CN110443301A - 一种基于双层特征分类的液态危险品识别方法 - Google Patents
一种基于双层特征分类的液态危险品识别方法 Download PDFInfo
- Publication number
- CN110443301A CN110443301A CN201910710324.7A CN201910710324A CN110443301A CN 110443301 A CN110443301 A CN 110443301A CN 201910710324 A CN201910710324 A CN 201910710324A CN 110443301 A CN110443301 A CN 110443301A
- Authority
- CN
- China
- Prior art keywords
- scattering parameter
- noise elimination
- collection
- sample
- parameter collection
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/49—Scattering, i.e. diffuse reflection within a body or fluid
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于双层特征分类的液态危险品识别方法,包括以下步骤:S1.分别对水、汽油、酒精三类样品的散射参数进行多次采集,将得到的散射参数作为样本数据,并多次采集空气的散射参数作为对照数据;S2.利用采集到的空气散射参数,分别对水、汽油、酒精三类样品的散射参数进行静噪;S3.将水、汽油、酒精三类样品静噪后的数据分别进行标记,得到训练样本,形成训练集;S4.利用双层特征分类算法构建分类器模型,利用训练集中的训练样本对分类器模型进行训练,得到成熟的分类器模型;S5.由成熟的分类器模型对待测液体进行识别。本发明提供了一种基于双层特征分类的液态危险品识别方法,能够识别出液体类别,具有准确性高,扩展性强的优势。
Description
技术领域
本发明涉及液态危险品识别,特别是涉及一种基于双层特征分类的液态危险品识别方法。
背景技术
随着物流产业的迅速发展,交通运输安全越来越受到重视。因此,公共场合中的安检环节也显得越来越重要,而现阶段液态危险品主要采用人工方式进行检测。随着智能化技术的不断发展,利用智能化的方法进行液态危险品检测已经成为交通运输安全检查的发展趋势。液态危险品检测,也逐渐成为交通运输安全领域研究的核心问题,发挥着不可替代的作用。目前主流的液体安检技术有X射线扫描检测、红外光谱等。
X光频率最高,其检测的优点是仪器成熟,对金属固体检测效果好,但是存在辐射高和不能直接对液体成分进行识别的缺点,需要和手持式的接触式易燃液体检测技术结合使用,研究和应用并不多。红外光谱利用人工经验性的选取某几个特定的几个频段作为分类依据,这种方式成本低廉、实现简单,对特定范围内的样本识别效果非常好,但是鲁棒性和可扩展性极低,不适合具体安检场景。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于双层特征分类的液态危险品识别方法,能够识别出液体类别,具有准确性高,扩展性强的优势。
本发明的目的是通过以下技术方案来实现的:一种基于双层特征分类的液态危险品识别方法,包括以下步骤:
S1.分别对水、汽油、酒精三类样品的散射参数进行多次采集,将得到的散射参数作为样本数据,并多次采集空气的散射参数作为对照数据;
S2.利用采集到的空气散射参数,分别对水、汽油、酒精三类样品的散射参数进行静噪;
S3.将水、汽油、酒精三类样品静噪后的数据分别进行标记,得到训练样本,形成训练集;
S4.利用双层特征分类算法构建分类器模型,利用训练集中的训练样本对分类器模型进行训练,得到成熟的分类器模型;
S5.对于未知类型的待测液体,采集其散射参数,并利用采集到的空气散射参数对待测液体的散射参数进行静噪,将静噪得到的信息输入成熟的分类器模型中,由成熟的分类器模型对待测液体进行识别。
其中,所述步骤S1包括以下子步骤:
S101.利用宽带波束聚焦系统对水的散射参数进行多次采集,得到水的散射参数集A:
其中,表示第n次对水的散射参数采集结果,n=1,2,3...,N,N表示对水散射参数的采集总次数;
S102.同理,利用宽带波束聚焦系统分别对汽油、酒精和空气的散射参数进行多次采集,得到:
汽油的散射参数集B:
其中,表示第m次对汽油的散射参数采集结果,m=1,2,3...,M,M表示对汽油散射参数的采集总次数;
酒精的散射参数集C:
其中,表示第k次对酒精的散射参数采集结果,k=1,2,3...,K,K表示对酒精散射参数的采集总次数;
空气的散射参数集D:
其中,表示第t次对空气的散射参数采集结果,t=1,2,3...,T,T表示对空气散射参数的采集总次数。
所述步骤S2包括:
S201.利用空气的散射参数集D获取对照样本Sem,具体包括如下两种方式:
第一,将散射参数集D中的任一次采集结果作为对照样本Sem;
第二,将散射参数集D中的数据求均值得到Sem,即:
S202.利用对照样本Sem对水的散射参数集A静噪:
A1、对于散射参数集A中的某一散射参数进行静噪,得到静噪后参数为:
A2、在n=1,2,3...,N时,重复步骤A1对散射参数集A中的散射参数进行处理,得到静噪后的散射参数集A′:
S203.利用对照样本Sem对汽油的散射参数集B静噪:
B1、对于散射参数集B中的某一散射参数进行静噪,得到静噪后参数为:
B2、在m=1,2,3...,M时,重复步骤B1对散射参数集B中的散射参数进行处理,得到静噪后的散射参数集B′:
S204.利用对照样本Sem对酒精的散射参数集C静噪:
C1、对于散射参数集C中的某一散射参数进行静噪,得到静噪后参数为:
C2、在k=1,2,3...,K时,重复步骤C1对散射参数集C中的散射参数进行处理,得到静噪后的散射参数集C′:
所述步骤S3包括以下子步骤:
S301.对于散射参数集A′、B′、C′中的每一个散射参数进行标记,得到:
(X1,Y1),(X2,Y2),....(XQ,YQ);
其中Xi为散射参数集A′、B′、C′中的散射参数,Yi为散射参数Xi的标记:
i=1,2,3,...,Q,其中Q=N+M+K,即Q为散射参数集A′、B′、C′中的散射参数数目总和;
S302.将Xi作为分类器模型的输入样本,Yi作为分类器模型中的输出样本,形成训练集:{(X1,Y1),(X2,Y2),....(XQ,YQ)}。
所述双层特征分类算法采用LSTM算法。
本发明的有益效果是:本发明利用空气的散射参数作为对照数据,对水、汽油、酒精三类样品的散射参数进行静噪,有助于提高散射参数的准确性,进而提高最终的液态危险品识别准确性,同时,本发明利用双层特征分类算法构建分类器模型,并利用静噪后水、汽油、酒精三类样品的散射参数构建训练样本对分类器模型进行训练,训练成熟后分类器模型可以根据散射参数直接识别液体类别;在需要识别其他液体时,只需要采集该类液体的散射参数,静噪、标记后送入分类器中进行训练即可,扩展性强。
附图说明
图1为本发明的方法流程图;
图2为实施例中宽带波束聚焦系统的示意图;
图3为实施例中的LSTM的基础上搭建序列分类器算法示意图;
图4为实施例中单层LSTM结构示意图;
图5为实施例中训练精度和测试精度变化。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,一种基于双层特征分类的液态危险品识别方法,包括以下步骤:
S1.分别对水、汽油、酒精三类样品的散射参数进行多次采集,将得到的散射参数作为样本数据,并多次采集空气的散射参数作为对照数据;
S2.利用采集到的空气散射参数,分别对水、汽油、酒精三类样品的散射参数进行静噪;
S3.将水、汽油、酒精三类样品静噪后的数据分别进行标记,得到训练样本,形成训练集;
S4.利用双层特征分类算法构建分类器模型,利用训练集中的训练样本对分类器模型进行训练,得到成熟的分类器模型;
S5.对于未知类型的待测液体,采集其散射参数,并利用采集到的空气散射参数对待测液体的散射参数进行静噪,将静噪得到的信息输入成熟的分类器模型中,由成熟的分类器模型对待测液体进行识别。
其中,所述步骤S1包括以下子步骤:
S101.利用宽带波束聚焦系统对水的散射参数进行多次采集,得到水的散射参数集A:
其中,表示第n次对水的散射参数采集结果,n=1,2,3...,N,N表示对水散射参数的采集总次数;
S102.同理,利用宽带波束聚焦系统分别对汽油、酒精和空气的散射参数进行多次采集,得到:
汽油的散射参数集B:
其中,表示第m次对汽油的散射参数采集结果,m=1,2,3...,M,M表示对汽油散射参数的采集总次数;
酒精的散射参数集C:
其中,表示第k次对酒精的散射参数采集结果,k=1,2,3...,K,K表示对酒精散射参数的采集总次数;
空气的散射参数集D:
其中,表示第t次对空气的散射参数采集结果,t=1,2,3...,T,T表示对空气散射参数的采集总次数。
所述步骤S2包括:
S201.利用空气的散射参数集D获取对照样本Sem,具体包括如下两种方式:
第一,将散射参数集D中的任一次采集结果作为对照样本Sem;
第二,将散射参数集D中的数据求均值得到Sem,即:
S202.利用对照样本Sem对水的散射参数集A静噪:
A1、对于散射参数集A中的某一散射参数进行静噪,得到静噪后参数为:
A2、在n=1,2,3...,N时,重复步骤A1对散射参数集A中的散射参数进行处理,得到静噪后的散射参数集A′:
S203.利用对照样本Sem对汽油的散射参数集B静噪:
B1、对于散射参数集B中的某一散射参数进行静噪,得到静噪后参数为:
B2、在m=1,2,3...,M时,重复步骤B1对散射参数集B中的散射参数进行处理,得到静噪后的散射参数集B′:
S204.利用对照样本Sem对酒精的散射参数集C静噪:
C1、对于散射参数集C中的某一散射参数进行静噪,得到静噪后参数为:
C2、在k=1,2,3...,K时,重复步骤C1对散射参数集C中的散射参数进行处理,得到静噪后的散射参数集C′:
所述步骤S3包括以下子步骤:
S301.对于散射参数集A′、B′、C′中的每一个散射参数进行标记,得到:
(X1,Y1),(X2,Y2),....(XQ,YQ);
其中Xi为散射参数集A′、B′、C′中的散射参数,Yi为散射参数Xi的标记:
i=1,2,3,...,Q,其中Q=N+M+K,即Q为散射参数集A′、B′、C′中的散射参数数目总和;
S302.将Xi作为分类器模型的输入样本,Yi作为分类器模型中的输出样本,形成训练集:{(X1,Y1),(X2,Y2),....(XQ,YQ)}。
所述双层特征分类算法采用LSTM算法。
所述步骤S5中,对于未知类型的待测液体,采集其散射参数后,直接利用步骤S201中的对照样本Sem进行静噪,设未知类型的待测液体散射参数为S;则静噪后的散射参数将静噪后的散射参数送入训练成熟的分类器模型中,若分类器模型的输出为0,则该液体为水,分类器模型的输出为1,则该液体为汽油,若分类器模型的输出为2,则该液体为酒精。
如图2所示,在本申请的实施例中,所述宽带波束聚焦系统由一对双脊喇叭天线A、B,一对聚焦透镜L1、L2、一个盛放样品的载物台S、一个信号源、用于分析信号的矢量网络分析仪组成;分别将不同的样本(包括空气、水、汽油、酒精)用相同的透明瓶装好后放置在置物台上(测空气时,透明瓶中不放任何液体即可),信号源通过天线B发射出的超宽带厘米信号,碰到物体后所产生的回波信号和透射信号,透射信号由天线A接收,将信号源和天线A连接到矢量网络分析仪,由矢量网络分析仪分析出散射参数,每种样品重复多次采集数据并记录下来。
在该实施例中,总共测得102组数据,其中空气数据有29组,汽油数据有30组,酒精数据有13组和水的数据30组,以达到建立4种样品的小型数据库的目的。这里为了便与说明,每种样品均只列一组数据。散射参数如下表所示:
采样点 | 1 | 2 | 3 | 4 | 5 | … | 199 | 200 | 201 |
Gasoline(汽油) | 27.03 | 26.78 | 26.35 | 25.54 | 25.31 | … | 23.55 | 24.52 | 24.43 |
Water(水) | 32.10 | 31.67 | 31.99 | 32.31 | 31.95 | … | 49.19 | 49.42 | 46.01 |
Alcohol(酒精) | 33.53 | 33.619 | 34.68 | 34.75 | 34.84 | … | 49.87 | 51.39 | 46.944 |
Air(空气) | 35.14 | 35.05 | 34.89 | 34.95 | 34.42 | … | 39.41 | 39.781 | 40.15 |
其次是样本数据的预处理:原始的超宽带厘米波信号在收集时会受到周围噪声的干扰,同时实验所用设备的性能存在较大差异,扫频间隔差异较大,数据的同一性不好。为了使算法有更好的性能,将对原始的超宽带厘米波信号进行预处理。这里主要是进行静噪处理。样品散射参数曲线减去空气的散射参数曲线可以有效静噪,本发明计算单一类别的样本每个频点的平均方差查看静噪效果,静噪前后样品散射参数的平均方差如下:
样品 | 静噪前的平均方差 | 静噪后的平均方差 |
水 | 450.29918 | 76.20246 |
汽油 | 106.48588 | 162.79066 |
酒精 | 461.69226 | 77.7761 |
可见,静噪处理能够有效提高样本的统一性。
最后是进行双层特征抽象分类算法设计:本发明选用的是长短时记忆网络(LSTM)作为序列分类器,在LSTM的基础上搭建序列分类器算法如图3所示。相对于语音识别任务,抽象分类算法的序列结构并不复杂,因此本发明直接使用单层LSTM即可完成序列分类,如图4所示。本发明在在LSTM训练过程中,共进行2000批(batch)的训练,学习率采用指数衰减策略,初始学习率为0.01,经过2000批计算学习率衰减为0.00001。训练时间约为22分钟,CPU占有率约为87.5%,抽取数据的方式使用池抽取,样本训练测试比为3:1,保存权重的策略是保存最高测试精度对应的权重。最终测试精度可以达到84.37%,也就是说对液态危险品分类的分类精度最高可达84.37%。训练中训练精度和测试精度变化如图5所示。
综上,本发明利用空气的散射参数作为对照数据,对水、汽油、酒精三类样品的散射参数进行静噪,有助于提高散射参数的准确性,进而提高最终的液态危险品识别准确性,同时,本发明利用双层特征分类算法构建分类器模型,并利用静噪后水、汽油、酒精三类样品的散射参数构建训练样本对分类器模型进行训练,训练成熟后分类器模型可以根据散射参数直接识别液体类别;在需要识别其他液体时,只需要采集该类液体的散射参数,静噪、标记后送入分类器中进行训练即可,扩展性强。
以上所述的仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例外排除,而可用于各种其他组和、修改和环境,并能够在本文所述构想范围内,通过上述相关领域的技术或知识进行改动。而本领域人员所进行的改动和变换不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (5)
1.一种基于双层特征分类的液态危险品识别方法,其特征在于:包括以下步骤:
S1.分别对水、汽油、酒精三类样品的散射参数进行多次采集,将得到的散射参数作为样本数据,并多次采集空气的散射参数作为对照数据;
S2.利用采集到的空气散射参数,分别对水、汽油、酒精三类样品的散射参数进行静噪;
S3.将水、汽油、酒精三类样品静噪后的数据分别进行标记,得到训练样本,形成训练集;
S4.利用双层特征分类算法构建分类器模型,利用训练集中的训练样本对分类器模型进行训练,得到成熟的分类器模型;
S5.对于未知类型的待测液体,采集其散射参数,并利用采集到的空气散射参数对待测液体的散射参数进行静噪,将静噪得到的信息输入成熟的分类器模型中,由成熟的分类器模型对待测液体进行识别。
2.根据权利要求1所述的一种基于双层特征分类的液态危险品识别方法,其特征在于:所述步骤S1包括以下子步骤:
S101.利用宽带波束聚焦系统对水的散射参数进行多次采集,得到水的散射参数集A:
其中,表示第n次对水的散射参数采集结果,n=1,2,3...,N,N表示对水散射参数的采集总次数;
S102.同理,利用宽带波束聚焦系统分别对汽油、酒精和空气的散射参数进行多次采集,得到:
汽油的散射参数集B:
其中,表示第m次对汽油的散射参数采集结果,m=1,2,3...,M,M表示对汽油散射参数的采集总次数;
酒精的散射参数集C:
其中,表示第k次对酒精的散射参数采集结果,k=1,2,3...,K,K表示对酒精散射参数的采集总次数;
空气的散射参数集D:
其中,表示第t次对空气的散射参数采集结果,t=1,2,3...,T,T表示对空气散射参数的采集总次数。
3.根据权利要求2所述的一种基于双层特征分类的液态危险品识别方法,其特征在于:所述步骤S2包括:
S201.利用空气的散射参数集D获取对照样本Sem,具体包括如下两种方式:
第一,将散射参数集D中的任一次采集结果作为对照样本Sem;
第二,将散射参数集D中的数据求均值得到Sem,即:
S202.利用对照样本Sem对水的散射参数集A静噪:
A1、对于散射参数集A中的某一散射参数进行静噪,得到静噪后参数为:
A2、在n=1,2,3...,N时,重复步骤A1对散射参数集A中的散射参数进行处理,得到静噪后的散射参数集A′:
S203.利用对照样本Sem对汽油的散射参数集B静噪:
B1、对于散射参数集B中的某一散射参数进行静噪,得到静噪后参数为:
B2、在m=1,2,3...,M时,重复步骤B1对散射参数集B中的散射参数进行处理,得到静噪后的散射参数集B′:
S204.利用对照样本Sem对酒精的散射参数集C静噪:
C1、对于散射参数集C中的某一散射参数进行静噪,得到静噪后参数为:
C2、在k=1,2,3...,K时,重复步骤C1对散射参数集C中的散射参数进行处理,得到静噪后的散射参数集C′:
4.根据权利要求3所述的一种基于双层特征分类的液态危险品识别方法,其特征在于:所述步骤S3包括以下子步骤:
S301.对于散射参数集A′、B′、C′中的每一个散射参数进行标记,得到:
(X1,Y1),(X2,Y2),....(XQ,YQ);
其中Xi为散射参数集A′、B′、C′中的散射参数,Yi为散射参数Xi的标记:
i=1,2,3,...,Q,其中Q=N+M+K,即Q为散射参数集A′、B′、C′中的散射参数数目总和;
S302.将Xi作为分类器模型的输入样本,Yi作为分类器模型中的输出样本,形成训练集:{(X1,Y1),(X2,Y2),....(XQ,YQ)}。
5.根据权利要求1所述的一种基于双层特征分类的液态危险品识别方法,其特征在于:所述双层特征分类算法采用LSTM算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910710324.7A CN110443301B (zh) | 2019-08-02 | 2019-08-02 | 一种基于双层特征分类的液态危险品识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910710324.7A CN110443301B (zh) | 2019-08-02 | 2019-08-02 | 一种基于双层特征分类的液态危险品识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110443301A true CN110443301A (zh) | 2019-11-12 |
CN110443301B CN110443301B (zh) | 2023-04-07 |
Family
ID=68432961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910710324.7A Active CN110443301B (zh) | 2019-08-02 | 2019-08-02 | 一种基于双层特征分类的液态危险品识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443301B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818875A (zh) * | 2021-02-04 | 2021-05-18 | 成都理工大学 | 一种基于低秩稀疏分解的易燃液体检测信号去噪方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1779451A (zh) * | 2004-11-26 | 2006-05-31 | 清华大学 | 一种用放射源对液体进行背散射安全检测的方法及其装置 |
CN102519936A (zh) * | 2011-12-23 | 2012-06-27 | 公安部第一研究所 | 一种基于拉曼光谱分析技术的违禁品检测装置 |
CN108169256A (zh) * | 2016-12-07 | 2018-06-15 | 同方威视技术股份有限公司 | 多能谱x射线成像系统和用于利用多能谱x射线成像系统识别物品的方法 |
CN108169248A (zh) * | 2016-12-07 | 2018-06-15 | 成都理工大学 | 一种自适应的用于液态危险品检测的s参数匹配方法 |
CN108665398A (zh) * | 2017-03-28 | 2018-10-16 | 成都理工大学 | 基于盲源分离的多物品安检算法 |
CN109583570A (zh) * | 2018-11-30 | 2019-04-05 | 重庆大学 | 基于深度学习确定桥梁健康监测系统异常数据来源的方法 |
CN109587136A (zh) * | 2018-12-05 | 2019-04-05 | 电子科技大学 | 一种基于双极大值的射频指纹特征提取和识别方法 |
CN109765548A (zh) * | 2017-11-10 | 2019-05-17 | 富士通株式会社 | 物品检测方法和装置 |
-
2019
- 2019-08-02 CN CN201910710324.7A patent/CN110443301B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1779451A (zh) * | 2004-11-26 | 2006-05-31 | 清华大学 | 一种用放射源对液体进行背散射安全检测的方法及其装置 |
CN102519936A (zh) * | 2011-12-23 | 2012-06-27 | 公安部第一研究所 | 一种基于拉曼光谱分析技术的违禁品检测装置 |
CN108169256A (zh) * | 2016-12-07 | 2018-06-15 | 同方威视技术股份有限公司 | 多能谱x射线成像系统和用于利用多能谱x射线成像系统识别物品的方法 |
CN108169248A (zh) * | 2016-12-07 | 2018-06-15 | 成都理工大学 | 一种自适应的用于液态危险品检测的s参数匹配方法 |
CN108665398A (zh) * | 2017-03-28 | 2018-10-16 | 成都理工大学 | 基于盲源分离的多物品安检算法 |
CN109765548A (zh) * | 2017-11-10 | 2019-05-17 | 富士通株式会社 | 物品检测方法和装置 |
CN109583570A (zh) * | 2018-11-30 | 2019-04-05 | 重庆大学 | 基于深度学习确定桥梁健康监测系统异常数据来源的方法 |
CN109587136A (zh) * | 2018-12-05 | 2019-04-05 | 电子科技大学 | 一种基于双极大值的射频指纹特征提取和识别方法 |
Non-Patent Citations (3)
Title |
---|
DONGMEI ZHOU 等: "Research on Applications of FastICA Algorithm in the Detection of Dan-", 《INTERNATIONAL JOURNAL OF PATTERN RECOGNITION AND ARTIFICIAL INTELLIGENCE》 * |
刘伯德 等: "基于网络化大数据的城市轨道交通安检系统", 《城市轨道交通研究》 * |
周冬梅 等: "基于超宽带厘米波的液体安检感知机模型", 《电子学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818875A (zh) * | 2021-02-04 | 2021-05-18 | 成都理工大学 | 一种基于低秩稀疏分解的易燃液体检测信号去噪方法 |
CN112818875B (zh) * | 2021-02-04 | 2024-02-02 | 成都理工大学 | 一种基于低秩稀疏分解的易燃液体检测信号去噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110443301B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109581546B (zh) | 基于微波链路衰减及偏振信息的降雨类型识别方法 | |
CN101750024B (zh) | 硅钢绝缘涂层厚度近红外光谱检测方法 | |
CN112464920B (zh) | 基于极端随机树的fy-3d红外高光谱云检测方法 | |
CN111428561A (zh) | 一种宽带电磁干扰源识别方法及系统、储存介质、设备 | |
KR20160130422A (ko) | 화물을 검사하는 방법 및 그 시스템 | |
CN110543893A (zh) | 基于bp神经网络的微波衰减降水粒子类型的识别方法 | |
CN110929723B (zh) | 一种基于卷积神经网络的变电站指针式仪表的识别方法 | |
CN115453064B (zh) | 一种细颗粒物空气污染成因分析方法及系统 | |
CN109060371A (zh) | 一种汽车零部件异响检测装置 | |
CN106682278A (zh) | 基于图像处理的超声速流场预测准确度判定装置及方法 | |
CN113850228A (zh) | 基于多模态融合的道路裂缝检测方法和系统 | |
CN115420806A (zh) | 一种基于神经网络及图像融合的无损超声检测方法 | |
CN112990082A (zh) | 一种水声脉冲信号的检测识别方法 | |
CN110443301A (zh) | 一种基于双层特征分类的液态危险品识别方法 | |
CN111274911A (zh) | 基于无线微波衰减特征迁移学习的浓雾监测方法 | |
CN110458071A (zh) | 一种基于dwt-dfpa-gbdt的光纤振动信号特征提取与分类方法 | |
CN110705619A (zh) | 雾浓度等级判别方法及装置 | |
CN112966710B (zh) | 基于线性判别分析的fy-3d红外高光谱云检测方法 | |
Merrill et al. | Use of density equalizing map projections (DEMP) in the analysis of childhood cancer in four California counties | |
CN115219472A (zh) | 一种定量识别混合水体多污染源的方法及系统 | |
Panduman et al. | Implementation of data abstraction layer using kafka on SEMAR platform for air quality monitoring | |
CN111398282B (zh) | 碳钢索氏体定量分析方法 | |
CN103869053B (zh) | 区域地球化学调查样品分析异常点抽检方法 | |
CN113240628A (zh) | 一种钢卷质量的判定方法、装置及系统 | |
CN112767543A (zh) | 基于逻辑回归的fy-3d红外高光谱云检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |