CN110969559B - 一种基于阈值体系的危险品识别方法及系统 - Google Patents

一种基于阈值体系的危险品识别方法及系统 Download PDF

Info

Publication number
CN110969559B
CN110969559B CN201911337807.3A CN201911337807A CN110969559B CN 110969559 B CN110969559 B CN 110969559B CN 201911337807 A CN201911337807 A CN 201911337807A CN 110969559 B CN110969559 B CN 110969559B
Authority
CN
China
Prior art keywords
threshold
dangerous goods
value
threshold value
fuzzy
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
Application number
CN201911337807.3A
Other languages
English (en)
Other versions
CN110969559A (zh
Inventor
徐圆飞
贾蜜蜜
李嘉一
张文杰
刘念
何竞择
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Hangxing Machinery Manufacturing Co Ltd
Original Assignee
Beijing Hangxing Machinery Manufacturing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Hangxing Machinery Manufacturing Co Ltd filed Critical Beijing Hangxing Machinery Manufacturing Co Ltd
Priority to CN201911337807.3A priority Critical patent/CN110969559B/zh
Publication of CN110969559A publication Critical patent/CN110969559A/zh
Application granted granted Critical
Publication of CN110969559B publication Critical patent/CN110969559B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Alarm Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于阈值体系的危险品识别方法及系统，属于安全监测技术领域，解决了现有技术中危险品识别针对性弱准确率低的问题。该方法包括以下步骤：获取影响危险品阈值设置的随机因素特征和固定因素特征；根据所述随机因素特征和固定因素特征通过阈值评估模糊决策树获得当前因素下各类危险品的第一阈值；基于各类危险品的第一阈值进行危险品识别得到各类危险品识别的准确率；根据获取的所述各类危险品识别的准确率通过预设的阈值调整模型获得各类危险品的第二阈值；基于所述各类危险品的第二阈值对被检测目标进行识别获得识别结果，并根据识别结果判断被检测对象是否为危险品。提高了危险品识别的针对性和准确率。

Description

一种基于阈值体系的危险品识别方法及系统
技术领域
本发明涉及安全检测技术领域，尤其涉及一种基于阈值体系的危险品识别方法及系统。
背景技术
随着我国经济的高速发展，人们的生活品质和出行热情不断提升，高铁、飞机、地铁、展馆等公共场所的人流量日益增大。携带危险品将极大地威胁人身安全，对于安检机效率的提升需求日益增加。为了保证旅公共场所的人身安全，在很多公共区域都配置了安全检查系统，主要检查行李物品中是否携带枪支、弹药、易燃、易爆、有毒、放射性等危险物品，以确保公共场所的安全。例如在机场、火车站以及大型活动场所均配置有安检设施。
目前，越来愈多的安检设施采用了基于深度神经网络的人工智能识别算法识别危险物品、违禁物品，在采用深度神经网络进行危险品识别时，神经网络会对待识别的图片的可疑区域，给出其对应的疑似危险品的疑似程度，以百分数显示。即对于一个可疑区域，神经网络将给出如“68.55％为A，23.37％为B，……”的结果，而疑似度最高的危险品分类，则将作为对于此图片的识别结果，反馈给用户。
现有技术至少存在以下缺陷，一是在不同的场合、场景，存在着对危险品不同的识别优先度和紧急程度的需求，采用“疑似度最高的结果作为识别结果”的方法将无法满足上述需求，并且存在较高的误检率。二是为满足上述需求，需建立不同种类的多个神经网路模型，增加了研发成本，且往往需要专业工程人员进行大量的修改工作，难以迅速针对不同需求改变安检系统的报警策略。
发明内容
鉴于上述的分析，本发明旨在提供一种基于阈值体系的危险品识别方法及系统，用以解决现有技术中危险品识别针对性弱、准确率低的问题。
一方面，本发明提供了一种基于阈值体系的危险品识别方法，该包括以下步骤：
获取影响危险品阈值设置的随机因素特征和固定因素特征；
根据所述随机因素特征和固定因素特征通过阈值评估模糊决策树获得当前因素下各类危险品的第一阈值；
基于各类危险品的第一阈值进行危险品识别得到各类危险品识别的准确率；
根据获取的所述各类危险品识别的准确率通过预设的阈值调整模型获得各类危险品的第二阈值；
基于所述各类危险品的第二阈值对被检测目标进行识别获得识别结果，并根据识别结果判断被检测对象是否为危险品。
进一步的，所述获取的各类危险品识别的准确率的属性值包括平均精度、查准率、查全率、IOU和置信度阈值；通过将所述属性值输入预设的阈值调整模型得到各类危险品的第二阈值。
进一步的，通过下述方式获得所述预设的阈值调整模型：
将各类危险品识别的准确率所包括的属性值输入神经网络的输入层，并随机生成权值矩阵输入至神经网络的隐藏层；
根据所述权值矩阵和所述属性值得到隐藏层神经元的输出数值，并根据所述神经元的输出数值得到输出层输出的阈值；
计算所述输出层输出的阈值与第一阈值的误差方差值，并利用误差逆传播算法获得各类危险品识别结果准确率包括的属性值的误差值；
根据所述属性值的误差值及权值修正公式对所述权值矩阵进行修正，直至所述属性值的误差值小于预设值从而获得预设的阈值调整模型。
进一步的，所述固定因素包括地域信息和安检场景，所述随机因素包括安检时期、人流量、被检人员身份信息和气候时节中的至少一种。
进一步的，根据所述随机因素特征和固定因素特征通过阈值评估模糊决策树获得各类危险品第一阈值，具体流程如下：
利用模糊隶属度函数对随机因素特征进行模糊处理获得各因素特征的隶属度；
将固定因素特征进行量化获得各因素特征的属性值；
根据随机因素特征的隶属度和固定因素特征的属性值建立模糊隶属度矩阵；
根据所述模糊隶属度矩阵获得模糊信息熵和模糊信息增益，并根据所述模糊信息熵和模糊信息增益建立阈值评估模糊决策树；
根据所述阈值评估模糊决策树获得各类危险品的第一阈值。
进一步的，所述获得的模糊隶属度矩阵形式如下：
Figure BDA0002331429770000031
其中，m为阈值影响因素特征的类别数，n为阈值影响因素特征包括的属性个数，
Figure BDA0002331429770000032
为影响因素特征i的第j个属性对应的模糊矩阵元素值，所述模糊矩阵元素值为随机因素特征的隶属度或固定因素特征的属性值。
进一步的，通过下述方式建立阈值评估模糊决策树：
在根节点处，计算阈值结点在各影响因素特征i上的模糊信息熵；
利用所述阈值结点在各影响因素特征i上的模糊信息熵计算获得各影响因素特征i在阈值结点处对应的模糊信息增益；
选取模糊信息增益最大的影响因素特征i作为所述阈值评估模糊决策树的根节点；
并依次确定支节点处对应的影响因素特征，从而建立阈值评估模糊决策树。
与现有技术相比，本发明至少可实现如下有益效果之一：
1、本发明根据随机因素特征和固定因素特征通过阈值评估模糊决策树获得当前因素下各类危险品的第一阈值，针对各类不同危险品分别设定阈值，针对性强，能够满足不同场合、场景对危险品不同的识别优先度和紧急程度的需求；
2、本发明基于各类危险品的第一阈值进行危险品识别得到各类危险品识别的准确率；再根据获取的所述各类危险品识别的准确率通过预设的阈值调整模型进行调整获得各类危险品的第二阈值，以实现在提高各类危险品识别的针对性的同时，提高对各类危险品识别的准确率。
另一方面，本发明提供了一种基于阈值体系的危险品识别系统，包括，因素特征获取模块，用于获取影响危险品阈值设置因素特征，所述因素特征包括随机因素特征和固定因素特征，所述固定因素包括地域信息和安检场景，所述随机因素包括安检时期、人流量、被检人员身份信息和气候时节中的至少一种；
第一阈值获取模块，用于根据所述随机因素特征和固定因素特征通过阈值评估模糊决策树获得当前因素下各类危险品的第一阈值；
危险品识别模块，用于基于各类危险品的第一阈值进行危险品识别得到各类危险品识别的准确率；
第二阈值获取模块，用于根据获取的所述各类危险品识别的准确率通过预设的阈值调整模型获得各类危险品的第二阈值；
危险品识别模块，还用于基于所述各类危险品的第二阈值对被检测目标进行识别获得识别结果，并根据识别结果判断被检测对象是否为危险品。
进一步的，通过下述方式建立预设的阈值调整模型：
将各类危险品识别的准确率所包括的属性值输入至神经网络的输入层，并随机生成权值矩阵输入至神经网络的隐藏层，所述属性值包括平均精度、查准率、查全率、IOU和置信度阈值；
根据所述权值矩阵和所述属性值得到隐藏层神经元的输出数值，并根据所述神经元的输出数值得到输出层输出的阈值；
计算所述输出层输出的阈值与第一阈值的误差方差值，并利用误差逆传播算法获得各类危险品识别结果准确率包括的属性值的误差值；
根据所述属性值的误差值及权值修正公式对所述权值矩阵进行修正，直至所述属性值的误差值小于预设值从而获得预设的阈值调整模型。
进一步的，还包括报警模块，用于在判定被检测对象为危险品时，发出危险品警报。
本发明中的危险品识别系统与上述危险品识别方法具有相同的原理，因此本系统具有与上述方法相应的技术效果。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本发明实施例基于阈值体系的危险品识别方法的流程图；
图2为本发明实施例基于阈值体系的危险品识别系统的示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
方法实施例
本发明的一个具体实施例，公开了一种基于阈值体系的危险品识别方法，如图1所示，该包括以下步骤：
获取影响危险品阈值设置的随机因素特征和固定因素特征；
根据所述随机因素特征和固定因素特征通过阈值评估模糊决策树获得当前因素下各类危险品的第一阈值；
基于各类危险品的第一阈值进行危险品识别得到各类危险品识别的准确率；
根据获取的所述各类危险品识别的准确率通过预设的阈值调整模型获得各类危险品的第二阈值；
基于所述各类危险品的第二阈值对被检测目标进行识别获得识别结果，并根据识别结果判断被检测对象是否为危险品，若判定为危险品，则发出危险品警报。
现有技术中，将各类危险品识别的阈值统一设置为相同的数值，无法满足在不同时期或不同场景下对各类危险品识别的需求，示例性的，在同一个安检场合，平时可能对水果刀等小刀具不做强制检出的要求，但某些重要时期(如重要会议召开等)，则要求对此类小型刀具也要做出100％的检出率，此时则需要对刀具这一类的危险品阈值进行单独调整以满足需求，而本发明便是针对不同类别的危险品阈值分别进行设置，因此，当面对上述安检场合时，能够单独调整刀具这一类的危险品阈值，以满足上述需求。
优选的，基于各类危险品的第一阈值对危险品进行识别获取各类危险品识别的准确率，所述获取的各类危险品识别的准确率的属性值包括平均精度、查准率、查全率、IOU和置信度阈值；通过将所述属性值输入预设的阈值调整模型得到各类危险品的第二阈值。其中，所述IOU为交并比为目标识别结果和真实识别结果的交集和并集的比例。
优选的，将第一阈值及对应的危险品识别准确率作为样本通过下述方式对阈值调整模型进行训练获得所述预设的阈值调整模型：
将各类危险品识别的准确率所包括的属性值输入神经网络的输入层，并随机生成权值矩阵输入至神经网络的隐藏层；
根据所述权值矩阵和所述属性值得到隐藏层神经元的输出数值，并根据所述神经元的输出数值得到输出层输出的阈值；
计算所述输出层输出的阈值与第一阈值的误差方差值，并利用误差逆传播算法获得各类危险品识别结果准确率包括的属性值的误差值；
根据所述属性值的误差值及权值修正公式对所述权值矩阵进行修正，直至所述属性值的误差值小于预设值从而获得预设的阈值调整模型。
具体的，所述固定因素包括地域信息和安检场景，所述随机因素包括安检时期、人流量、被检人员身份信息和气候时节中的至少一种。
其中，所述安检场景包括机场、火车站、地铁站、大型商场、人民大会堂、出入境大厅、国家博物馆等，优选的，可根据安检场景需求进行设置；所述安检时期包括普通时期和敏感时期，所述敏感时期可以是重要会议时期等；具体的，可以通过摄像头记录获取人流量，也可通过摄像头记录获取被检人员身份信息，即通过被检人员的脸部信息获取被检人员的身份信息，并基于提前获取的公安局犯罪嫌疑人的身份信息来确定被检人员是否为危险人员。
优选的，根据所述随机因素特征和固定因素特征通过阈值评估模糊决策树获得各类危险品第一阈值，具体流程如下：
利用模糊隶属度函数对随机因素特征进行模糊处理获得各因素特征的隶属度；示例性的，气候时节分为春、夏、秋、冬四个季节，分别利用模糊隶属度函数对每个季节特征进行模糊处理获得每个季节对危险品阈值设置的影响所占的比例，即每个季节因素的隶属度。
将固定因素特征进行量化获得各因素特征的属性值；示例性的，安检时期分为普通时期和敏感时期，此时，可将普通时期的属性值设为0，敏感时期的属性值设为1。
根据随机因素特征的隶属度和固定因素特征的属性值建立模糊隶属度矩阵；
根据所述模糊隶属度矩阵获得模糊信息熵和模糊信息增益，并根据所述模糊信息熵和模糊信息增益建立阈值评估模糊决策树；
根据所述阈值评估模糊决策树获得各类危险品的第一阈值。
优选的，所述获得的模糊隶属度矩阵形式如下：
Figure BDA0002331429770000091
其中，m为阈值影响因素特征的类别数，n为阈值影响因素特征包括的属性个数，
Figure BDA0002331429770000092
为影响因素特征i的第j个属性对应的模糊矩阵元素值，所述模糊矩阵元素值为随机因素特征的隶属度或固定因素特征的属性值。
优选的，通过下述方式建立阈值评估模糊决策树：
在根节点处，通过下述公式计算阈值结点在各影响因素特征i上的模糊信息熵：
Figure BDA0002331429770000093
其中，
Figure BDA0002331429770000094
表示影响因素特征i的隶属度值为所取样本包含的各属性隶属度值之和。
通过下述公式利用所述阈值结点在各影响因素特征i上的模糊信息熵计算获得各影响因素特征i在阈值结点处对应的模糊信息增益：
Figure BDA0002331429770000095
选取模糊信息增益最大的影响因素特征i作为所述阈值评估模糊决策树的根节点；
并依次确定支节点处对应的影响因素特征，从而建立阈值评估模糊决策树。
与现有技术相比，本发明提出的基于阈值体系的危险品识别方法，首先，根据随机因素特征和固定因素特征通过阈值评估模糊决策树获得当前因素下各类危险品的第一阈值，针对各类不同危险品分别设定阈值，针对性强，能够满足不同场合、场景对危险品不同的识别优先度和紧急程度的需求；其次，基于各类危险品的第一阈值进行危险品识别得到各类危险品识别的准确率；再根据获取的所述各类危险品识别的准确率通过预设的阈值调整模型进行调整获得各类危险品的第二阈值，以实现在提高各类危险品识别的针对性的同时，提高对各类危险品识别的准确率。
系统实施例
本发明的另一个具体实施例，公开了一种基于阈值体系的危险品识别系统，如图2所示，该系统包括，因素特征获取模块，用于获取影响危险品阈值设置因素特征，所述因素特征包括随机因素特征和固定因素特征，所述固定因素包括地域信息和安检场景，所述随机因素包括安检时期、人流量、被检人员身份信息和气候时节中的至少一种；
其中，所述安检场景包括机场、火车站、地铁站、大型商场、人民大会堂、出入境大厅、国家博物馆等，优选的，可根据安检场景需求进行设置；所述安检时期包括普通时期和敏感时期，所述敏感时期可以是重要会议时期等；具体的，可以通过摄像头记录获取人流量，也可通过摄像头记录获取被检人员身份信息，即通过被检人员的脸部信息获取被检人员的身份信息，并基于提前获取的公安局犯罪嫌疑人的身份信息来确定被检人员是否为危险人员。
第一阈值获取模块，用于根据所述随机因素特征和固定因素特征通过阈值评估模糊决策树获得当前因素下各类危险品的第一阈值；
危险品识别模块，用于基于各类危险品的第一阈值进行危险品识别得到各类危险品识别的准确率；
第二阈值获取模块，用于根据获取的所述各类危险品识别的准确率通过预设的阈值调整模型获得各类危险品的第二阈值；
危险品识别模块，还用于基于所述各类危险品的第二阈值对被检测目标进行识别获得识别结果，并根据识别结果判断被检测对象是否为危险品。
具体的，根据所述随机因素特征和固定因素特征通过阈值评估模糊决策树获得各类危险品第一阈值，具体流程如下：
利用模糊隶属度函数对随机因素特征进行模糊处理获得各因素特征的隶属度；示例性的，气候时节分为春、夏、秋、冬四个季节，分别利用模糊隶属度函数对每个季节特征进行模糊处理获得每个季节对危险品阈值设置的影响所占的比例，即每个季节因素的隶属度。
将固定因素特征进行量化获得各因素特征的属性值；示例性的，安检时期分为普通时期和敏感时期，此时，可将普通时期的属性值设为0，敏感时期的属性值设为1。
根据随机因素特征的隶属度和固定因素特征的属性值建立模糊隶属度矩阵；
根据所述模糊隶属度矩阵获得模糊信息熵和模糊信息增益，并根据所述模糊信息熵和模糊信息增益建立阈值评估模糊决策树；
根据所述阈值评估模糊决策树获得各类危险品的第一阈值。
优选的，所述获得的模糊隶属度矩阵形式如下：
Figure BDA0002331429770000111
其中，m为阈值影响因素特征的类别数，n为阈值影响因素特征包括的属性个数，
Figure BDA0002331429770000112
为影响因素特征i的第j个属性对应的模糊矩阵元素值，所述模糊矩阵元素值为随机因素特征的隶属度或固定因素特征的属性值。
优选的，通过下述方式建立阈值评估模糊决策树：
在根节点处，通过下述公式计算阈值结点在各影响因素特征i上的模糊信息熵：
Figure BDA0002331429770000121
其中，
Figure BDA0002331429770000122
表示影响因素特征i的隶属度值为所取样本包含的各属性隶属度值之和。
通过下述公式利用所述阈值结点在各影响因素特征i上的模糊信息熵计算获得各影响因素特征i在阈值结点处对应的模糊信息增益：
Figure BDA0002331429770000123
选取模糊信息增益最大的影响因素特征i作为所述阈值评估模糊决策树的根节点；
并依次确定支节点处对应的影响因素特征，从而建立阈值评估模糊决策树。
优选的，通过下述方式建立预设的阈值调整模型：
将各类危险品识别的准确率所包括的属性值输入至神经网络的输入层，并随机生成权值矩阵输入至神经网络的隐藏层，所述属性值包括平均精度、查准率、查全率、IOU和置信度阈值；所述IOU为交并比为目标识别结果和真实识别结果的交集和并集的比例。
根据所述权值矩阵和所述属性值得到隐藏层神经元的输出数值，并根据所述神经元的输出数值得到输出层输出的阈值；
计算所述输出层输出的阈值与第一阈值的误差方差值，并利用误差逆传播算法获得各类危险品识别结果准确率包括的属性值的误差值；
根据所述属性值的误差值及权值修正公式对所述权值矩阵进行修正，直至所述属性值的误差值小于预设值从而获得预设的阈值调整模型。
优选的，还包括报警模块，用于在判定被检测对象为危险品时，发出危险品警报。
与现有技术相比，本发明提出的基于阈值体系的危险品识别系统，首先，根据随机因素特征和固定因素特征通过阈值评估模糊决策树获得当前因素下各类危险品的第一阈值，针对各类不同危险品分别设定阈值，针对性强，能够满足不同场合、场景对危险品不同的识别优先度和紧急程度的需求；其次，基于各类危险品的第一阈值进行危险品识别得到各类危险品识别的准确率；再根据获取的所述各类危险品识别的准确率通过预设的阈值调整模型进行调整获得各类危险品的第二阈值，以实现在提高各类危险品识别的针对性的同时，提高对各类危险品识别的准确率。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种基于阈值体系的危险品识别方法，其特征在于，包括以下步骤：
获取影响危险品阈值设置的随机因素特征和固定因素特征；
根据所述随机因素特征和固定因素特征通过阈值评估模糊决策树获得当前因素下各类危险品的第一阈值；
基于各类危险品的第一阈值进行危险品识别得到各类危险品识别的准确率；
根据获取的所述各类危险品识别的准确率通过预设的阈值调整模型获得各类危险品的第二阈值；
基于所述各类危险品的第二阈值对被检测目标进行识别获得识别结果，并根据识别结果判断被检测对象是否为危险品；
通过下述方式获得所述预设的阈值调整模型：
将各类危险品识别的准确率所包括的属性值输入神经网络的输入层，并随机生成权值矩阵输入至神经网络的隐藏层；
根据所述权值矩阵和所述属性值得到隐藏层神经元的输出数值，并根据所述神经元的输出数值得到输出层输出的阈值；
计算所述输出层输出的阈值与第一阈值的误差方差值，并利用误差逆传播算法获得各类危险品识别结果准确率包括的属性值的误差值；
根据所述属性值的误差值及权值修正公式对所述权值矩阵进行修正，直至所述属性值的误差值小于预设值从而获得预设的阈值调整模型。
2.根据权利要求1所述的危险品识别方法，其特征在于，所述获取的各类危险品识别的准确率的属性值包括平均精度、查准率、查全率、IOU和置信度阈值；通过将所述属性值输入预设的阈值调整模型得到各类危险品的第二阈值。
3.根据权利要求2所述的危险品识别方法，其特征在于，所述固定因素包括地域信息和安检场景，所述随机因素包括安检时期、人流量、被检人员身份信息和气候时节中的至少一种。
4.根据权利要求3所述的危险品识别方法，其特征在于，根据所述随机因素特征和固定因素特征通过阈值评估模糊决策树获得各类危险品第一阈值，具体流程如下：
利用模糊隶属度函数对随机因素特征进行模糊处理获得各因素特征的隶属度；
将固定因素特征进行量化获得各因素特征的属性值；
根据随机因素特征的隶属度和固定因素特征的属性值建立模糊隶属度矩阵；
根据所述模糊隶属度矩阵获得模糊信息熵和模糊信息增益，并根据所述模糊信息熵和模糊信息增益建立阈值评估模糊决策树；
根据所述阈值评估模糊决策树获得各类危险品的第一阈值。
5.根据权利要求4所述的危险品识别方法，其特征在于，所述获得的模糊隶属度矩阵形式如下：
Figure FDA0004076881500000021
其中，m为阈值影响因素特征的类别数，n为阈值影响因素特征包括的属性个数，
Figure FDA0004076881500000022
为影响因素特征i的第j个属性对应的模糊矩阵元素值，所述模糊矩阵元素值为随机因素特征的隶属度或固定因素特征的属性值。
6.根据权利要求5所述的危险品识别方法，其特征在于，通过下述方式建立阈值评估模糊决策树：
在根节点处，计算阈值结点在各影响因素特征i上的模糊信息熵；
利用所述阈值结点在各影响因素特征i上的模糊信息熵计算获得各影响因素特征i在阈值结点处对应的模糊信息增益；
选取模糊信息增益最大的影响因素特征i作为所述阈值评估模糊决策树的根节点；
并依次确定支节点处对应的影响因素特征，从而建立阈值评估模糊决策树。
7.一种基于阈值体系的危险品识别系统，其特征在于，包括，
因素特征获取模块，用于获取影响危险品阈值设置因素特征，所述因素特征包括随机因素特征和固定因素特征，所述固定因素包括地域信息和安检场景，所述随机因素包括安检时期、人流量、被检人员身份信息和气候时节中的至少一种；
第一阈值获取模块，用于根据所述随机因素特征和固定因素特征通过阈值评估模糊决策树获得当前因素下各类危险品的第一阈值；
危险品识别模块，用于基于各类危险品的第一阈值进行危险品识别得到各类危险品识别的准确率；
第二阈值获取模块，用于根据获取的所述各类危险品识别的准确率通过预设的阈值调整模型获得各类危险品的第二阈值；
危险品识别模块，还用于基于所述各类危险品的第二阈值对被检测目标进行识别获得识别结果，并根据识别结果判断被检测对象是否为危险品；
通过下述方式建立预设的阈值调整模型：
将各类危险品识别的准确率所包括的属性值输入至神经网络的输入层，并随机生成权值矩阵输入至神经网络的隐藏层，所述属性值包括平均精度、查准率、查全率、IOU和置信度阈值；
根据所述权值矩阵和所述属性值得到隐藏层神经元的输出数值，并根据所述神经元的输出数值得到输出层输出的阈值；
计算所述输出层输出的阈值与第一阈值的误差方差值，并利用误差逆传播算法获得各类危险品识别结果准确率包括的属性值的误差值；
根据所述属性值的误差值及权值修正公式对所述权值矩阵进行修正，直至所述属性值的误差值小于预设值从而获得预设的阈值调整模型。
8.根据权利要求7所述的危险品识别系统，其特征在于，还包括报警模块，用于在判定被检测对象为危险品时，发出危险品警报。
CN201911337807.3A 2019-12-23 2019-12-23 一种基于阈值体系的危险品识别方法及系统 Active CN110969559B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911337807.3A CN110969559B (zh) 2019-12-23 2019-12-23 一种基于阈值体系的危险品识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911337807.3A CN110969559B (zh) 2019-12-23 2019-12-23 一种基于阈值体系的危险品识别方法及系统

Publications (2)

Publication Number Publication Date
CN110969559A CN110969559A (zh) 2020-04-07
CN110969559B true CN110969559B (zh) 2023-05-09

Family

ID=70035890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911337807.3A Active CN110969559B (zh) 2019-12-23 2019-12-23 一种基于阈值体系的危险品识别方法及系统

Country Status (1)

Country Link
CN (1) CN110969559B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113073959B (zh) * 2021-02-24 2022-04-08 西南石油大学 一种基于模糊决策树的钻井漏失机理预测及辅助决策方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04205163A (ja) * 1990-11-30 1992-07-27 Hitachi Ltd ニューラルネットワーク、ニューラルネットワークの想起または学習方法、およびニューラルネットワークを用いたファジイ推論装置
CN101436264A (zh) * 2008-11-28 2009-05-20 北京交通大学 基于分段模糊bp神经网络的矿山井下泥石流预测方法
CN107632521A (zh) * 2017-08-30 2018-01-26 中国矿业大学 一种基于决策树和神经网络的恒电位仪控制策略
CN109961029A (zh) * 2019-03-15 2019-07-02 Oppo广东移动通信有限公司 一种危险物品检测方法、装置及计算机可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04205163A (ja) * 1990-11-30 1992-07-27 Hitachi Ltd ニューラルネットワーク、ニューラルネットワークの想起または学習方法、およびニューラルネットワークを用いたファジイ推論装置
CN101436264A (zh) * 2008-11-28 2009-05-20 北京交通大学 基于分段模糊bp神经网络的矿山井下泥石流预测方法
CN107632521A (zh) * 2017-08-30 2018-01-26 中国矿业大学 一种基于决策树和神经网络的恒电位仪控制策略
CN109961029A (zh) * 2019-03-15 2019-07-02 Oppo广东移动通信有限公司 一种危险物品检测方法、装置及计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
付钰 ; 吴晓平 ; 王甲生 ; .基于模糊-组合神经网络的信息系统安全风险评估.海军工程大学学报.2010,(01),22-27,48. *

Also Published As

Publication number Publication date
CN110969559A (zh) 2020-04-07

Similar Documents

Publication Publication Date Title
EP3869459B1 (en) Target object identification method and apparatus, storage medium and electronic apparatus
CN109522819B (zh) 一种基于深度学习的火灾图像识别方法
CN109214274B (zh) 一种机场安保管理系统
CN100583128C (zh) 基于自然视频的实时智能监控方法
CN109377703A (zh) 一种基于机器视觉的森林防火预警系统及其方法
CN105787472B (zh) 一种基于时空拉普拉斯特征映射学习的异常行为检测方法
CN102982313B (zh) 烟雾检测的方法
CN107766829A (zh) 一种物品检测的方法和设备
CN104318217A (zh) 一种基于分布式云计算的人脸识别情报分析方法和系统
CN107808152A (zh) 提升人脸识别准确率的方法和人脸识别系统
CN104298969A (zh) 基于颜色与haar特征融合的人群规模统计方法
CN108009690A (zh) 一种基于模块度最优化的地面公交扒窃团体自动检测方法
CN109935080A (zh) 一种交通线路上的车流量实时计算的监测系统及方法
CN108664875A (zh) 基于图像识别的井下皮带运输监控方法
CN110334660A (zh) 一种雾天条件下基于机器视觉的森林火灾监测方法
CN107169906A (zh) 一种智能安防报警控制系统
CN105575034A (zh) 一种双波段森林防火智能监控软件图像处理分析方法
KR20200052418A (ko) 딥러닝 기반의 자동 폭력 감지 시스템
CN105005773A (zh) 一种融合时域信息和空域信息的行人检测方法
CN108830276A (zh) 一种基于x光机图像的智能识别系统
CN110503021A (zh) 基于时间压缩轨迹特征识别的火灾烟雾检测方法
CN110969559B (zh) 一种基于阈值体系的危险品识别方法及系统
CN113963301A (zh) 一种时空特征融合的视频火灾烟雾探测方法及系统
CN207636791U (zh) 一种大客流快速安检门
Nilesh et al. IoT-based AQI estimation using image processing and learning methods

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