CN111008676A - 一种安检方法及安检系统 - Google Patents
一种安检方法及安检系统 Download PDFInfo
- Publication number
- CN111008676A CN111008676A CN201911374896.9A CN201911374896A CN111008676A CN 111008676 A CN111008676 A CN 111008676A CN 201911374896 A CN201911374896 A CN 201911374896A CN 111008676 A CN111008676 A CN 111008676A
- Authority
- CN
- China
- Prior art keywords
- image
- security
- security inspection
- scanning
- article
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000005284 excitation Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 231100001261 hazardous Toxicity 0.000 claims 1
- 238000012216 screening Methods 0.000 claims 1
- 239000000463 material Substances 0.000 description 14
- 239000002131 composite material Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 229920000431 shape-memory polymer Polymers 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009477 glass transition Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000007334 memory performance Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000000748 compression moulding Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000465 moulding Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 238000010146 3D printing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3581—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
-
- G01V5/228—
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V8/00—Prospecting or detecting by optical means
- G01V8/10—Detecting, e.g. by using light barriers
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/401—Imaging image processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/421—Imaging digitised image, analysed in real time (recognition algorithms)
Abstract
本发明提供了一种安检方法和安检系统,涉及安检方法技术领域,包括以下步骤:待检物品准备安检扫描;安检扫描设备启动后带有形状变形激励,将形状变形激励作用到待检物品上;安检扫描设备对待检物品进行扫描;安检后台获取扫描图像,将扫描图像进行图像处理;将处理后的扫描图像进行不同标定角度进行三维重建;将三维模型进行多方向进行投影;将投影图像和扫描图像共同进行识别:根据识别结果对待检物品进行信息标定和跟踪,并发送控制指令至安检传送平台。本发明基于多角度X光标定下的三维重建投影图像和原始安检扫描图像结合学习的方式,极大地扩展了识别所需的数据库,避免了不同位置角度下特征提取盲区的存在,提高了识别的准确度。
Description
技术领域
本发明涉及安检方法技术领域,具体而言,涉及一种安检方法及安检系统。
背景技术
随着社会发展,人员流动性越来越大,也给相应的机场、车站等场合的安检工作带来了负担,以及其它安全性要求很高的场合,都需要对行李等进行安全检查,以防止各种危险管制物品的夹带私运。在传统的安检流程中,行李箱等被安检机器的X光照射得到内部物品图像,然后安检人员对图像进行人工判别,实现区分物品是否属于危险物品的目的。
但是,近年来,随着科学技术的发展,越来越多具有形状记忆性能的材料被研究与应用,以及伴随着3D打印技术的普及,可变形然后展开的材料能够很方便地被利用于制作危险管制物品,从未绕过普通的安检程序。从2013年开始,关于3D打印枪支能躲过安检的争论,导致安保行业加强了对非金属物品的检查。但是若将3D技术与形状记忆聚合物复合材料结合,将实现物品形状结构的跨时间变化。在过安检前,控制危险品变形至不易被安检判别的变形形状,躲过安检后再恢复展开到初始形状以实施犯罪,具有很大的安全漏洞,使得形状记忆变形材料成为新的安检隐患。
发明内容
本发明解决的问题是控制危险品变形至不易被安检判别的变形形状,躲过安检后再恢复展开到初始形状以实施犯罪,具有很大的安全漏洞,使得形状记忆变形材料成为新的安检隐患。
为解决上述问题,本发明提供一种安检方法,包括以下步骤:
待检物品准备安检扫描;安检扫描设备启动后带有形状变形激励;将所述形状变形激励作用到所述待检物品上;所述安检扫描设备对所述待检物品进行扫描;
安检后台获取扫描图像,将所述扫描图像进行图像处理;
将处理后的扫描图像进行不同标定角度进行三维重建,得到三维模型;
将三维模型进行多方向进行投影,并获取投影图像;
将所述投影图像和所述扫描图像共同进行识别,并获取识别结果:
根据所述识别结果对所述待检物品进行信息标定和跟踪,并发送至控制指令至安检传送平台。
进一步地,所述形状变形激励包括:温度激励、磁场激励、光激励或电激励的一种或多种。
进一步地,所述图像处理包括,将所述扫描图像进行降噪增强处理、灰度转换、设置灰度阈值和图像分割提取。
进一步地,根据所述投影图像和所述扫描图像共同进行识别包括:将所述投影图像和所述扫描图像共同输入预设好卷积神经网络中,经过正负样本数据库的训练,直至达到能够获取识别结果。
进一步地,所述卷积神经网络的卷积层对输入图像进行特征提取,输出特征图到池化层进行特征选择和信息过滤,得到最终的形状特征。
进一步地,所述正负样本数据训练库包括可变形危险品的不同存放条件下的扫描图像及可变形危险品分类标定信息和不可变形危险品的扫描图像及不可变形危险品分类标定信息。
进一步地,可变形危险品的不同存放条件下的扫描图像还包括初始状态下和变形过程中不同角度下扫描的时序曲线的识别与数据提取的图像。
进一步地,所述信息标定和跟踪包括,根据识别结果对待检物品进行标定,如所述待检物品标定为可变形危险品,控制所述安检传送平台停止或者将所述可变形危险物品传送到危险通道。
本发明所述的安检方法相对于现有技术的优势在于,本发明的安检方法针对新兴的具有形状记忆性能的可变形的危险物品进行学习识别,解决了传统安检方式对变形物品的误判和漏检等潜在安全问题,提高了安检结果的准确性和可靠度,进一步的提高公共安全。
本发明的安检方法将机器学习与安检环节结合到一起,提高了安全检查环节的智能化,节约了人力与物力等成本。
本发明的安检方法基于多角度X光标定下的三维重建投影图像和原始安检扫描图像结合学习的方式,极大地扩展了识别所需的数据库,避免了不同位置角度下特征提取盲区的存在,提高了识别的准确度。
为解决上述技术问题,本发明还提供了一种安检系统,包括,
安检扫描设备,所述安检扫描设备带有形状变形激励,将所述形状变形激励作用到待检物品上;
所述安检扫描设备还用于对所述待检物品进行扫描;
安检后台,所述安检后台包括:
图像获取单元,所述图像获取单元扫描图像;
图像处理单元,所述图像处理单元用于将所述扫描图像进行图像处理以及将处理后的扫描图像进行不同标定角度进行三维重建和将三维模型进行多方向进行投影;
识别单元,所述识别单元将所述投影图像和所述扫描图像共同进行识别;
跟踪单元,所述跟踪单元用于对所述识别结果对所述待检物品进行信息标定和跟踪;
信息输出单元,所述信息输出单元用于将识别结果发送至安检传送平台。
进一步地,所述的信息输出单元包括安检屏幕显示设备或移动端显示设备。
进一步地,所述安检扫描设备包括X光设备或太赫兹成像设备。
进一步地,还包括传感器,所述传感器设置于所述安检传送平台的入口并与所述安检扫描设备连接。
进一步地,所述的传感器包括压力传感器或/和光电传感器。
进一步地,还包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时,实现如权利要求1-8任一项所述的安检方法。
本发明所述的案件系统相对于现有技术的其他优势与所述的安检方法相对于现有技术的优势相同,在此不再赘述。
附图说明
图1为本发明实施例的安检方法的流程图;
图2(a)为本发明实施例的形状记忆聚合物复合材料制作的剑形状图;
图2(b)为安检时形状记忆聚合物复合材料制作的剑变形后的状态图;
图2(c)为安检后形状记忆聚合物复合材料制作的剑通过刺激还原后的状态图;
图3(a)为本发明实施例的形状记忆聚合物复合材料制作的手枪形状图;
图3(b)为安检时形状记忆聚合物复合材料制作的手枪变形后的状态图;
图3(c)为安检后形状记忆聚合物复合材料制作的手枪通过刺激还原后的状态图;
图4为本发明实施例的安检方法的具有形状记忆性能的变形物品的模型重建过程;
图5为本发明实施例的安检方法的三维重建后物品沿不同方向的投影图;
图6为本发明实施例的安检系统图;
图7为本发明实施例的安检系统应用于案件方法的流程框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
在本发明的描述中,需要理解的是,术语“一些具体实施例”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一定指的是相同的实施或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
通过图2(a)、图2(b)、图2(c)和图3(a)、图3(b)、图3(c)能够看出用于形状改变和恢复的形状记忆聚合物复合材料制作的危险物品通过安检的过程示意图,其在过安检环节前可使用增材制造、模压成型、缠绕成型、热压罐成型等方法被制备成初始形状,然后在外界激励条件作用下,达到玻璃化转变温度Tg后施加外力使其变形至易被安检忽略的形状,保持外载待冷却后变形状态就被保持下来。待通过安检环节后,再次对材料施加相同的外界激励时,当材料再次升温到玻璃化转变温度以上后即恢复变形至初始的危险形状。逃避过安检环节后的危险物品,在公共场所内,不利于公众安全,造成一定的安全隐患。
由此,如图1-5所示,本发明实施例提供一种安检方法,包括以下步骤:
待检物品准备安检扫描;
所述安检扫描设备启动后带有形状变形激励,将所述形状变形激励作用到所述待检物品上;
待检物品在形状变形激励的作用下,能够使待检物品恢复至初始形状;
所述安检扫描设备对所述待检物品进行扫描;
安检后台获取扫描图像,将扫描图像进行图像处理;
将处理后的扫描图像进行不同标定角度进行三维重建,得到三维模型;
将三维模型进行多方向进行投影,并获取投影图像;
将投影图像和所述扫描图像共同进行识别,并获取识别结果:
根据识别结果对待检物品进行信息标定和跟踪,并发送至控制指令至安检传送平台。
可选地,形状变形激励包括:温度激励、磁场激励、光激励或电激励的一种或多种。由于形状记忆聚合物复合材料对以上激励方式均可变形,故可对不同待检物品匹配不同的激励方式,也可任一匹配。但,如其待检物品并不是又形状记忆聚合物复合材料制作而成,是由其他材料能够进行变形的材料制作而成,则需要针对不同材料进行不同的激励方式。
一些具体实施例,图像处理包括,将扫描图像进行降噪增强处理、灰度转换、设置灰度阈值和图像分割提取。如图4所示,本实施例中用于案件后台使用的设备中,设备学习中的图像数据库是在预设标定参数下的多角度扫描图像,在经过降噪增强和灰度转换后,采用Otsu灰度阈值算法分割图像,并对多角度的标定图像进行特征点的立体匹配,实现三维模型重建。三维模型重建能够准确的光照条件、噪声干扰、景物几何形状畸变、表面物理特性以及摄像机机特性等诸多变化因素,使得三维模型精准度更高。
优选地,可以采用断层扫描的方法直接得到安检物品三维模型。断层扫描可逐层对物品进行扫描,从而可直接处理得到待检物品的三维模型,实现方法更直接,结果更为准确。本实施例能够将机器学习与安检环节结合到一起,提高了安全检查环节的智能化,节约了人力与物力等成本。
根据投影图像和所述扫描图像共同进行识别包括:将投影图像和扫描图像共同输入预设好卷积神经网络中,经过正负样本数据库的训练,直至达到能够获取识别结果。卷积神经网络的卷积层对输入图像进行特征提取,输出特征图到池化层进行特征选择和信息过滤,得到最终的形状特征。
一些具体实施例,图像处理单元是基于卷积神经网络建立的,利用卷积层对符合危险特征的可变形物品的初始状态和变形过程的时序图像来进行特征识别和提取,输出特征图到池化层进行特征选择和信息过滤,得到最终的形状特征。同时使用不包含危险特征的扫描图像对学习模型进行训练和调整。三维模型重建后后通过卷积神经网络进行处理,避免了对图像的复杂前期预处理,可以直接输入原始图像,避免了特征提取和分类过程中数据重建的复杂度。
正负样本数据训练库(可变形危险品和不可变形危险品样本数据训练库)包括可变形危险品的不同存放条件下的扫描图像及可变形危险品分类标定信息和不可变形危险品的扫描图像及不可变形危险品分类标定信息。对于可变形危险品分离的标定信息可根据公共安全中的等级进行标定,时安检人员能够及时准确的获知待检物品的危险等级。
可变形危险品的不同存放条件下的扫描图像还包括初始状态下和变形过程中不同角度下扫描的时序曲线的识别与数据提取的图像。扫描的时序曲线的识别与数据提取的图像能够有效的对扫描过程中产生的干扰进行过滤,使其得到的扫描图片精准度高。
信息标定和跟踪包括,根据识别结果对待检物品进行标定,如待检物品标定为可变形危险品,控制安检传送平台停止或者将可变形危险物品传送到危险通道。
安检识别过程中,如图5所示,对得到的待检物品三维模型按照精度要求不同向不同方向进行投影得到增广的图像数据,结合原始的安检扫描图像一起输入机器学习模块进行识别,可以很大程度提高安检环节的精度和可靠性。本发明的安检方法基于多角度X光标定下的三维重建投影图像和原始安检扫描图像结合学习的方式,极大地扩展了识别所需的数据库,避免了不同位置角度下特征提取盲区的存在,提高了识别的准确度。
可选地,对得到的待识别图像可以进行旋转、裁剪、更改饱和度、对比度和亮度等操作来扩大数据集的规模。
优选地,如果有可变形危险物品即控制传送平台停止或者将可疑包裹传送到危险通道,还可同时将相关信息输入信息输出模块,提出警示。优选地,由于对于待检物品已经设定相对应的可变形危险品分类标定,故本实施例在提出警示时,会提出相对应的警示级别。警示级别可分为:一级警示、二级警示、三级警示,所述警示可以是警示灯进行不同级别的显示,也可以是语音通报显示,亦或者二者结合均可。能够有效的警示安检人员的警示程度。
一些具体实施例,例如,如图2(a)、图2(b)、图2(c)和图3(a)、图3(b)、图3(c)所示,在通过安检环节前,采用增材制造或模压成型等方法将形状记忆聚合物复合材料制成具有危险特征的刀剑或者枪械等初始形状,然后为了躲避传统的安检环节,通过施加温度、磁场等变形激励条件后,材料温度升至玻璃化转变温度Tg,随后施加外力将结构变形到不易辨别的形状,保持外载直至材料冷却到室温,从而形状变化得到固定。在本发明的安检环节,多个X光扫描设备依照后续三维重建时所需的参数固定在不同的扫描方向。待检物放上传送台后,传感器针对压力、介质变化等转化为电信号传送到扫描设备,对待检物进行扫描成像。随后图像传入到图像处理单元,对图像进行降噪增强后,利用不同标定角度下各图像的特征点匹配,进行变形后物品的三维重建。然后将三维模型向不同方向进行投影,如果精度要求高,适当增加相异投影面的数量,得到多张投影后的模型图片。用于机器学习的卷积神经网络已经过一定量正负样本数据库的训练,达到预期的识别精度。将投影后的图片连同初始的扫描图像输入到神经网络进行识别,根据识别结果,将物品分为危险变形物品和一般物品,输出识别信息到显示设备上,同时对危险物品进行坐标跟踪,传送到危险品通道。
本发明的安检方法针对新兴的具有形状记忆性能的可变形的危险物品进行学习识别,解决了传统安检方式对变形物品的误判和漏检等潜在安全问题,提高了安检结果的准确性和可靠度。
如图6、7所示,本发明的另一个实施例提供了一种安检系统,包括,
安检传送平台用于传送待检物品进行待检;
安检扫描设备带有形状变形激励,将形状变形激励作用到待检物品上;
安检扫描设备还用于对所述待检物品进行扫描;
安检后台,所述安检后台包括:
图像获取单元扫描图像;
图像处理单元用于将扫描图像进行图像处理以及将处理后的扫描图像进行不同标定角度进行三维重建和将三维模型进行多方向进行投影;
识别单元将投影图像和所述扫描图像共同进行识别;
跟踪单元用于对识别结果对所述待检物品进行信息标定和跟踪;
信息输出单元用于将控制指令至安检传送平台。
信息输出单元包括安检屏幕显示设备或移动端显示设备。
安检扫描设备包括X光设备或太赫兹成像设备。
传感器设置于所述安检传送平台的入口并与安检扫描设备连接。
传感器包括压力传感器或/和光电传感器。
还包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时,实现上述所述的安检方法。
安检扫描设备安装在安检传送平台上;传感器设置于所述安检传送平台的入口并与安检扫描设备连接;安检扫描设备的输出端口与所述图像处理模块的输入端口连接;图像处理单元的输出端口与识别单元的输入端口连接;识别单元的输出端口分别与安检传送平台的出口和信息输出单元相连接。
安检传送平台设有危险警示灯,当待检物品标定为危险物品时,将待检物品到危险品通道或控制安检传送平台停止且危险警示灯发出警报(警报可设置为一级警示、二级警示、三级警示,所述警示可以是警示灯进行不同级别的显示)。
安检传送平台还设有语音警示器,当待检物品标定为危险物品时,将待检物品到危险品通道或控制安检传送平台停止且危险警示灯发出警报时,语音警示器发出警示语,提醒安检人员。
安检系统具体的工作原理:
安检机入口的传感器感应到待检物品的传入,输出形状变形激励到安检扫描设备,随即启动安检设备对待检物品进行扫描成像,其中X光成像设备已按标定参数设置好。
将所得的安检扫描图像传入图像处理单元,对扫描图像进行降噪增强处理后,同时进行灰度转换,设置灰度阈值以对扫描图像进行分割提取;
将提取的扫描图像进行特征比对,利用匹配后的不同标定角度的图像进行三维重建,得到变形状态下物品的三维重建模型;
将三维模型按照设定的精度要求向不同方向进行投影,精度要求高时增加相应的投影面数量;
将模型投影后图像和原始扫描分割提取出的图像一同输入预设好的卷积神经网络中,经过正负样本数据库的训练,直到识别精度达到预期的程度;
根据识别的结果对待检物品进行信息标定和坐标跟踪,输出结果到安检传送平台和信息输出单元;若包含变形状态的危险物品,将待检物品到危险品通道或控制安检传送平台停止,其余正常通过安检通道;
当待检物品标定为危险物品时,将待检物品到危险品通道或控制安检传送平台停止且危险警示灯发出警报。
本发明的安检系统针对新兴的具有形状记忆性能的可变形的危险物品进行学习识别,解决了传统安检系统对变形物品的误判和漏检等潜在安全问题,提高了安检结果的准确性和可靠度。
本发明所述的安检系统相对于现有技术的优势与所述的安检方法相对于现有技术的优势相同,在此不再赘述。
虽然本发明公开披露如上,但本发明公开的保护范围并非仅限于此。本领域技术人员在不脱离本发明公开的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (14)
1.一种安检方法,其特征在于,包括以下步骤:
待检物品准备安检扫描;
安检扫描设备启动后带有形状变形激励,将所述形状变形激励作用到所述待检物品上;
所述安检扫描设备对所述待检物品进行扫描;
安检后台获取扫描图像,将所述扫描图像进行图像处理;
将处理后的扫描图像进行不同标定角度进行三维重建,得到三维模型;
将三维模型进行多方向进行投影,并获取投影图像;
将所述投影图像和所述扫描图像共同进行识别,并获取识别结果:
根据所述识别结果对所述待检物品进行信息标定和跟踪,并发送控制指令至安检传送平台。
2.根据权利要求1所述的安检方法,其特征在于,所述形状变形激励包括:温度激励、磁场激励、光激励或电激励的一种或多种。
3.根据权利要求1所述的安检方法,其特征在于,所述图像处理包括,将所述扫描图像进行降噪增强处理、灰度转换、设置灰度阈值和图像分割提取。
4.根据权利要求1所述的安检方法,其特征在于,根据所述投影图像和所述扫描图像共同进行识别包括:将所述投影图像和所述扫描图像共同输入预设好的卷积神经网络中,经过正负样本数据库的训练,直至达到能够获取识别结果。
5.根据权利要求4所述的安检方法,其特征在于,所述卷积神经网络的卷积层对输入图像进行特征提取,输出特征图到池化层进行特征选择和信息过滤,得到最终的形状特征。
6.根据权利要求4所述的安检方法,其特征在于,所述正负样本数据训练库包括可变形危险品的不同存放条件下的扫描图像及可变形危险品分类标定信息和不可变形危险品的扫描图像及不可变形危险品分类标定信息。
7.根据权利要求6所述的安检方法,其特征在于,可变形危险品的不同存放条件下的扫描图像还包括初始状态下和变形过程中不同角度下扫描的时序曲线的识别与数据提取的图像。
8.根据权利要求1所述的安检方法,其特征在于,所述信息标定和跟踪包括,根据识别结果对待检物品进行标定,如所述待检物品标定为可变形危险品,控制所述安检传送平台停止或者将所述变形危险物品传送到危险通道。
9.一种安检系统,其特征在于,包括,
安检扫描设备,所述安检扫描设备带有形状变形激励,将所述形状变形激励作用到待检物品上;
所述安检扫描设备还用于对所述待检物品进行扫描;
安检后台,所述安检后台包括:
图像获取单元,所述图像获取单元扫描图像;
图像处理单元,所述图像处理单元用于将所述扫描图像进行图像处理以及将处理后的扫描图像进行不同标定角度进行三维重建和将三维模型进行多方向进行投影;
识别单元,所述识别单元将所述投影图像和所述扫描图像共同进行识别;
跟踪单元,所述跟踪单元用于对所述识别结果对所述待检物品进行信息标定和跟踪;
信息输出单元,所述信息输出单元用于将识别结果发送至安检传送平台。
10.根据权利要求9所述的安检系统,其特征在于,所述的信息输出单元包括安检屏幕显示设备或移动端显示设备。
11.根据权利要求9所述的安检系统,其特征在于,所述安检扫描设备包括X光设备或太赫兹成像设备。
12.根据权利要求9所述的安检系统,其特征在于,还包括传感器,所述传感器设置于所述安检传送平台的入口并与所述安检扫描设备连接。
13.根据权利要求12所述的安检系统,其特征在于,所述的传感器包括压力传感器或/和光电传感器。
14.根据权利要求9所述的安检系统,其特征在于,还包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时,实现如权利要求1-8任一项所述的安检方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911374896.9A CN111008676B (zh) | 2019-12-27 | 2019-12-27 | 一种安检方法及安检系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911374896.9A CN111008676B (zh) | 2019-12-27 | 2019-12-27 | 一种安检方法及安检系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111008676A true CN111008676A (zh) | 2020-04-14 |
CN111008676B CN111008676B (zh) | 2022-07-12 |
Family
ID=70118736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911374896.9A Active CN111008676B (zh) | 2019-12-27 | 2019-12-27 | 一种安检方法及安检系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008676B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112934728A (zh) * | 2021-03-12 | 2021-06-11 | 昆明昆船逻根机场系统有限公司 | 一种机场行李安检状态踪溯系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005036207A2 (en) * | 2003-06-11 | 2005-04-21 | Konsulteurope Limited Limited Liability Joint Stoc | Security scanners with capacitance and magnetic sensor arrays |
CN109387880A (zh) * | 2017-08-10 | 2019-02-26 | 哈尔滨工业大学 | 用于物品识别的方法、装置、设备和安检系统 |
CN109886319A (zh) * | 2019-01-30 | 2019-06-14 | 杭州芯影科技有限公司 | 一种基于毫米波安检图像的隐匿物检测方法及系统 |
CN110186940A (zh) * | 2018-08-23 | 2019-08-30 | 深圳码隆科技有限公司 | 安检识别方法、装置、计算机设备和存储介质 |
-
2019
- 2019-12-27 CN CN201911374896.9A patent/CN111008676B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005036207A2 (en) * | 2003-06-11 | 2005-04-21 | Konsulteurope Limited Limited Liability Joint Stoc | Security scanners with capacitance and magnetic sensor arrays |
CN109387880A (zh) * | 2017-08-10 | 2019-02-26 | 哈尔滨工业大学 | 用于物品识别的方法、装置、设备和安检系统 |
CN110186940A (zh) * | 2018-08-23 | 2019-08-30 | 深圳码隆科技有限公司 | 安检识别方法、装置、计算机设备和存储介质 |
CN109886319A (zh) * | 2019-01-30 | 2019-06-14 | 杭州芯影科技有限公司 | 一种基于毫米波安检图像的隐匿物检测方法及系统 |
Non-Patent Citations (4)
Title |
---|
F MARTICKE: "Optimization of an X-ray diffraction imaging system for medical and security applications", 《ARCHIVES-OUVERTES.FR》 * |
WENYUAN XU: "Analyzing and Enhancing the Security of Ultrasonic Sensors for Autonomous Vehicles", 《IEEE INTERNET OF THINGS JOURNAL》 * |
张文: "基于双能X射线安检设备的危险品识别系统研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
陈俊等: "多视角X射线内部结构不均匀物品密度探测新方法", 《科学技术与工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112934728A (zh) * | 2021-03-12 | 2021-06-11 | 昆明昆船逻根机场系统有限公司 | 一种机场行李安检状态踪溯系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111008676B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9684960B2 (en) | Automated histological diagnosis of bacterial infection using image analysis | |
CN109492714B (zh) | 图像处理装置及其方法 | |
KR102254773B1 (ko) | 영상정보를 이용한 건물 부위별 하자의 자동 판정과 분류 시스템 및 그 방법 | |
CN104992449A (zh) | 基于机器视觉的信息识别及表面缺陷在线检测方法 | |
CN107067015B (zh) | 一种基于多特征深度学习的车辆检测方法及装置 | |
CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
KR102168724B1 (ko) | 이미지 검사를 이용한 이상 판별 방법 및 장치 | |
CN105740910A (zh) | 一种车辆物件检测方法及装置 | |
CN110245663A (zh) | 一种用于钢卷信息识别的方法 | |
CN108734283A (zh) | 神经网络系统 | |
CN109506628A (zh) | 一种基于深度学习的卡车环境下目标物测距方法 | |
CN104483320A (zh) | 工业脱硝催化剂的数字化缺陷检测装置与检测方法 | |
CN115170792B (zh) | 红外图像处理方法、装置及设备、存储介质 | |
CN111681220B (zh) | 缺陷检测模型的构建方法、装置、系统及存储介质 | |
CN113962274A (zh) | 一种异常识别方法、装置、电子设备及存储介质 | |
CN113869300A (zh) | 基于多视觉融合的工件表面缺陷和字符识别的方法及系统 | |
CN112730454A (zh) | 基于光学、红外热波与超声波融合的复合材料的损伤智能检测方法 | |
KR20220164124A (ko) | 딥 러닝 모델에 기반하여 제품의 결함 여부를 유형별로 검사하기 위한 시스템 | |
CN112149690A (zh) | 一种基于生物图像特征识别的溯源方法和溯源系统 | |
CN111008676B (zh) | 一种安检方法及安检系统 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
Pulungan et al. | Object detection with a webcam using the Python programming language | |
KR101822963B1 (ko) | 이진 영상을 이용한 결함 탐지장치 및 방법 | |
CN116563291B (zh) | 一种smt智能防错上料检测仪 | |
CN107246841A (zh) | 一种汽车零部件的多视点检测分选装置 |
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 |