CN110390329A - 一种基于深度学习的太赫兹图像识别方法及系统 - Google Patents
一种基于深度学习的太赫兹图像识别方法及系统 Download PDFInfo
- Publication number
- CN110390329A CN110390329A CN201910621428.0A CN201910621428A CN110390329A CN 110390329 A CN110390329 A CN 110390329A CN 201910621428 A CN201910621428 A CN 201910621428A CN 110390329 A CN110390329 A CN 110390329A
- Authority
- CN
- China
- Prior art keywords
- layer
- terahertz
- image
- neural networks
- information
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V2201/07—Target detection
Abstract
本发明公开了一种基于深度学习的太赫兹图像识别方法及系统,属于太赫兹图像识别技术领域,包括以下步骤:S1:设计并训练卷积神经网络;S2:检测太赫兹原始图像中的危险目标信息;S3:对目标信息进行结构化处理;S4:将图像信息显示出来。在所述步骤S1中,在对太赫兹原始图像存在的危险目标进行检测前将所述卷积神经网络的权重文件载入检测设备。本发明实现了自动、高效的检测过程,有效地提高了安检速度和精度,可大大减少人工判图的时间,能够减少工作人员的数量;能够对大量信息进行有效过滤,保留有效信息,剔除冗余报警信息,将完整且简洁的检测结果显示,有效减少工作人员的工作量。
Description
技术领域
本发明涉及太赫兹图像识别技术领域,具体涉及一种基于深度学习的太赫兹图像识别方法及系统。
背景技术
太赫兹波是一种电磁波,人体也会发射处于太赫兹波段的电磁波。通过一定的技术手段,探测人体发射出的太赫兹波,并对探测到的图像进行处理,形成太赫兹图像。
目前,太赫兹人体安检由于其无辐射,非接触,不停留的优势,在安检行业越来越受到客户的欢迎,以及广大民众的接受。由于太赫兹图像的特殊成像原理,其和光学图像存在很大的差别,没有经过一定训练的使用者并不能获取有效的信息。
由于太赫兹设备的特殊成像原理,造成太赫兹图像与普通光学图像存在很大的差异。因此,未经过训练的安检工作人员,从太赫兹图像中获取有效信息比较困难,不能人工完成对太赫兹图像中存在的危险目标判定。而通过传统的图像识别方法,存在较多的错误报警和遗漏报警的现象。
另一方面,太赫兹的成像设备可以达到实时成像的帧率,单位时间内可以形成多幅太赫兹图像。安检工作人员不可能在单位时间内对每一幅图像中是否存在危险目标以及危险目标的位置进行判定,所以就存在不能充分有效地利用太赫兹图像信息的现象。
以上两个缺点严重制约了太赫兹技术在安检领域的应用发展,基于上述应用背景下,提出了一种目标检测方法应用于太赫兹设备的危险目标检测。
发明内容
本发明所要解决的技术问题在于:如何对太赫兹图像中人体携带的危险目标进行自动检测识别,提供了一种基于深度学习的太赫兹图像识别方法,该方法实现了自动、高效的检测过程,有效地提高了安检速度和精度,可大大减少人工判图的时间,能够减少工作人员的数量;能够对大量信息进行有效过滤,保留有效信息,剔除冗余报警信息,将完整且简洁的检测结果显示,有效减少工作人员的工作量。
本发明是通过以下技术方案解决上述技术问题的,本发明包括以下步骤:
S1:设计并训练卷积神经网络
设计一个卷积神经网络,该卷积神经网络的主干网络结构为VGG16网络结构,并将VGG16网络结构的全连接层替换为卷积层,再增加四个卷积层,形成所述卷积神经网络结构,然后对该卷积神经网络进行训练,得到该卷积神经网络的权重文件;
S2:检测太赫兹原始图像中的危险目标信息
接收太赫兹原始图像,利用由卷积神经网络训练形成的权重文件对太赫兹原始图像存在的危险目标进行检测,得到危险目标信息,由于利用卷积神经网络对太赫兹图像中的危险目标进行自动检测识别并标记,实现了自动、高效的检测过程,有效地提高了安检速度和精度,可大大减少人工判图的时间,能够减少工作人员的数量;
S3:对目标信息进行结构化处理
对多幅太赫兹原始图像的目标信息进行结构化处理,形成结构化后的目标综合信息;
S4:将图像信息显示出来
将目标综合信息叠加到某一幅太赫兹原始图像中,将叠加目标综合信息的所述太赫兹图像与光学特写图像实时地显示在界面上。
优选的,在所述步骤S2中,对卷积神经网络训练的过程包括以下步骤:
S101:采集大量的由检测设备形成的太赫兹原始图像样本;
S102:对太赫兹原始图像样本进行预处理;
S103:将预处理过后的太赫兹图像样本送入卷积神经网络进行训练;
S104:得到所述卷积神经网络的权重文件。
优选的,在所述步骤S102中,预处理工作为对太赫兹原始图像样本进行随机翻转,随机大小的裁剪以及色度、饱和度、亮度的随机调节。
优选的,在所述步骤S103中,卷积神经网络的各级结构如下:
第1层为两个步长为1,卷积核为3x3的卷积层,特征维度为64;
第2层为一个步长为2,池化核大小为2x2的池化层,特征维度为64;
第3层为两个步长为1,卷积核为3x3的卷积层,特征维度为128;
第4层为一个步长为2,池化核大小为2x2的池化层,特征维度为128;
第5层为三个步长为1,卷积核为3x3的卷积层,特征维度为256;
第6层为一个步长为2,池化核大小为2x2的池化层,特征维度为256;
第7层为三个步长为1,卷积核为3x3的卷积层,特征维度为512;
第8层为一个步长为2,池化核大小为2x2的池化层,特征维度为512;
第9层为三个步长为1,卷积核为3x3的卷积层,特征维度为512;
第10层为一个步长为1,池化核大小为3x3的池化层,特征维度为512;
第11层为两个步长为1,卷积核分别为3x3的卷积层,特征维度均为1024;
第12层为一个步长为1,卷积核为1x1的卷积层,特征维度为256;
第13层为一个步长为2,池化核大小为3x3的反卷积层,特征维度为512;
第14层为一个步长为1,池化核大小为1x1的反卷积层,特征维度为128;
第15层为一个步长为2,池化核大小为3x3的反卷积层,特征维度为256;
第16层为一个步长为1,池化核大小为1x1的反卷积层,特征维度为128;
第17层为一个步长为2,池化核大小为3x3的反卷积层,特征维度为256;
第18层为一个步长为1,池化核大小为3x3的反卷积层,特征维度为18。
优选的,在所述步骤S2中,在对太赫兹原始图像存在的危险目标进行检测前将所述卷积神经网络的权重文件载入检测设备。
优选的,在所述步骤S3中,对多幅太赫兹原始图像的目标信息进行结构化处理过程是利用目标结构化算法完成的。
优选的,在所述目标结构化算法进行结构化处理的过程包括以下步骤:
S301:在信号触发装置触发时,开始记录坐标信息;
S302:当信号触发转置再次触发时,结束记录坐标信息,并启动结构化算法;
S303:利用结构化算法剔除在此期间目标坐标排列中的重合坐标,形成一个没有重合的完整坐标信息,即目标综合信息。
优选的,在所述步骤S4中,光学特写图像由抓拍光学图像的特写而得。
本发明还提供了一种基于深度学习的太赫兹图像识别系统,包括:
网络构建模块,用于设计一个卷积神经网络,然后对该卷积神经网络进行训练,得到该卷积神经网络的权重文件;
目标检测模块,接收由检测设备形成的太赫兹原始图像,利用由卷积神经网络训练形成的权重文件对太赫兹原始图像存在的危险目标进行检测;
目标信息结构化模块,用于利用目标结构化算法对多幅太赫兹原始图像的目标信息进行结构化处理,形成结构化后的目标综合信息;
图像信息展示模块,用于将目标综合信息叠加到某一幅太赫兹原始图像中,将叠加目标综合信息的所述太赫兹图像与光学特写图像实时地显示在界面上;
中央处理模块,用于向其他模块发出指令,完成相关动作;
所述网络构建模块、目标检测模块、所述目标信息结构化模块、所述图像信息展示模块均与所述中央处理模块电连接。
本发明相比现有技术具有以下优点:该基于深度学习的太赫兹图像识别方法及系统,由于利用卷积神经网络对太赫兹图像中的危险目标进行自动检测识别并标记,实现了自动、高效的检测过程,有效地提高了安检速度和精度,可大大减少人工判图的时间,能够减少工作人员的数量;并利用目标结构化算法对检测到的目标进行结构化处理,能够对大量信息进行有效过滤,保留有效信息,剔除冗余报警信息,将完整且简洁的检测结果显示,有效减少工作人员的工作量,值得被推广使用。
附图说明
图1是本发明实施例一中太赫兹图像识别方法的流程示意图;
图2是本发明实施例二中目标检测总体流程框图;
图3是本发明实施例二中卷积神经网络结构示意图;
图4是本发明实施例二中太赫兹图像识别方法的实施流程图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例一
如图1所示,本实施例提供一种技术方案:一种基于深度学习的太赫兹图像识别方法,包括以下步骤:
S1:设计并训练卷积神经网络
设计一个卷积神经网络,该卷积神经网络的主干网络结构为VGG16网络结构,并将VGG16网络结构的全连接层替换为卷积层,再增加四个卷积层,形成所述卷积神经网络结构,然后对该卷积神经网络进行训练,得到该卷积神经网络的权重文件;
S2:检测太赫兹原始图像中的危险目标信息
接收太赫兹原始图像,利用由卷积神经网络训练形成的权重文件对太赫兹原始图像存在的危险目标进行检测,得到危险目标信息,由于利用卷积神经网络对太赫兹图像中的危险目标进行自动检测识别并标记,实现了自动、高效的检测过程,有效地提高了安检速度和精度,可大大减少人工判图的时间,能够减少工作人员的数量;
S3:对目标信息进行结构化处理
对多幅太赫兹原始图像的目标信息进行结构化处理,形成结构化后的目标综合信息;
S4:将图像信息显示出来
将目标综合信息叠加到某一幅太赫兹原始图像中,将叠加目标综合信息的所述太赫兹图像与光学特写图像实时地显示在界面上。
在所述步骤S102中,预处理工作为对太赫兹原始图像样本进行随机翻转,随机大小的裁剪以及色度、饱和度、亮度的随机调节。
在所述步骤S103中,卷积神经网络的各级结构如下:
第1层为两个步长为1,卷积核为3x3的卷积层,特征维度为64;
第2层为一个步长为2,池化核大小为2x2的池化层,特征维度为64;
第3层为两个步长为1,卷积核为3x3的卷积层,特征维度为128;
第4层为一个步长为2,池化核大小为2x2的池化层,特征维度为128;
第5层为三个步长为1,卷积核为3x3的卷积层,特征维度为256;
第6层为一个步长为2,池化核大小为2x2的池化层,特征维度为256;
第7层为三个步长为1,卷积核为3x3的卷积层,特征维度为512;
第8层为一个步长为2,池化核大小为2x2的池化层,特征维度为512;
第9层为三个步长为1,卷积核为3x3的卷积层,特征维度为512;
第10层为一个步长为1,池化核大小为3x3的池化层,特征维度为512;
第11层为两个步长为1,卷积核分别为3x3的卷积层,特征维度均为1024;
第12层为一个步长为1,卷积核为1x1的卷积层,特征维度为256;
第13层为一个步长为2,池化核大小为3x3的反卷积层,特征维度为512;
第14层为一个步长为1,池化核大小为1x1的反卷积层,特征维度为128;
第15层为一个步长为2,池化核大小为3x3的反卷积层,特征维度为256;
第16层为一个步长为1,池化核大小为1x1的反卷积层,特征维度为128;
第17层为一个步长为2,池化核大小为3x3的反卷积层,特征维度为256;
第18层为一个步长为1,池化核大小为3x3的反卷积层,特征维度为18。
在所述步骤S2中,在对太赫兹原始图像存在的危险目标进行检测前将所述卷积神经网络的权重文件载入检测设备。
在所述步骤S3中,对多幅太赫兹原始图像的目标信息进行结构化处理过程是利用目标结构化算法完成的。
在所述目标结构化算法进行结构化处理的过程包括以下步骤:
S301:在信号触发装置触发时,开始记录坐标信息;
S302:当信号触发转置再次触发时,结束记录坐标信息,并启动结构化算法;
S303:利用结构化算法剔除在此期间目标坐标排列中的重合坐标,形成一个没有重合的完整坐标信息,即目标综合信息。
在所述步骤S4中,光学特写图像由抓拍光学图像的特写而得。
本实施例还提供了一种基于深度学习的太赫兹图像识别系统,包括:
网络构建模块,用于设计一个卷积神经网络,然后对该卷积神经网络进行训练,得到该卷积神经网络的权重文件;
目标检测模块,接收由检测设备形成的太赫兹原始图像,利用由卷积神经网络训练形成的权重文件对太赫兹原始图像存在的危险目标进行检测;
目标信息结构化模块,用于利用目标结构化算法对多幅太赫兹原始图像的目标信息进行结构化处理,形成结构化后的目标综合信息;
图像信息展示模块,用于将目标综合信息叠加到某一幅太赫兹原始图像中,将叠加目标综合信息的所述太赫兹图像与光学特写图像实时地显示在界面上;
中央处理模块,用于向其他模块发出指令,完成相关动作;
所述网络构建模块、目标检测模块、所述目标信息结构化模块、所述图像信息展示模块均与所述中央处理模块电连接。
实施例二
本实施例的基于深度学习的太赫兹图像识别方法主要包含两部分:卷积神经网络与检测目标序列结构化。
如图2所示,为目标检测总体流程框图,目标检测总体流程为:采集大量由检测设备形成的太赫兹原始图像,先经过图像预处理后,送入卷积神经网络进行训练,得到网络的权重文件;在检测设备中载入网络的权重文件,对太赫兹原始图像进行危险目标检测;在检测设备使用时,接收由设备传输来的太赫兹原始图像,由卷积神经网络训练形成的权重文件对太赫兹原始图像存在的危险目标进行检测;检测得到的目标信息,经过目标信息结构化模块,对多幅太赫兹图像的目标信息进行结构化处理,并形成结构化后的目标综合信息。
如图3所示,为卷积神经网络结构示意图,本实施例中使用的卷积神经网络的主干网络结构是VGG16网络结构,并将其中两个全连接层改成卷积层,再增加4个卷积层构造的网络结构,目标检测算法使用的是SSD(Single Shot multibox Detector),通过该卷积神经网络获取不同尺度上的特征映射,同时在不同尺度的特征映射上面进行预测,可以对不同大小的目标进行有效地检测;它在增加运算量的同时提高了检测的精度;该卷积神经网络在GPU设备的加速下,可以达到实时检测的效果。
如图4所示,为太赫兹图像识别方法的实施流程图,经过卷积神经网络检测得到危险目标的坐标信息,叠加在相应的太赫兹原始图像上,并且和光学图像一起实时地显示在界面上;当信号触发装置触发后,开始记录当前太赫兹原始图像的目标信息和抓拍光学图像的特写,当信号触发装置再次触发时,停止记录太赫兹原始图像的目标信息,并将两次触发时间内的所有目标信息发送至目标信息结构化模块进行处理,该目标信息中包含有目标坐标排列信息,利用结构化算法对在此期间的目标坐标排列进行处理,剔除重合坐标,形成一个没有重合的完整坐标信息,即目标综合信息;利用目标结构化算法将坐标信息进行结构化处理后,将结构化后的目标信息叠加在两次信号触发时间内的某一幅太赫兹图像中,一般取在此两次信号触发时间内采集的图像中的中间一幅为标准图像,从而将结构化后的目标信息叠加到该标准图像上;最后将叠加信息的太赫兹图像和光学特写图像显示在界面上。
综上所述,上述两组实施例中的基于深度学习的太赫兹图像识别方法,由于利用卷积神经网络对太赫兹图像中的危险目标进行自动检测识别并标记,实现了自动、高效的检测过程,有效地提高了安检速度和精度,可大大减少人工判图的时间,能够减少工作人员的数量;并利用目标结构化算法对检测到的目标进行结构化处理,能够对大量信息进行有效过滤,保留有效信息,剔除冗余报警信息,将完整且简洁的检测结果显示,有效减少工作人员的工作量,值得被推广使用。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种基于深度学习的太赫兹图像识别方法,其特征在于,包括以下步骤:
S1:设计并训练卷积神经网络
设计一个卷积神经网络,该卷积神经网络的主干网络结构为VGG16网络结构,并将VGG16网络结构的全连接层替换为卷积层,再增加四个卷积层,形成所述卷积神经网络结构,然后对该卷积神经网络进行训练,得到该卷积神经网络的权重文件;
S2:检测太赫兹原始图像中的危险目标信息
接收太赫兹原始图像,利用由卷积神经网络训练形成的权重文件对太赫兹原始图像存在的危险目标进行检测,得到危险目标信息;
S3:对目标信息进行结构化处理
对多幅太赫兹原始图像的目标信息进行结构化处理,形成结构化后的目标综合信息;
S4:将图像信息显示出来
将目标综合信息叠加到某一幅太赫兹原始图像中,将叠加目标综合信息的所述太赫兹图像与光学特写图像实时地显示在界面上。
2.根据权利要求1所述的一种基于深度学习的太赫兹图像识别方法,其特征在于,在所述步骤S1中,对卷积神经网络训练的过程包括以下步骤:
S101:采集大量的由检测设备形成的太赫兹原始图像样本;
S102:对太赫兹原始图像样本进行预处理;
S103:将预处理过后的太赫兹图像样本送入卷积神经网络进行训练;
S104:得到所述卷积神经网络的权重文件。
3.根据权利要求2所述的一种基于深度学习的太赫兹图像识别方法,其特征在于:在所述步骤S102中,预处理工作为对太赫兹原始图像样本进行随机翻转,随机大小的裁剪以及色度、饱和度、亮度的随机调节。
4.根据权利要求3所述的一种基于深度学习的太赫兹图像识别方法,其特征在于:在所述步骤S103中,卷积神经网络的各级结构如下:
第1层为两个步长为1,卷积核为3x3的卷积层,特征维度为64;
第2层为一个步长为2,池化核大小为2x2的池化层,特征维度为64;
第3层为两个步长为1,卷积核为3x3的卷积层,特征维度为128;
第4层为一个步长为2,池化核大小为2x2的池化层,特征维度为128;
第5层为三个步长为1,卷积核为3x3的卷积层,特征维度为256;
第6层为一个步长为2,池化核大小为2x2的池化层,特征维度为256;
第7层为三个步长为1,卷积核为3x3的卷积层,特征维度为512;
第8层为一个步长为2,池化核大小为2x2的池化层,特征维度为512;
第9层为三个步长为1,卷积核为3x3的卷积层,特征维度为512;
第10层为一个步长为1,池化核大小为3x3的池化层,特征维度为512;
第11层为两个步长为1,卷积核分别为3x3的卷积层,特征维度均为1024;
第12层为一个步长为1,卷积核为1x1的卷积层,特征维度为256;
第13层为一个步长为2,池化核大小为3x3的反卷积层,特征维度为512;
第14层为一个步长为1,池化核大小为1x1的反卷积层,特征维度为128;
第15层为一个步长为2,池化核大小为3x3的反卷积层,特征维度为256;
第16层为一个步长为1,池化核大小为1x1的反卷积层,特征维度为128;
第17层为一个步长为2,池化核大小为3x3的反卷积层,特征维度为256;
第18层为一个步长为1,池化核大小为3x3的反卷积层,特征维度为18。
5.根据权利要求1所述的一种基于深度学习的太赫兹图像识别方法,其特征在于:在所述步骤S2中,在对太赫兹原始图像存在的危险目标进行检测前将所述卷积神经网络的权重文件载入检测设备。
6.根据权利要求1所述的一种基于深度学习的太赫兹图像识别方法,其特征在于:在所述步骤S3中,对多幅太赫兹原始图像的目标信息进行结构化处理过程是利用目标结构化算法完成的。
7.根据权利要求6所述的一种基于深度学习的太赫兹图像识别方法,其特征在于,在所述目标结构化算法进行结构化处理的过程包括以下步骤:
S301:在信号触发装置触发时,开始记录坐标信息;
S302:当信号触发转置再次触发时,结束记录坐标信息,并启动结构化算法;
S303:利用结构化算法剔除在此期间目标坐标排列中的重合坐标,形成一个没有重合的完整坐标信息,即目标综合信息。
8.根据权利要求1所述的一种基于深度学习的太赫兹图像识别方法,其特征在于:在所述步骤S4中,光学特写图像由抓拍光学图像的特写而得。
9.一种基于深度学习的太赫兹图像识别系统,利用如权利要求1-8任一所述的太赫兹图像识别方法对太赫兹图像进行识别工作,其特征在于,包括:
网络构建模块,用于设计一个卷积神经网络,然后对该卷积神经网络进行训练,得到该卷积神经网络的权重文件;
目标检测模块,接收由检测设备形成的太赫兹原始图像,利用由卷积神经网络训练形成的权重文件对太赫兹原始图像存在的危险目标进行检测;
目标信息结构化模块,用于利用目标结构化算法对多幅太赫兹原始图像的目标信息进行结构化处理,形成结构化后的目标综合信息;
图像信息展示模块,用于将目标综合信息叠加到某一幅太赫兹原始图像中,将叠加目标综合信息的所述太赫兹图像与光学特写图像实时地显示在界面上;
中央处理模块,用于向其他模块发出指令,完成相关动作;
所述网络构建模块、目标检测模块、所述目标信息结构化模块、所述图像信息展示模块均与所述中央处理模块电连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910621428.0A CN110390329A (zh) | 2019-07-10 | 2019-07-10 | 一种基于深度学习的太赫兹图像识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910621428.0A CN110390329A (zh) | 2019-07-10 | 2019-07-10 | 一种基于深度学习的太赫兹图像识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110390329A true CN110390329A (zh) | 2019-10-29 |
Family
ID=68286401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910621428.0A Pending CN110390329A (zh) | 2019-07-10 | 2019-07-10 | 一种基于深度学习的太赫兹图像识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110390329A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428585A (zh) * | 2020-03-09 | 2020-07-17 | 北京航空航天大学 | 一种基于深度学习的超材料太赫兹谱学识别方法 |
CN111709961A (zh) * | 2020-05-14 | 2020-09-25 | 南京航空航天大学 | 一种被动式太赫兹图像目标的实时分割分类方法 |
US11300504B2 (en) | 2020-05-21 | 2022-04-12 | National Tsing Hua University | Tomography method, system, and apparatus based on time-domain spectroscopy |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8792696B2 (en) * | 2010-05-02 | 2014-07-29 | Kelce S. Wilson | Industrial diagnostic image change highlighter |
CN108764328A (zh) * | 2018-05-24 | 2018-11-06 | 广东工业大学 | 太赫兹图像危险品识别方法、装置、设备及可读存储介质 |
CN108764358A (zh) * | 2018-05-31 | 2018-11-06 | 广东工业大学 | 一种太赫兹图像识别方法、装置、设备及可读存储介质 |
CN108960095A (zh) * | 2018-06-22 | 2018-12-07 | 博微太赫兹信息科技有限公司 | 一种基于太赫兹的人数统计方法及装置 |
CN109001833A (zh) * | 2018-06-22 | 2018-12-14 | 天和防务技术(北京)有限公司 | 一种基于深度学习的太赫兹危险品检测方法 |
CN109031284A (zh) * | 2018-08-31 | 2018-12-18 | 博微太赫兹信息科技有限公司 | 一种采用毫米波或太赫兹雷达的鞋底安检装置及方法 |
CN109374572A (zh) * | 2018-12-10 | 2019-02-22 | 西安电子科技大学 | 基于神经网络的太赫兹时域光谱物品分类方法 |
CN109978892A (zh) * | 2019-03-21 | 2019-07-05 | 浙江啄云智能科技有限公司 | 一种基于太赫兹成像的智能安检方法 |
-
2019
- 2019-07-10 CN CN201910621428.0A patent/CN110390329A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8792696B2 (en) * | 2010-05-02 | 2014-07-29 | Kelce S. Wilson | Industrial diagnostic image change highlighter |
CN108764328A (zh) * | 2018-05-24 | 2018-11-06 | 广东工业大学 | 太赫兹图像危险品识别方法、装置、设备及可读存储介质 |
CN108764358A (zh) * | 2018-05-31 | 2018-11-06 | 广东工业大学 | 一种太赫兹图像识别方法、装置、设备及可读存储介质 |
CN108960095A (zh) * | 2018-06-22 | 2018-12-07 | 博微太赫兹信息科技有限公司 | 一种基于太赫兹的人数统计方法及装置 |
CN109001833A (zh) * | 2018-06-22 | 2018-12-14 | 天和防务技术(北京)有限公司 | 一种基于深度学习的太赫兹危险品检测方法 |
CN109031284A (zh) * | 2018-08-31 | 2018-12-18 | 博微太赫兹信息科技有限公司 | 一种采用毫米波或太赫兹雷达的鞋底安检装置及方法 |
CN109374572A (zh) * | 2018-12-10 | 2019-02-22 | 西安电子科技大学 | 基于神经网络的太赫兹时域光谱物品分类方法 |
CN109978892A (zh) * | 2019-03-21 | 2019-07-05 | 浙江啄云智能科技有限公司 | 一种基于太赫兹成像的智能安检方法 |
Non-Patent Citations (2)
Title |
---|
QQ_34132426: "ssd网络详解之detection out layer", 《HTTPS://BLOG.CSDN.NET/QQ_34132426/ARTICLE/DETAILS/81628212》 * |
刘宁宁: "基于太赫兹的危险品智能识别系统", 《信息与电脑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428585A (zh) * | 2020-03-09 | 2020-07-17 | 北京航空航天大学 | 一种基于深度学习的超材料太赫兹谱学识别方法 |
CN111428585B (zh) * | 2020-03-09 | 2022-04-19 | 北京航空航天大学 | 一种基于深度学习的超材料太赫兹谱学识别方法 |
CN111709961A (zh) * | 2020-05-14 | 2020-09-25 | 南京航空航天大学 | 一种被动式太赫兹图像目标的实时分割分类方法 |
CN111709961B (zh) * | 2020-05-14 | 2023-10-27 | 南京航空航天大学 | 一种被动式太赫兹图像目标的实时分割分类方法 |
US11300504B2 (en) | 2020-05-21 | 2022-04-12 | National Tsing Hua University | Tomography method, system, and apparatus based on time-domain spectroscopy |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390329A (zh) | 一种基于深度学习的太赫兹图像识别方法及系统 | |
CN106650913B (zh) | 一种基于深度卷积神经网络的车流密度估计方法 | |
CN110135375A (zh) | 基于全局信息整合的多人姿态估计方法 | |
CN110175993A (zh) | 一种基于FPN的Faster R-CNN肺结核征象检测系统及方法 | |
CN109886241A (zh) | 基于长短期记忆网络的驾驶员疲劳检测 | |
CN106503642B (zh) | 一种应用于光纤传感系统的振动模型建立方法 | |
CN107742093A (zh) | 一种红外图像电力设备部件实时检测方法、服务器及系统 | |
CN106845556A (zh) | 一种基于卷积神经网络的织物疵点检测方法 | |
CN107273836A (zh) | 一种行人检测识别方法、装置、模型和介质 | |
CN107563412A (zh) | 一种基于深度学习的红外图像电力设备实时检测方法 | |
CN107133960A (zh) | 基于深度卷积神经网络的图像裂缝分割方法 | |
Yu et al. | Railway obstacle detection algorithm using neural network | |
CN106529531A (zh) | 一种基于图像处理的中国象棋识别系统及方法 | |
CN109977791A (zh) | 一种手部生理信息检测方法 | |
CN106373336A (zh) | 一种检测摔倒的方法及装置 | |
CN110321780A (zh) | 基于时空运动特性的异常摔倒行为检测方法 | |
CN108764082A (zh) | 一种飞机目标检测方法、电子设备、存储介质及系统 | |
CN110119734A (zh) | 刀具检测方法及装置 | |
CN107705334A (zh) | 一种摄像机异常检测方法及装置 | |
CN109034134A (zh) | 基于多任务深度卷积神经网络的异常驾驶行为检测方法 | |
CN110263920A (zh) | 卷积神经网络模型及其训练方法和装置、巡检方法和装置 | |
CN101303726A (zh) | 基于粒子动态采样模型的红外人体目标跟踪系统 | |
CN110415238A (zh) | 基于反向瓶颈结构深度卷积网络的膜片瑕点检测方法 | |
Zhafran et al. | Computer vision system based for personal protective equipment detection, by using convolutional neural network | |
CN109543617A (zh) | 基于yolo目标检测技术的智能车辆运动路况信息的检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191029 |
|
RJ01 | Rejection of invention patent application after publication |