的图像处理器中,通过对信号进行X光成像处理得到待检测物品对应的X光图像。
步骤S104,当对X光图像进行检测,确定X光图像中包含液体容器时,获取液体容器对应的图像坐标。
其中,液体容器可以理解为装了各种液体的容器,例如瓶子、杯子等,液体可以理解为水、饮料等。
具体地,当安检设备利用X光对待检测物品进行图像采集,得到对应的X光图像后,通过对X光图像进行图像检测确定X光图像中的待检测物品中包含液体容器后,获取到液体容器在X光图像上对应的图像坐标。即液体容器在X光图像所在的位置。若X光图像中的待检测物品没有包含液体容器,则没有对应的图像坐标,坐标为空。可以理解为,图像检测可以采用任意一种图像检测算法。
进一步的,获取到X光图像之后,可以首先对X光图像进行预处理再进行图像检测。预处理包括平滑处理、中值滤波和对比度增强处理等。可以理解为,预处理包括但不限于平滑处理、中值滤波和对比度增强等处理,还可以进行密度分割和反差增强等处理。
中值滤波法是一种非线性平滑技术,它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近真实值,从而消除孤立的噪声点。方法是用某种结构的二维滑动模板,将板内像素按照像素值的大小进行排序,生成单调上升(或下降)的为二维数据序列。二维中值滤波输出为g(x、y)=med{f(x-k、y-l),(k、l∈W)},其中,f(x,y),g(x,y)分别为原始图像和处理后图像。W为二维模板,通常为3*3,5*5区域,也可以是不同的形状,如线状,圆形,十字形,圆环形等。而在数字图像处理中,当像元放大后,图像的边界就会出现锯齿状,经过增加像元内插处理,加大像元分辨率,使图像细化,即是平滑化处理。而对比度增强是将图像中的亮度值范围拉伸或压缩成显示系统指定的亮度显示范围,从而提高图像全部或局部的对比度。输入图像中的每个亮度值通过一定的转换函数,对应于输出图像的一个显示值。在本实施例中,通过预处理使所采集到的X光图像在进一步的进行识别过程中,排除干扰,更加快速地进行识别和定位。
步骤S106,将图像坐标与待检测物品进行坐标映射,确定液体容器的实际位置坐标。
其中,坐标映射是指经过计算获取物品图像上的坐标在实际物品上的坐标的过程。通过坐标映射可以确定液体容器在待检测物品中的位置。
具体地,当X光图像经过神经网络的检测,得到了液体容器的图像坐标,将该图像坐标进行坐标映射,确定该图像坐标在待检测物品中的实际位置坐标。通过实际位置坐标即可在待检测物品中确定液体容器的位置。
步骤S108,控制激光指示器直射并追踪实际位置坐标,确定液体容器的实际位置。
其中,激光指示器是指能够发射激光的装置,例如激光笔等。激光是指通过受激辐射光扩大,原子受激辐射的光。原子中的电子吸收能量后从低能级跃迁到高能级,再从高能级回落到低能级的时候,所释放的能量以光子的形式放出。
具体地,确定液体容器的实际位置坐标后,通过控制激光指示器对该实际位置坐标进行直射,用于指示液体容器所在的位置。并且,由于输送带一直处于运行中,因此控制激光指示器跟随实际位置坐标的移动而移动,实现与液体容器的追踪。
上述安检识别方法,利用X光成像技术采集得到待检测物品对应的X光图像后,对X光图像进行检测确定包含液体容器时,获取液体容器对应的图像坐标。从而确定待检测物品是否存在液体容器,实现了自动化的安检,无需安检人员进行肉眼识别,提高了安检效率。进一步,根据液体容器的图像坐标进行坐标映射,得到液体容器的实际坐标位置,并且控制激光指示器直射追踪该实际坐标位置确定液体容器安检的实际位置,从而确保实时反馈所检测到的液体容器的位置,保证安检速率,节约时间提高安检效率。
在一个实施例中,如图2所示,在步骤S102之后,以及步骤S104之前,还包括步骤S103,基于预设的神经网络对X光图像进行检测,确定X光图像中是否包含液体容器。
其中,神经网络是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象,建立某种简单模型,按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型,由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数,称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。通过神经网络对X光图像进行识别检测,确定X光图像中是否包含液体容器。在本实施例中,神经网络预先训练好的可以用于X光图像检测的X光液体识别模型,利用标注了液体容器的X光图像样本对神经网络进行迭代训练,直到模型稳定位置,将训练后的神经网络作为本实施例中X光图像检测的X光液体识别模型。其中,X光液体识别模型包括但不限于是卷积神经网络(CNN)、全卷积网络(FCN)。
具体地,通过预先训练好的X光液体识别模型对X光图像进行检测,即将X光图像作为X光液体识别模型的输入图像输入至X光液体识别模型中。X光液体识别模型通过对X光图像进行卷积池化等操作提取X光图像中物品的特征,根据特征确定X光图像上是否存在液体容器。若包括液体容器,根据X光液体识别模型输出图像中的边框确定液体容器所在区域,即边框所包括的区域即为液体容器所在的区域,根据所在图像区域即可确定液体容器所在的坐标。在本实施例中,利用神经网络检测X光图像,不仅提高检测准确率还加快检测速度,从而提高安检的效率。
在一个实施例中,如图3所示,步骤S103,基于预设的神经网络对X光图像进行检测,确定X光图像中是否包含液体容器,包括以下步骤:
步骤S302,利用神经网络对X光图像进行特征提取,确定X光图像中各待检测物品的物品特征。
其中,物品特征是指各种待检测物品的特征,例如纹理特征、形状特征等。而由于不同用户携带的物品尽不相同,例如所携带的行李箱中放置大量不同的个人物品。因此通过各种检测得到物品特征确定物品的属性分类。
具体地,通过神经网络中的特征提取层对X光图像进行特征提取,得到X光图像中各待检测物品的物品特征。其中,特征提取层包括但不限于为卷积层。
步骤S304,根据物品特征进行物品定位,获取物品定位区域。
具体地,通过特征提取层得到待检测物品中各物品的物品特征后,神经网络中的分类层基于预先训练学习的物品特征对该物品特征进行匹配分类。即将待检测物品中的物品特征与训练学习的物品特征进行匹配,根据所匹配的结果划分不同的区域,即进行物品定位。例如经过匹配确定属于同一特征的图像区域划分为一类,经过特征的匹配分类,X光图像被划分为不同的区域。可以理解为,划分后的不同图像区域中为不同类别的物品。
步骤S306,对物品定位区域进行边缘检测和重叠区预测,得到各物品定位区域中物品的轮廓线。
其中,边缘检测是图像处理和计算机视觉中的基本问题,边缘检测的目的是标识数字图像中亮度变化明显的点。通过边缘检测可以确定物品在图像中的轮廓,即确定在图像中各物品的物品轮廓。而重叠区域预测即是由于安检物品过多,或者集中在一个固定的容器中,例如行李箱中的物品,难免会有重叠现象,通过重叠区域的预测,能够准确地得出物品的轮廓,防止因重叠而使得得到的轮廓不准确。
具体地,当确定物品的定位区域后,通过对物品定位区域进行边缘检测和重叠区预测,确定物品定位区域中各物品的轮廓线。其中,边缘检测可以采用Sobel算子、Laplacian算子以及Canny算子。重叠区预测可以基于预先训练好用于预测重叠区域的神经网络进行预测得到。
进一步的,Sobel算子为包含两组3*3矩阵的卷积因子,利用Sobel算子的卷积因子与物品定位区域对应的图像矩阵进行平面卷积,得到物品定位区域的横向和纵向的图像灰度值。根据横向和纵向的图像灰度值计算灰度的大小和梯度方向的梯度幅值。将梯度幅值小于阈值的点标记为边缘,即完成边缘检测得到各物品的轮廓线。而Canny算子则是通过高斯滤波器平滑物品定位区域图像,滤除图像的噪声。然后,计算图像中各像素点的梯度强度和方向,应用非极大值抑制,以消除边缘检测带来的杂散响应。在利用双阈值检测来确定真实的和潜在的边缘,通过抑制孤立的弱边缘最终完成边缘检测。
步骤S308,根据轮廓线截取各物品对应的物品区域图像。
步骤S310,对各物品区域图像进行图像识别,得到识别结果,根据识别结果确定述X光图像中是否包含液体容器。
具体地,当得到各物品的轮廓线后,根据该轮廓线对图像进行截取,得到该物品单独的图像,即物品区域图像。也就是说,物品区域图像为包含物体的最小图像。进一步的,通过神经网络对物品区域图像进行图像识别,得到该物品区域图像中的物品为液体容器的概率值,根据概率值确定该物品是否为液体容器。
在本实施例中,首先通过神经网络检测的物品特征将X光图像中的待检测物品图像,转换为只包含单独物品的最小图像,保证物品划分的准确性。进而在利用神经网络对该最小图像进行识别和判断,从而大大降低了高质量图片对于系统资源的占用和浪费;同时,每个最小图像进行单独的识别和定位,使系统进行多线程的识别工作,大大提高了工作效率。
在一个实施例中,如图4所示,在步骤S108,控制激光指示器直射并追踪实际位置坐标,确定液体容器的实际位置之后,还包括对液体容器中的液体进行检测的步骤,具体包括以下步骤:
步骤S110,根据液体容器的实际位置坐标,对液体容器进行液体取样,得到液体样本。
具体地,在确定液体容器的实际位置坐标,并控制激光指示器进行直射追踪后,调用自动取样器对液体容器中的液体进行取样,得到液体样本。同样,可以通过人工进行取样。通过对液体取样得到的液体样本进行进一步的检测,确定液体是否具有风险。其中,自动取样器,可以为包括有穿刺头和进样管的设备,当需要进行液体样本检测时,自动控制穿刺头对指定位置进行穿刺取样,从而得到液体样本。
步骤S112,对液体样本进行检测,确定液体容器中的液体是否存在风险,并生成对应的检测结果。
具体地,自动取样机与磁共振设备相连接,自动取样机将所取的液体样本放置于磁共振设备的磁共振检测管中,利用磁共振技术进行进一步的检测。通过利用磁共振技术对待测的液体样本进行快速检测,通过匀场、照射,从而测定出液体的性质,从而判断出液体是否存在风险并生成对应的检测结果。
在一个实施例中,对液体样本进行检测,确定液体容器中的液体是否存在风险,并生成对应的检测结果具体包括:若检测确定液体容器中的液体属于预设类型的液体,则确定液体容器中的液体不存在风险,生成对应的无风险标签作为检测结果。若检测确定液体容器中的液体不属于预设类型的液体,则确定液体容器中的液体存在风险,生成对应的风险标签作为检测结果。分别将无风险标签和风险标签与对应的液体容器进行关联。
其中,预设类型的液体为水,包括纯水、净水以及软水、硬水等。具体地,当通过液体样本检测,确定液体样本为水,即液体容器中的液体属于预设类型的液体,则确定液体容器中的液体不存在风险,生成对应的无风险标签作为检测结果。而若通过液体样本检测确定液体样本不是水,即液体容器中的液体不属于预设类型的液体,则确定液体容器中的液体存在风险,生成对应的风险标签作为检测结果。进一步的,在生成对应的标签之后,分别将无风险标签和风险标签与对应的液体容器进行关联,用于表示该液体容器中的液体是否为无风险的液体。
在一个实施例中,确定液体容器中的液体存在风险,生成对应的风险标签作为检测结果之后,还包括:生成对应的检测报告;将检测报告与对应的风险标签进行关联。
具体地,如果检测后确定液体容器中的液体不是水,则生成检测报告。该检测报告针对于有一定嫌疑的物品所生成的,例如,不是水的液体等。用于提示安检人员对该液体进行进一步的理化检测。
在一个实施例中,除了通过对液体容器中的液体进行液体取样进行样本检测确定液体是否为水,还可以通过进行图像和温度采集进一步确定液体的类型。即在步骤S108,控制激光指示器直射并追踪实际位置坐标,确定液体容器的实际位置之后,还包括:根据液体容器的实际位置坐标,对液体容器进行图像采集和温度采集,获得液体容器图像和液体容器的表面温度。对液体容器图像进行图像识别,得到液体容器的容器特征。当根据容器特征确定液体容器为透明容器时,对液体容器进行紫外波扫描,得到液体容器中液体的第一波长扫描图。根据液体容器图像、表面温度、容器特征以及所述第一波长扫描图确定所述液体容器中液体的类型。
具体地,根据实际位置坐标对液体容器进行图像采集,通过控制图像采集装置对液体容器进行图像采集。图像采集装置,可以为设置在可对待检测物品进行图像采集的位置的摄像头。在获取到液体容器的实际位置坐标后,可通过摄像头,对该物品进行图像采集,得到液体容器图像。并且,同时通过红外温度传感器进行检测获取液体容器外表面的温度。由于一部分有机溶剂,在放置过程中,尤其是运动过程中,会由于混合或发生反应产生一定的热量,例如硫酸、水和乙醇或甲醇等等,为了获知其中是否存在不稳定的液体,排除隐患,所以需要对其表面温度进行获取。
进一步的,获取到液体容器图像后,对液体容器图像进行图像识别,提取到液体容器的容器特征。可以理解为,通过将液体容器图像转换为图像灰度直方图,进而灰度直方图进行特征分析,其中可利用直方图数据的平滑算法、三次样条差值算法、目标识别方法等等算法进行识别。其中,容器特征包括容器透明度、液体颜色、液体容量等。通过容器特征中的容器透明度判断液体容器是否为透明容器,可以理解为若容器的透明度大于预设透明阈值,即可确定液体容器为透明容器。通过液体容器的容器特征,例如,标签、颜色、体积、材质等等,从而进一步可通过比对获知液体容器中的液体是否为市售的饮料产品、有标签的有机溶剂等等。
当液体容器为透明容器后,对该液体容器记性紫外波长扫描,得到对应的扫描图,即为第一波长扫描图。其中,紫外波是指紫外线,简称UV,紫外线是电磁波谱中波长从100—400nm(纳米)辐射的总称。波长在320-390nm的紫外波又称为长波黑斑效应紫外线,简称UVA。它有很强的穿透力,可以穿透大部分透明的玻璃以及塑料。日光中含有的长波紫外线有超过98%能穿透臭氧层和云层到达地球表面,UVA可以直达肌肤的真皮层,破坏弹性纤维和胶原蛋白纤维,将我们的皮肤晒黑。300-420nm波长的紫外线可透过完全截止可见光的特殊着色玻璃灯管,仅辐射出以365nm为中心的近紫外光,可用于矿石鉴定、舞台装饰、验钞等场所。波长在280-320nm紫外波又称为中波红斑效应紫外线,简称UVB。中等穿透力,它的波长较短的部分会被透明玻璃吸收,日光中含有的中波紫外线大部分被臭氧层所吸收,只有不足2%能到达地球表面,在夏天和午后会特别强烈。UVB紫外线对人体具有红斑作用,能促进体内矿物质代谢和维生素D的形成,但长期或过量照射会令皮肤晒黑,并引起红肿脱皮。紫外线保健灯、植物生长灯发出的就是使用特殊透紫玻璃(不透过254nm以下的光)和峰值在300nm附近的荧光粉制成。而波长在280nm以下又称为短波灭菌紫外线,简称UVC。它的穿透能力最弱,无法穿透大部分的透明玻璃及塑料。日光中含有的短波紫外线几乎被臭氧层完全吸收。短波紫外线对人体的伤害很大,短时间照射即可灼伤皮肤,长期或高强度照射还会造成皮肤癌。紫外线杀菌灯发出的就是UVC短波紫外线。而紫外波扫描的原理就是在一个波长范围内,对待检测物进行测量,反映的是待检测物在不同波长下的吸光度值。操作时需设定测量方式,即测定的是T还是A,然后是测量范围,样品的测定范围,然后是扫描波长,设定样品需要扫描的波长范围是从哪儿到哪儿。其次有扫描间隔,扫描间隔指的是仪器每隔多少纳米对待检测物进行测量,比如1nm为扫描间隔,则仪器从设定的起始波长开始,每隔1nm对待检测物进行取值,然后将各点连起来就是所需的扫描图像。而由于不同的液体或试剂,具有不同的紫外吸收,具有不同的紫外吸收值,所以通过紫外波长扫描,可获得对应的波长扫描图,进而获知该样本的最大吸收波长,从而确定液体的类型。
在一个实施例中,还包括更新检测报告的步骤,具体包括:对液体容器对应的液体样本进行紫外波扫描,得到液体容器中液体的第二波长扫描图。当确定第一波长扫描图与第二波长扫描图相匹配时,基于第二波长扫描图获取所述液体样本的光密度值。将光密度、液体容器图像、表面温度、容器特征以及第一波长扫描图增加至液体容器的检测报告中。
具体地,在本实施例中,通过对自动取样机采集的液体样本进行紫外波扫描,得到液体样本的扫描图,即第二波长扫描图。而由于浓度或温度的影响,对液体容器进行紫外波扫描,和对液体容器中的液体样本进行紫外波扫描,其扫描图可能存在不完全相同但可匹配的情况,也就是说,第一波长扫描图和第二波长扫描图可能存在不完全相同但可匹配的情况。存在不完全相同但可匹配的情况是指虽然图像有一定的变动,但是即其最大吸收不会改变。从而通过第一波长扫描图和第二波长扫描图可判定液体样本的正确性,即该液体样本确定为从该液体容器中取出的样本。通过将第一波长扫描图和第二波长扫描图进行匹配,从而确定液体的关联性,提高了进一步检测的准确度,防止误检或漏检。
进一步的,根据第二波长扫描图获取液体样本的光密度值,光密度值简称OD值,为optical density的缩写,用于待检测物吸掉的光密度。将光密度、液体容器图像、表面温度、容器特征以及第一波长扫描图增加至液体容器对应的检测报告中,从而为对于该液体的检测提供了大量有参考意义的理化参数检测,可进一步提高检测效率,为被安检人员的快速通过提供了方便。
应该理解的是,虽然图1-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种安检识别装置,包括:采集模块502、获取模块504、映射模块506和控制模块508,其中:
采集模块502,用于利用X光对待检测物品进行图像采集,得到待检测物品对应的X光图像。
获取模块504,用于当对X光图像进行检测,确定X光图像中包含液体容器时,获取液体容器对应的图像坐标。
映射模块506,用于将图像坐标与待检测物品进行坐标映射,确定液体容器的实际位置坐标。
控制模块508,用于控制激光指示器直射并追踪实际位置坐标,确定液体容器的实际位置。
在一个实施例中,安检识别装置还包括检测模块,用于基于预设的神经网络对X光图像进行检测,确定X光图像中是否包含液体容器。具体用于:利用神经网络对X光图像进行特征提取,确定X光图像中各待检测物品的物品特征;根据物品特征进行物品定位,获取物品定位区域;对物品定位区域进行边缘检测和重叠区预测,得到各物品定位区域中物品的轮廓线;根据轮廓线截取各物品对应的物品区域图像;对各物品区域图像进行图像识别,得到识别结果,根据识别结果确定述X光图像中是否包含液体容器。
在一个实施例中,安检识别装置还包括检验模块,用于根据液体容器的实际位置坐标,对液体容器进行液体取样,得到液体样本;对液体样本进行检测,确定液体容器中的液体是否存在风险,并生成对应的检测结果。
在一个实施例中,检验模块还用于若检测确定液体容器中的液体属于预设类型的液体,则确定液体容器中的液体不存在风险,生成对应的无风险标签作为检测结果。若检测确定液体容器中的液体不属于预设类型的液体,则确定液体容器中的液体存在风险,生成对应的风险标签作为检测结果。分别将无风险标签和风险标签与对应的液体容器进行关联。
在一个实施例中,检验模块还用于生成对应的检测报告;将检测报告与对应的风险标签进行关联。
在一个实施例中,检验模块还用于根据液体容器的实际位置坐标,对液体容器进行图像采集和温度采集,获得液体容器图像和液体容器的表面温度。对液体容器图像进行图像识别,得到液体容器的容器特征。当根据容器特征确定液体容器为透明容器时,对液体容器进行紫外波扫描,得到液体容器中液体的第一波长扫描图。根据液体容器图像、表面温度、容器特征以及所述第一波长扫描图确定所述液体容器中液体的类型。
在一个实施例中,检验模块还用于对液体容器对应的液体样本进行紫外波扫描,得到液体容器中液体的第二波长扫描图。当确定第一波长扫描图与第二波长扫描图相匹配时,基于第二波长扫描图获取所述液体样本的光密度值。将光密度、液体容器图像、表面温度、容器特征以及第一波长扫描图增加至液体容器的检测报告中。
关于安检识别装置的具体限定可以参见上文中对于安检识别方法的限定,在此不再赘述。上述安检识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种安检识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
利用X光对待检测物品进行图像采集,得到待检测物品对应的X光图像;
当对X光图像进行检测,确定X光图像中包含液体容器时,获取液体容器对应的图像坐标;
将图像坐标与待检测物品进行坐标映射,确定液体容器的实际位置坐标;
控制激光指示器直射并追踪实际位置坐标,确定液体容器的实际位置。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于预设的神经网络对X光图像进行检测,确定X光图像中是否包含液体容器;具体包括:利用神经网络对X光图像进行特征提取,确定X光图像中各待检测物品的物品特征;根据物品特征进行物品定位,获取物品定位区域;对物品定位区域进行边缘检测和重叠区预测,得到各物品定位区域中物品的轮廓线;根据轮廓线截取各物品对应的物品区域图像;对各物品区域图像进行图像识别,得到识别结果,根据识别结果确定述X光图像中是否包含液体容器。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据液体容器的实际位置坐标,对液体容器进行液体取样,得到液体样本;对液体样本进行检测,确定液体容器中的液体是否存在风险,并生成对应的检测结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若检测确定液体容器中的液体属于预设类型的液体,则确定液体容器中的液体不存在风险,生成对应的无风险标签作为检测结果。若检测确定液体容器中的液体不属于预设类型的液体,则确定液体容器中的液体存在风险,生成对应的风险标签作为检测结果。分别将无风险标签和风险标签与对应的液体容器进行关联。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将检测报告与对应的风险标签进行关联。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据液体容器的实际位置坐标,对液体容器进行图像采集和温度采集,获得液体容器图像和液体容器的表面温度。对液体容器图像进行图像识别,得到液体容器的容器特征。当根据容器特征确定液体容器为透明容器时,对液体容器进行紫外波扫描,得到液体容器中液体的第一波长扫描图。根据液体容器图像、表面温度、容器特征以及所述第一波长扫描图确定所述液体容器中液体的类型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对液体容器对应的液体样本进行紫外波扫描,得到液体容器中液体的第二波长扫描图。当确定第一波长扫描图与第二波长扫描图相匹配时,基于第二波长扫描图获取所述液体样本的光密度值。将光密度、液体容器图像、表面温度、容器特征以及第一波长扫描图增加至液体容器的检测报告中。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
利用X光对待检测物品进行图像采集,得到待检测物品对应的X光图像;
当对X光图像进行检测,确定X光图像中包含液体容器时,获取液体容器对应的图像坐标;
将图像坐标与待检测物品进行坐标映射,确定液体容器的实际位置坐标;
控制激光指示器直射并追踪实际位置坐标,确定液体容器的实际位置。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于预设的神经网络对X光图像进行检测,确定X光图像中是否包含液体容器;具体包括:利用神经网络对X光图像进行特征提取,确定X光图像中各待检测物品的物品特征;根据物品特征进行物品定位,获取物品定位区域;对物品定位区域进行边缘检测和重叠区预测,得到各物品定位区域中物品的轮廓线;根据轮廓线截取各物品对应的物品区域图像;对各物品区域图像进行图像识别,得到识别结果,根据识别结果确定述X光图像中是否包含液体容器。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据液体容器的实际位置坐标,对液体容器进行液体取样,得到液体样本;对液体样本进行检测,确定液体容器中的液体是否存在风险,并生成对应的检测结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若检测确定液体容器中的液体属于预设类型的液体,则确定液体容器中的液体不存在风险,生成对应的无风险标签作为检测结果。若检测确定液体容器中的液体不属于预设类型的液体,则确定液体容器中的液体存在风险,生成对应的风险标签作为检测结果。分别将无风险标签和风险标签与对应的液体容器进行关联。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将检测报告与对应的风险标签进行关联。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据液体容器的实际位置坐标,对液体容器进行图像采集和温度采集,获得液体容器图像和液体容器的表面温度。对液体容器图像进行图像识别,得到液体容器的容器特征。当根据容器特征确定液体容器为透明容器时,对液体容器进行紫外波扫描,得到液体容器中液体的第一波长扫描图。根据液体容器图像、表面温度、容器特征以及所述第一波长扫描图确定所述液体容器中液体的类型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对液体容器对应的液体样本进行紫外波扫描,得到液体容器中液体的第二波长扫描图。当确定第一波长扫描图与第二波长扫描图相匹配时,基于第二波长扫描图获取所述液体样本的光密度值。将光密度、液体容器图像、表面温度、容器特征以及第一波长扫描图增加至液体容器的检测报告中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。