CN110286415B - 安检违禁品检测方法、装置、设备及计算机可读存储介质 - Google Patents
安检违禁品检测方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110286415B CN110286415B CN201910629063.6A CN201910629063A CN110286415B CN 110286415 B CN110286415 B CN 110286415B CN 201910629063 A CN201910629063 A CN 201910629063A CN 110286415 B CN110286415 B CN 110286415B
- Authority
- CN
- China
- Prior art keywords
- ray image
- detected
- channel pixel
- pixel matrix
- coordinate
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000007689 inspection Methods 0.000 title claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 138
- 239000013598 vector Substances 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000011176 pooling Methods 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012549 training Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V5/00—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity
- G01V5/20—Detecting prohibited goods, e.g. weapons, explosives, hazardous substances, contraband or smuggled objects
- G01V5/22—Active interrogation, i.e. by irradiating objects or goods using external radiation sources, e.g. using gamma rays or cosmic rays
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/05—Recognition of patterns representing particular kinds of hidden objects, e.g. weapons, explosives, drugs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- High Energy & Nuclear Physics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Image Analysis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本申请公开了一种安检违禁品检测方法,包括获取待检X光图像,其中,待检X光图像为三通道像素图像;根据待检X光图像,获取待检X光图像的三通道像素矩阵;全局平均池化三通道像素矩阵,得到向量;将向量输入全连接层,得到输出后向量;将输出后向量和三通道像素矩阵相乘,得到处理后三通道像素矩阵;对待检X光图像进行灰度处理,得到单通道像素矩阵;拼接处理后三通道像素矩阵和单通道像素矩阵,得到第一四通道像素矩阵;将第一四通道像素矩阵输入经过训练的预设检测器,得到违禁品的名称和违禁品位于待检X光图像中的第一坐标。本申请有效利用待检X光图像的颜色信息,提升了对违禁品的检测效果。
Description
技术领域
本申请涉及安检技术领域,特别是涉及一种安检违禁品检测方法、装置、设备及计算机可读存储介质。
背景技术
暴力犯罪事件和违法行为不仅给大众造成了巨大的人身、财产安全损失,还对社会稳定产生了重大影响,因此,安保问题成为城市的轨道交通、机场、物流快递中心、大型活动现场等人员密集的区域的核心问题。安检技术是一种有效防止突发安保问题的手段,可以有效检测出行李包裹中的违禁品,例如刀具、打火机、易燃易爆等物体,排除危险违禁品进入人员密集的区域,可以很大程度上避免安保问题的发生。
目前,常用的安检技术是通过X射线对行李包裹中的物品进行检查,利用X射线的穿透能力得到行李包裹中物品的伪彩色图像,通过X光图片中物品的颜色和形状实现对行李包裹的快速不开箱检查。但是,现有的深度学习检测并没有充分利用X光图片的伪彩色信息,从而导致检测效果并不理想。
发明内容
本申请的目的是提供一种安检违禁品检测方法、装置、设备及计算机可读存储介质,以提高对违禁品的检测效果。
为解决上述技术问题,本申请提供一种安检违禁品检测方法,包括:
获取待检X光图像,其中,所述待检X光图像为三通道像素图像;
根据所述待检X光图像,获取所述待检X光图像的三通道像素矩阵;
全局平均池化所述三通道像素矩阵,得到向量;
将所述向量输入全连接层,得到输出后向量;
将所述输出后向量和所述三通道像素矩阵相乘,得到处理后三通道像素矩阵;
对所述待检X光图像进行灰度处理,得到单通道像素矩阵;
拼接所述处理后三通道像素矩阵和所述单通道像素矩阵,得到第一四通道像素矩阵;
将所述第一四通道像素矩阵输入经过训练的预设检测器,得到违禁品的名称和所述违禁品位于所述待检X光图像中的第一坐标。
可选的,在所述得到违禁品的名称和所述违禁品位于所述待检X光图像中的第一坐标之后,还包括:
处理所述待检X光图像得到缩小版待检X光图像和放大版待检X光图像;
分别根据所述缩小版待检X光图像和所述放大版待检X光图像,获取对应的第二四通道像素矩阵、第三四通道像素矩阵;
分别将所述第二四通道像素矩阵、所述第三四通道像素矩阵输入所述预设检测器,得到对应的第二坐标、第三坐标;
分别变换所述第二坐标、所述第三坐标为所述待检X光图像中的坐标,得到对应的变换后第二坐标、变换后第三坐标;
融合所述第一坐标、变换后第二坐标、变换后第三坐标,得到融合后坐标。
可选的,所述处理所述待检X光图像得到缩小版待检X光图像和放大版待检X光图像包括:
利用双线性差值方法处理所述待检X光图像,得到预处理缩小版待检X光图像和所述放大版待检X光图像;
利用定值填补、四周填补处理所述预处理缩小版待检X光图像,得到所述缩小版待检X光图像。
可选的,所述融合所述第一坐标、变换后第二坐标、变换后第三坐标,得到融合后坐标包括:
利用非极大值抑制算法融合所述第一坐标、所述变换后第二坐标、所述变换后第三坐标,得到所述融合后坐标。
可选的,在所述得到所述融合后坐标之后,还包括:
发送所述融合后坐标和所述违禁品的名称至显示屏。
可选的,所述预设检测器为RetinaNet检测器。
本申请还提供一种安检违禁品检测装置,包括:
第一获取模块,用于获取待检X光图像,其中,所述待检X光图像为三通道像素图像;
第二获取模块,用于根据所述待检X光图像,获取所述待检X光图像的三通道像素矩阵;
池化模块,用于全局平均池化所述三通道像素矩阵,得到向量;
第一输入模块,用于将所述向量输入全连接层,得到输出后向量;
相乘模块,用于将所述输出后向量和所述三通道像素矩阵相乘,得到处理后三通道像素矩阵;
灰度处理模块,用于对所述待检X光图像进行灰度处理,得到单通道像素矩阵;
拼接模块,用于拼接所述处理后三通道像素矩阵和所述单通道像素矩阵,得到第一四通道像素矩阵;
第二输入模块,用于将所述第一四通道像素矩阵输入经过训练的预设检测器,得到违禁品的名称和所述违禁品位于所述待检X光图像中的第一坐标。
可选的,还包括:
发送模块,用于发送所述融合后坐标和所述违禁品的名称至显示屏。
本申请还提供一种安检违禁品检测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述任一种所述安检违禁品检测方法的步骤。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质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种所述安检违禁品检测方法的步骤。
本申请所提供的安检违禁品检测方法,包括:获取待检X光图像,其中,所述待检X光图像为三通道像素图像;根据所述待检X光图像,获取所述待检X光图像的三通道像素矩阵;全局平均池化所述三通道像素矩阵,得到向量;将所述向量输入全连接层,得到输出后向量;将所述输出后向量和所述三通道像素矩阵相乘,得到处理后三通道像素矩阵;对所述待检X光图像进行灰度处理,得到单通道像素矩阵;拼接所述处理后三通道像素矩阵和所述单通道像素矩阵,得到第一四通道像素矩阵;将所述第一四通道像素矩阵输入经过训练的预设检测器,得到违禁品的名称和所述违禁品位于所述待检X光图像中的第一坐标。
可见,本申请中的安检违禁品检测方法通过将待检X光图像的三通道像素矩阵依次进行全局平均池化、全连接层训练后,得到输出后向量,将输出后向量和三通道像素矩阵相乘,得到处理后三通道像素矩阵,将处理后三通道像素矩阵与经灰度处理得到的单通道像素矩阵进行拼接,得到第一四通道像素矩阵,有效增强了待检X光图像的彩色信息,且将第一四通道像素矩阵输入经过训练的预设检测器,得到违禁品的名称和违禁品位于待检X光图像中的第一坐标,提高了违禁品的检测准确性。此外,本申请还提供一种具有上述优点的装置、设备及计算机可读存储介质。
附图说明
为了更清楚的说明本申请实施例或现有技术的技术方案,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的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为本申请实施例所提供的一种安检违禁品检测方法的流程图;
图2为本申请实施例所提供的待检X光图像颜色增强示意图;
图3为本申请实施例所提供的另一种安检违禁品检测方法的流程图;
图4为本申请实施例提供的安检违禁品检测装置的结构框图;
图5为本申请实施例所提供的一种安检违禁品检测设备的结构示意图。
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方案,下面结合附图和具体实施方式对本申请作进一步的详细说明。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做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
正如背景技术部分所述,目前,通过X光图片中物品的颜色和形状实现对行李包裹的快速不开箱检查,现有的深度学习检测并没有充分利用X光图片的伪彩色信息,从而导致检测效果并不准确。
有鉴于此,本申请提供了一种安检违禁品检测方法,请参考图1和图2,图1为本申请实施例所提供的一种安检违禁品检测方法的流程图,图2为待检X光图像颜色增强示意图,该方法包括:
步骤S101:获取待检X光图像,其中,所述待检X光图像为三通道像素图像;
需要指出的是,三通道像素图像即为RGB三通道像素图像。
步骤S102:根据所述待检X光图像,获取所述待检X光图像的三通道像素矩阵;
具体的,三通道像素矩阵的形式为(H0,W0,3)。
步骤S103:全局平均池化所述三通道像素矩阵,得到向量;
具体的,全局平均池化三通道像素矩阵,得到向量(r0,g0,b0)。
步骤S104:将所述向量输入全连接层,得到输出后向量;
具体的,全连接层为3输入3输出全连接层,输出后向量为(r1,g1,b1)。
步骤S105:将所述输出后向量和所述三通道像素矩阵相乘,得到处理后三通道像素矩阵;
具体的,将输出后向量(r1,g1,b1)与三通道像素矩阵(H0,W0,3)进行点乘,得到处理后三通道像素矩阵(H1,W1,3)。
步骤S106:对所述待检X光图像进行灰度处理,得到单通道像素矩阵;
具体的,根据下式对待检X光图像进行灰度处理:
Gary=R×0.299+G×0.587+B×0.114 (1)
式中,R表示红色像素值,G表示绿色像素值,B表示蓝色像素值,Gary表示灰度值,也即单通道像素矩阵。
步骤S107:拼接所述处理后三通道像素矩阵和所述单通道像素矩阵,得到第一四通道像素矩阵;
具体的,第一四通道像素矩阵的形式为(H2,W2,4),待检X光图像的颜色信息被增强。
步骤S108:将所述第一四通道像素矩阵输入经过训练的预设检测器,得到违禁品的名称和所述违禁品位于所述待检X光图像中的第一坐标。
具体的,预设检测器的训练过程为:(1)在带有NVIDIA图像处理器GTX1080Ti的计算机上,安装Ubuntu1604系统,并安装配置好NVIDIA官方提供的CUDA运行环境;(2)搭建pytorch深度学习框架平台;(3)收集1000张以上的实际应用场景下X光安检机的含有违禁品(如管制刀具、打火机、剪刀、电源电池等)的包裹图像作为数据集,并标注每张图像中违禁品的类别和边界框(框住违禁品的矩形框)坐标,保存为csv文件,格式为(图片名称,x1,y1,x2,y2,违禁品类别);(4)利用pytorch深度学习框架平台,实现预设检测器算法,在此基础之上,(a)需要在其卷积特征提取器的第一层卷积层中,将卷积核的通道数由3通道改为4通道;(b)在卷积特征提取器的第一层卷积层前面接入如附图2所示的颜色信息增强模块;(5)利用(3)中提供好的数据集以及标注好的数据以及(4)中实现的算法,进行训练。
具体的,第一坐标为双坐标,双坐标分别为违禁品的边界框对角线上两点的坐标。
本实施例中的安检违禁品检测方法通过将待检X光图像的三通道像素矩阵依次进行全局平均池化、全连接层训练后,得到输出后向量,将输出后向量和三通道像素矩阵相乘,得到处理后三通道像素矩阵,将处理后三通道像素矩阵与经灰度处理得到的单通道像素矩阵进行拼接,得到第一四通道像素矩阵,有效增强了待检X光图像的彩色信息,且将第一四通道像素矩阵输入经过训练的预设检测器,得到违禁品的名称和违禁品位于待检X光图像中的第一坐标,提高了违禁品的检测准确性。
请参考图3,图3为本申请实施例所提供的另一种安检违禁品检测方法的流程图。
步骤S201:获取待检X光图像,其中,所述待检X光图像为三通道像素图像;
步骤S202:根据所述待检X光图像,获取所述待检X光图像的三通道像素矩阵;
步骤S203:全局平均池化所述三通道像素矩阵,得到向量;
步骤S204:将所述向量输入全连接层,得到输出后向量;
步骤S205:将所述输出后向量和所述三通道像素矩阵相乘,得到处理后三通道像素矩阵;
步骤S206:对所述待检X光图像进行灰度处理,得到单通道像素矩阵;
步骤S207:拼接所述处理后三通道像素矩阵和所述单通道像素矩阵,得到第一四通道像素矩阵;
步骤S208:将所述第一四通道像素矩阵输入经过训练的预设检测器,得到违禁品的名称和所述违禁品位于所述待检X光图像中的第一坐标;
步骤S209:处理所述待检X光图像得到缩小版待检X光图像和放大版待检X光图像;
具体的,在本申请的一个实施例中,处理所述待检X光图像得到缩小版待检X光图像和放大版待检X光图像包括:
步骤S2091:利用双线性差值方法处理所述待检X光图像,得到预处理缩小版待检X光图像和所述放大版待检X光图像;
步骤S2092:利用定值填补、四周填补处理所述预处理缩小版待检X光图像,得到所述缩小版待检X光图像。
具体地,利用双线性差值方法处理待检X光图像得到预处理缩小版待检X光图像时,缩小系数α的取值范围为0.7至0.9,包括端点值;利用双线性差值方法处理待检X光图像得到放大版待检X光图像时,放大系数β的取值范围为1.1至1.4,包括端点值,以(Hβ/2,Wβ/2)为中心对待检X光图像进行裁剪得到尺寸为H×W的放大版待检X光图像。具体的处理过程已为本领域技术人员所熟知,此处不再一一赘述。进一步地,预处理缩小版待检X光图像尺寸为αH×αW,经定值填补、四周填补处理后缩小版待检X光图像尺寸为H×W,定值填补、四周填补处理过程也不再一一赘述,已为本领域技术人员所熟知。
步骤S210:分别根据所述缩小版待检X光图像和所述放大版待检X光图像,获取对应的第二四通道像素矩阵、第三四通道像素矩阵;
需要指出的是,第二四通道像素矩阵、第三四通道像素矩阵的获取方式与第一四通道像素矩阵的获取方式类似,请参考步骤S202至步骤S207。
步骤S211:分别将所述第二四通道像素矩阵、所述第三四通道像素矩阵输入所述预设检测器,得到对应的第二坐标、第三坐标;
需要说明的是,第二坐标、第三坐标同样是双坐标。
步骤S212:分别变换所述第二坐标、所述第三坐标为所述待检X光图像中的坐标,得到对应的变换后第二坐标、变换后第三坐标;
具体的,第二坐标按照下式进行变换:
式中,X2表示位于缩小版待检X光图像中第二坐标中的横坐标,Y2表示位于缩小版待检X光图像中第二坐标中的纵坐标,表示变换后第二坐标的横坐标,表示变换后第二坐标的纵坐标,α表示由待检X光图像得到缩小版待检X光图像的缩小系数,W表示待检X光图像的宽,H表示待检X光图像的高。
具体的,第三坐标按照下式进行变换:
式中,X3表示位于放大版待检X光图像中的第三坐标中的横坐标,Y3表示将位于放大版待检X光图像中的第三坐标中的纵坐标,表示变换后第三坐标的横坐标,表示变换后第三坐标的纵坐标,β表示由待检X光图像得到放大版待检X光图像的放大系数。
步骤S213:融合所述第一坐标、变换后第二坐标、变换后第三坐标,得到融合后坐标。
具体的,利用非极大值抑制算法融合所述第一坐标、变换后第二坐标、变换后第三坐标,得到所述融合后坐标。
可以理解的是,融合后坐标也为双坐标,框住违禁品的边界框对角线的两个坐标,即最终得到违禁品的具体位置,以及名称。
本实施例中的安检违禁品检测方法通过处理待检X光图像、缩小版待检X光图像、放大版待检X光图像得到各自对应的四通道像素矩阵,将每个四通道像素矩阵输入训练好的预设检测器中,得到违禁品在每幅图像中的坐标和违禁品名称,将缩小版待检X光图像中的坐标和放大版待检X光图像中的坐标转换成待检X光图像中的坐标,进而与待检X光图像中的坐标融合,通过融合不同尺寸图像中的坐标,使得到的表示违禁品的融合后坐标更加准确,减小了小体积违禁品的漏检率,提高安检的可靠性。
优选地,在本申请的一个实施例中,在所述得到所述融合后坐标之后,还包括:
发送所述融合后坐标和所述违禁品的名称至显示屏。
融合后坐标和违禁品的名称在显示屏上显示,安检人员可以非常直观的了解到包裹中的违禁品的位置以及名称,非常准确,不需安检人员依靠肉眼去检查,降低安检人员的工作量。
在上述任一实施例的基础上,在本申请的一个实施例中,所述预设检测器为RetinaNet检测器,RetinaNet检测器具有计算量小、运行速度快的优点,可以满足安检实时性的要求。
下面对本申请实施例提供的安检违禁品检测装置进行介绍,下文描述的安检违禁品检测装置与上文描述的安检违禁品检测方法可相互对应参照。
图4为本申请实施例提供的安检违禁品检测装置的结构框图,参照图4,安检违禁品检测装置可以包括:
第一获取模块100,用于获取待检X光图像,其中,所述待检X光图像为三通道像素图像;
第二获取模块200,用于根据所述待检X光图像,获取所述待检X光图像的三通道像素矩阵;
池化模块300,用于全局平均池化所述三通道像素矩阵,得到向量;
第一输入模块400,用于将所述向量输入全连接层,得到输出后向量;
点乘模块500,用于将所述输出后向量和所述三通道像素矩阵相乘,得到处理后三通道像素矩阵;
灰度处理模块600,用于对所述待检X光图像进行灰度处理,得到单通道像素矩阵;
拼接模块700,用于拼接所述处理后三通道像素矩阵和所述单通道像素矩阵,得到第一四通道像素矩阵;
第二输入模块800,用于将所述第一四通道像素矩阵输入经过训练的预设检测器,得到违禁品的名称和所述违禁品位于所述待检X光图像中的第一坐标。
本实施例的安检违禁品检测装置用于实现前述的安检违禁品检测方法,因此,安检违禁品检测装置中的具体实施方式可见前文中的安检违禁品检测方法的实施例部分,例如,第一获取模块100,第二获取模块200,池化模块300,第一输入模块400,点乘模块500,灰度处理模块600,拼接模块700,第二输入模块800,分别对应用于实现上述安检违禁品检测方法中步骤S101至S108,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
本实施例中的安检违禁品检测装置通过将待检X光图像的三通道像素矩阵依次进行全局平均池化、全连接层训练后,得到输出后向量,将输出后向量和三通道像素矩阵相乘,得到处理后三通道像素矩阵,将处理后三通道像素矩阵与经灰度处理得到的单通道像素矩阵进行拼接,得到第一四通道像素矩阵,有效增强了待检X光图像的彩色信息,且将第一四通道像素矩阵输入经过训练的预设检测器,得到违禁品的名称和违禁品位于待检X光图像中的第一坐标,提高了违禁品的检测准确性。
可选的,在本申请的一个实施例中,安检违禁品检测装置还包括:
发送模块,用于发送所述融合后坐标和所述违禁品的名称至显示屏。
本申请还提供一种安检违禁品检测设备,请参考图5,图5为本申请实施例所提供的一种安检违禁品检测设备的结构示意图,该设备包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述任一实施例中安检违禁品检测方法的步骤。
本实施例中的安检违禁品检测设备通过将待检X光图像的三通道像素矩阵依次进行全局平均池化、全连接层训练后,得到输出后向量,将输出后向量和三通道像素矩阵相乘,得到处理后三通道像素矩阵,将处理后三通道像素矩阵与经灰度处理得到的单通道像素矩阵进行拼接,得到第一四通道像素矩阵,有效增强了待检X光图像的彩色信息,且将第一四通道像素矩阵输入经过训练的预设检测器,得到违禁品的名称和违禁品位于待检X光图像中的第一坐标,提高了违禁品的检测准确性。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质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实施例中安检违禁品检测方法的步骤。
本实施例中的计算机可读存储介质通过将待检X光图像的三通道像素矩阵依次进行全局平均池化、全连接层训练后,得到输出后向量,将输出后向量和三通道像素矩阵相乘,得到处理后三通道像素矩阵,将处理后三通道像素矩阵与经灰度处理得到的单通道像素矩阵进行拼接,得到第一四通道像素矩阵,有效增强了待检X光图像的彩色信息,且将第一四通道像素矩阵输入经过训练的预设检测器,得到违禁品的名称和违禁品位于待检X光图像中的第一坐标,提高了违禁品的检测准确性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的安检违禁品检测方法、装置、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (9)
1.一种安检违禁品检测方法,其特征在于,包括:
获取待检X光图像,其中,所述待检X光图像为三通道像素图像;
根据所述待检X光图像,获取所述待检X光图像的三通道像素矩阵;
全局平均池化所述三通道像素矩阵,得到向量;
将所述向量输入全连接层,得到输出后向量;
将所述输出后向量和所述三通道像素矩阵相乘,得到处理后三通道像素矩阵;
对所述待检X光图像进行灰度处理,得到单通道像素矩阵;
拼接所述处理后三通道像素矩阵和所述单通道像素矩阵,得到第一四通道像素矩阵;
将所述第一四通道像素矩阵输入经过训练的预设检测器,得到违禁品的名称和所述违禁品位于所述待检X光图像中的第一坐标;
处理所述待检X光图像得到缩小版待检X光图像和放大版待检X光图像;
分别根据所述缩小版待检X光图像和所述放大版待检X光图像,获取对应的第二四通道像素矩阵、第三四通道像素矩阵;
分别将所述第二四通道像素矩阵、所述第三四通道像素矩阵输入所述预设检测器,得到对应的第二坐标、第三坐标;
分别变换所述第二坐标、所述第三坐标为所述待检X光图像中的坐标,得到对应的变换后第二坐标、变换后第三坐标;
融合所述第一坐标、变换后第二坐标、变换后第三坐标,得到融合后坐标。
2.如权利要求1所述的安检违禁品检测方法,其特征在于,所述处理所述待检X光图像得到缩小版待检X光图像和放大版待检X光图像包括:
利用双线性差值方法处理所述待检X光图像,得到预处理缩小版待检X光图像和所述放大版待检X光图像;
利用定值填补、四周填补处理所述预处理缩小版待检X光图像,得到所述缩小版待检X光图像。
3.如权利要求2所述的安检违禁品检测方法,其特征在于,所述融合所述第一坐标、变换后第二坐标、变换后第三坐标,得到融合后坐标包括:
利用非极大值抑制算法融合所述第一坐标、所述变换后第二坐标、所述变换后第三坐标,得到所述融合后坐标。
4.如权利要求1至3任一项所述的安检违禁品检测方法,其特征在于,在所述得到所述融合后坐标之后,还包括:
发送所述融合后坐标和所述违禁品的名称至显示屏。
5.如权利要求4所述的安检违禁品检测方法,其特征在于,所述预设检测器为RetinaNet检测器。
6.一种用于实现如权利要求1所述的安检违禁品检测方法的安检违禁品检测装置,其特征在于,包括:
第一获取模块,用于获取待检X光图像,其中,所述待检X光图像为三通道像素图像;
第二获取模块,用于根据所述待检X光图像,获取所述待检X光图像的三通道像素矩阵;
池化模块,用于全局平均池化所述三通道像素矩阵,得到向量;
第一输入模块,用于将所述向量输入全连接层,得到输出后向量;
相乘模块,用于将所述输出后向量和所述三通道像素矩阵相乘,得到处理后三通道像素矩阵;
灰度处理模块,用于对所述待检X光图像进行灰度处理,得到单通道像素矩阵;
拼接模块,用于拼接所述处理后三通道像素矩阵和所述单通道像素矩阵,得到第一四通道像素矩阵;
第二输入模块,用于将所述第一四通道像素矩阵输入经过训练的预设检测器,得到违禁品的名称和所述违禁品位于所述待检X光图像中的第一坐标。
7.如权利要求6所述的安检违禁品检测装置,其特征在于,还包括:
发送模块,用于发送融合后坐标和所述违禁品的名称至显示屏。
8.一种安检违禁品检测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至5任一项所述安检违禁品检测方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质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如权利要求1至5任一项所述安检违禁品检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910629063.6A CN110286415B (zh) | 2019-07-12 | 2019-07-12 | 安检违禁品检测方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910629063.6A CN110286415B (zh) | 2019-07-12 | 2019-07-12 | 安检违禁品检测方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110286415A CN110286415A (zh) | 2019-09-27 |
CN110286415B true CN110286415B (zh) | 2021-03-16 |
Family
ID=68022195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910629063.6A Active CN110286415B (zh) | 2019-07-12 | 2019-07-12 | 安检违禁品检测方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110286415B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215266B (zh) * | 2020-09-25 | 2022-07-19 | 华东师范大学 | 一种基于小样本学习的x光图像违禁物品检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701773A (zh) * | 2014-11-28 | 2016-06-22 | 联芯科技有限公司 | 一种快速处理图像的方法及装置 |
CN107609485A (zh) * | 2017-08-16 | 2018-01-19 | 中国科学院自动化研究所 | 交通标志的识别方法、存储介质、处理设备 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012057779A1 (en) * | 2010-10-29 | 2012-05-03 | Analogic Corporation | Object identification using sparse spectral components |
WO2016046212A1 (en) * | 2014-09-22 | 2016-03-31 | Foundation For Research And Technology - Hellas (Forth) | Apparatuses, method and systems for recovering a 3-dimensional skeletal model of the human body |
CN107527342A (zh) * | 2017-08-31 | 2017-12-29 | 北京无线电计量测试研究所 | 一种基于伪彩色配图的机场异物识别图像检测方法 |
CN107871122A (zh) * | 2017-11-14 | 2018-04-03 | 深圳码隆科技有限公司 | 安检检测方法、装置、系统及电子设备 |
CN108596166B (zh) * | 2018-04-13 | 2021-10-26 | 华南师范大学 | 一种基于卷积神经网络分类的集装箱箱号识别方法 |
CN109543697A (zh) * | 2018-11-16 | 2019-03-29 | 西北工业大学 | 一种基于深度学习的rgbd图像目标识别方法 |
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 |
-
2019
- 2019-07-12 CN CN201910629063.6A patent/CN110286415B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701773A (zh) * | 2014-11-28 | 2016-06-22 | 联芯科技有限公司 | 一种快速处理图像的方法及装置 |
CN107609485A (zh) * | 2017-08-16 | 2018-01-19 | 中国科学院自动化研究所 | 交通标志的识别方法、存储介质、处理设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110286415A (zh) | 2019-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10943145B2 (en) | Image processing methods and apparatus, and electronic devices | |
CN108229485B (zh) | 用于测试用户界面的方法和装置 | |
US10187546B2 (en) | Method and device for correcting document image captured by image pick-up device | |
US8891905B2 (en) | Boundary-based high resolution depth mapping | |
EP2677500A2 (en) | Event-based image processing apparatus and method | |
CN110488368B (zh) | 一种基于双能x光安检机的违禁品识别方法及装置 | |
EP2733674A1 (en) | Object display device, object display method, and object display program | |
CN111325717B (zh) | 手机缺陷位置识别方法及设备 | |
CN110286415B (zh) | 安检违禁品检测方法、装置、设备及计算机可读存储介质 | |
CN113298130B (zh) | 目标图像的检测、目标对象检测模型的生成方法 | |
US8611698B2 (en) | Method for image reframing | |
CN110766052A (zh) | 图像展示方法、评估模型生成方法、装置及电子设备 | |
US11544839B2 (en) | System, apparatus and method for facilitating inspection of a target object | |
CN114782902A (zh) | 石化气体泄露检测方法、系统、设备及存储介质 | |
CN114723724A (zh) | 基于人工智能的危险品识别方法、装置、设备及存储介质 | |
EP3021278A1 (en) | High-resolution image generation device, high-resolution image generation method, and high-resolution image generation program | |
CN112883907B (zh) | 小体积模型的滑坡检测方法及装置 | |
CN117974398A (zh) | 基于多源数据的施工安全监管系统 | |
CN111950356B (zh) | 印章文本定位方法、装置及电子设备 | |
CN114244968A (zh) | 图像转换方法、图像转换装置及图像信号发生器 | |
CN114495084A (zh) | 信息获取方法、装置、电子设备及存储介质 | |
CN111986124A (zh) | 一种深度图像缺失像素的填充方法及装置 | |
AU2015275308B2 (en) | A method for automatic material classification and texture simulation for 3d models | |
CN117685929B (zh) | 一种用于监测光伏板空间分布信息的方法和终端设备 | |
CN115719341B (zh) | 一种边浪缺陷检测方法、装置、电子设备及存储介质 |
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 |