CN111126447A - 一种智能旅客安检行李图像自动识别方法 - Google Patents
一种智能旅客安检行李图像自动识别方法 Download PDFInfo
- Publication number
- CN111126447A CN111126447A CN201911205861.2A CN201911205861A CN111126447A CN 111126447 A CN111126447 A CN 111126447A CN 201911205861 A CN201911205861 A CN 201911205861A CN 111126447 A CN111126447 A CN 111126447A
- Authority
- CN
- China
- Prior art keywords
- image
- dangerous
- dangerous goods
- detected
- automatic identification
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012795 verification Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims 6
- 238000007689 inspection Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012552 review Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000003825 pressing 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
- G06F18/24—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
- 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
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
一种智能旅客安检行李图像自动识别方法，包括对获取的X光图像进行图像预处理；建立包含危险品整体物品及组件物品的危险品特征库；将危险品特征库中的危险品图像输入SSD前馈卷积网络中分类器；在分类器中对待检测的预处理后的X光图像进行特征提取，标注出具有危险品目标的候选框，在图像候选框上显示危险品的类别和具体危险品的名称；将标注有危险品的X光图像输入到ANN人工神经网络进行验证检测；若确定检测是危险品，在图像上对危险品进行标识，通过扬声器或者文字形式进行提示，进行安全隐患排查；对危险品图像进行主、次两层神经网络实时自动检测、识别、分类和报警，降低漏检误检率和人工劳动强度，形成危险品自主高效识别的智能安检新模式。
Description
技术领域
本发明涉及一种智能旅客安检行李图像自动识别方法，实现对大型机场旅客安检行李包裹内的危险品自动分类识别，用于机场智能旅客安检系统。
背景技术
随着机场的旅客吞吐量的逐年提高以及新机场建设和改扩建日益增多，机场安检系统市场需求量逐年增大。而近年来，国际国内安全形势日益严峻，恐怖组织的科技化、专业化能力越来越强，对航班的安全性提出了更高的要求。旅客携带的各类新型禁限带物品种类越来越多，自动化程度也较低，造成旅客和行李安检判别难度加大，违禁品漏检对航班安全产生威胁。对此，世界上许多公司机构都陆续研发了安全检测设备，其中X射线安全检查设备得到广泛应用。为确保旅客安全，在安检时必须能够准确识别行李包裹内的刀具枪支、易燃易爆等危险物品，降低危险发生的概率。
发明内容
为解决上述问题，提供一种智能旅客安检行李图像自动识别方法，对行李中危险品有效分类识别，提高安检的工作效率和准确率。
本发明的目的是以下述方式实现的：
一种智能旅客安检行李图像自动识别方法，包括
S1：对获取的X光图像进行图像预处理；
S2：建立包含危险品整体物品及组件物品的危险品特征库；
S3：将危险品特征库中的危险品图像输入SSD前馈卷积网络中进行训练，得到包含危险品类别和具体危险品名称的分类器；
S4：将待检测的预处理后的X光图像输入到训练好的分类器中，对待检测的预处理后的X光图像进行特征提取，标注出具有危险品目标的候选框，在图像候选框上显示危险品的类别和具体危险品的名称；
S5：将标注有危险品的X光图像输入到ANN人工神经网络进行验证检测；
S6：若确定存在整个物品检测是危险品，在图像上对危险品进行标识，通过扬声器或者文字形式进行提示，进行安全隐患排查；
若确定待检测图像中包含危险品组件，能够组装为危险品，则在图像上对危险品组件进行标识，通过扬声器或者文字形式进行提示，进行安全隐患排查。
所述的图像预处理包括采用增强处理使图像更加清晰，并对其进行降噪、畸变校正以及边缘提取等操作处理。
所述的SSD前馈卷积网络产生指定大小的候选框集合以及候选框属于某类危险品的可能性，通过非极大值抑制来过滤多余的候选框，进而产生最终的检测结果，并显示目标类、对应目标概率及目标框。
所述的危险品特征库为采集需要进行分类的样本，每个类别准备足够的样本，每个样本均需标注类别，采集时需要考虑不同角度、不同环境条件下的样本，增加数据量能够提高模型的泛化能力，可以通过对原始图像进行镜像翻转、位移、裁剪、旋转等方式增加样本的多样性。
所述的SSD前馈卷积网络的训练方法为：在训练时直接输入危险品特征库的图像、图像标签和危险品所在的框；SSD算法采用危险品目标大小不同的多尺度特征图，再使用其主干网络VGGNet对不同的特征图自动提取目标相应的特征并进行卷积网络训练，得到包含危险品类别和具体危险品名称的分类器；当待测图像输入进网络后，产生指定大小的候选框集合以及候选框属于某类危险品的可能性，通过非极大值抑制来过滤多余的候选框，进而产生最终的检测结果。
所述的ANN人工神经网络的训练方法为：使用ANN进行训练时，对危险品的整体及局部人为提取HOG特征及LBP+HOG的组合特征，并将这些图像特征作为输入传送至网络模型中，使用bp神经网络对人工提取的特征进行训练，得到包含危险品类别和具体危险品名称的分类器。当待测图像输入进网络后，可检测出危险品的分类与定位
所述的获取的X光图像数据保存为视频形式，使用运动补偿、帧内预测和熵编码方法对数据进行压缩保存至硬盘或服务器。
一种可读存储介质，其上存储有可执行程序，所述可执行程序被处理器执行时实现上述方法的步骤。
一种电子设备，包括：
存储器，其上存储有可执行程序；
处理器，用于执行所述存储器中的所述可执行程序，以实现上述方法的步骤。
相对于现有技术，本发明提出一种智能旅客安检行李图像自动识别方法，针对机场安检存在的依赖专业安检人员人工判图检测、安检效率低、无法自主识别等问题，对危险品图像进行主、次两层神经网络实时自动检测、识别、分类和报警，降低漏检误检率和人工劳动强度，形成危险品自主高效识别的智能安检新模式。
附图说明
图1是智能旅客安检行李图像自动识别方法流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
应该指出，以下详细说明都是例式性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的技术含义相同。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本发明中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本发明各部件或元件结构关系而确定的关系词，并非特指本发明中任一部件或元件，不能理解为对本发明的限制。
本发明中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本发明中的具体含义，不能理解为对本发明的限制。
一种智能旅客安检行李图像自动识别方法，包括
S1：对获取的X光图像进行图像预处理；
S2：建立包含危险品整体物品及组件物品的危险品特征库；
S3：将危险品特征库中的危险品图像输入SSD前馈卷积网络中进行训练，得到包含危险品类别和具体危险品名称的分类器；
S4：将待检测的预处理后的X光图像输入到训练好的分类器中，对待检测的预处理后的X光图像进行特征提取，标注出具有危险品目标的候选框，在图像候选框上显示危险品的类别和具体危险品的名称；
S5：将标注有危险品的X光图像输入到ANN人工神经网络进行验证检测；
S6：若确定存在整个物品检测是危险品，在图像上对危险品进行标识，通过扬声器或者文字形式进行提示，进行安全隐患排查；
若确定待检测图像中包含危险品组件，能够组装为危险品，则在图像上对危险品组件进行标识，通过扬声器或者文字形式进行提示，进行安全隐患排查。
所述的图像预处理包括采用基于Retinex的具有色彩恢复的多尺度算法（MSRCR，Multi-Scale Retinex with Color Restoration）进行增强处理使图像更加清晰，并对其进行降噪、畸变校正以及边缘提取等操作处理。
所述的SSD前馈卷积网络产生指定大小的候选框集合以及候选框属于某类危险品的可能性，通过非极大值抑制来过滤多余的候选框，进而产生最终的检测结果，并显示目标类、对应目标概率及目标框。
所述的危险品特征库为采集需要进行分类的样本，每个类别准备足够的样本（上万个），每个样本均需标注类别，采集时需要考虑不同角度、不同环境条件下的样本，增加数据量能够提高模型的泛化能力，可以通过对原始图像进行镜像翻转、位移、裁剪、旋转等方式增加样本的多样性。
所述的SSD前馈卷积网络的训练方法为：在训练时直接输入危险品特征库的图像、图像标签（种类与名称）和Ground Truth Bounding Box（即危险品所在的框）。SSD算法采用危险品目标大小不同的多尺度特征图，再使用其主干网络VGGNet对不同的特征图自动提取目标相应的特征并进行卷积网络训练，得到包含危险品类别和具体危险品名称的分类器。当待测图像输入进网络后，产生指定大小的候选框集合以及候选框属于某类危险品的可能性，通过非极大值抑制来过滤多余的候选框，进而产生最终的检测结果。
所述的ANN人工神经网络的训练方法为：使用ANN进行训练时，对危险品的整体及局部人为提取HOG特征及LBP+HOG的组合特征，并将这些图像特征作为输入传送至网络模型中，使用bp神经网络对人工提取的特征进行训练，得到包含危险品类别和具体危险品名称的分类器。当待测图像输入进网络后，可检测出危险品的分类与定位。
所述的获取的X光图像数据保存为视频形式，为便于用户回看，使用运动补偿、帧内预测和熵编码方法对数据进行压缩保存至硬盘或服务器，从而减少数据冗余度和硬盘或服务器的占用空间。
所述的获取的X光图像数据保存为视频形式，为便于用户回看，使用运动补偿、帧内预测和熵编码方法对数据进行压缩保存至硬盘或服务器，从而减少数据冗余度和硬盘或服务器的占用空间。
本发明的方法还包括节能单元，通过在操作界面添加功能键的方式，当没有行李过检时，按下功能键转换成节能功能状态，使危险品判图停止，当有行李通过时将功能键迅速转化为正常运转状态，这样可有效节约功耗。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种智能旅客安检行李图像自动识别方法，其特征在于：包括
S1：对获取的X光图像进行图像预处理；
S2：建立包含危险品整体物品及组件物品的危险品特征库；
S3：将危险品特征库中的危险品图像输入SSD前馈卷积网络中进行训练，得到包含危险品类别和具体危险品名称的分类器；
S4：将待检测的预处理后的X光图像输入到训练好的分类器中，对待检测的预处理后的X光图像进行特征提取，标注出具有危险品目标的候选框，在图像候选框上显示危险品的类别和具体危险品的名称；
S5：将标注有危险品的X光图像输入到ANN人工神经网络进行验证检测；
S6：若确定存在整个物品检测是危险品，在图像上对危险品进行标识，通过扬声器或者文字形式进行提示，进行安全隐患排查；
若确定待检测图像中包含危险品组件，能够组装为危险品，则在图像上对危险品组件进行标识，通过扬声器或者文字形式进行提示，进行安全隐患排查。
2.如权利要求1所述的智能旅客安检行李图像自动识别方法，其特征在于：所述的图像预处理包括采用增强处理使图像更加清晰，并对其进行降噪、畸变校正以及边缘提取等操作处理。
3.如权利要求1所述的智能旅客安检行李图像自动识别方法，其特征在于：所述的SSD前馈卷积网络产生指定大小的候选框集合以及候选框属于某类危险品的可能性，通过非极大值抑制来过滤多余的候选框，进而产生最终的检测结果，并显示目标类、对应目标概率及目标框。
4.如权利要求1所述的智能旅客安检行李图像自动识别方法，其特征在于：所述的危险品特征库为采集需要进行分类的样本，每个类别准备足够的样本（上万个），每个样本均需标注类别，采集时需要考虑不同角度、不同环境条件下的样本，增加数据量能够提高模型的泛化能力，可以通过对原始图像进行镜像翻转、位移、裁剪、旋转等方式增加样本的多样性。
5.如权利要求1所述的智能旅客安检行李图像自动识别方法，其特征在于：所述的SSD前馈卷积网络的训练方法为：在训练时直接输入危险品特征库的图像、图像标签和危险品所在的框；SSD算法采用危险品目标大小不同的多尺度特征图，再使用其主干网络VGGNet对不同的特征图自动提取目标相应的特征并进行卷积网络训练，得到包含危险品类别和具体危险品名称的分类器；当待测图像输入进网络后，产生指定大小的候选框集合以及候选框属于某类危险品的可能性，通过非极大值抑制来过滤多余的候选框，进而产生最终的检测结果。
6.如权利要求1所述的智能旅客安检行李图像自动识别方法，其特征在于：所述的ANN人工神经网络的训练方法为：使用ANN进行训练时，对危险品的整体及局部人为提取HOG特征及LBP+HOG的组合特征，并将这些图像特征作为输入传送至网络模型中，使用bp神经网络对人工提取的特征进行训练，得到包含危险品类别和具体危险品名称的分类器。
7.当待测图像输入进网络后，可检测出危险品的分类与定位
如权利要求1所述的智能旅客安检行李图像自动识别方法，其特征在于：所述的获取的X光图像数据保存为视频形式，使用运动补偿、帧内预测和熵编码方法对数据进行压缩保存至硬盘或服务器。
8.一种可读存储介质，其上存储有可执行程序，其特征在于，所述可执行程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
9.一种电子设备，其特征在于，包括：
存储器，其上存储有可执行程序；
处理器，用于执行所述存储器中的所述可执行程序，以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911205861.2A CN111126447A (zh) | 2019-11-29 | 2019-11-29 | 一种智能旅客安检行李图像自动识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911205861.2A CN111126447A (zh) | 2019-11-29 | 2019-11-29 | 一种智能旅客安检行李图像自动识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111126447A true CN111126447A (zh) | 2020-05-08 |
Family
ID=70496374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911205861.2A Pending CN111126447A (zh) | 2019-11-29 | 2019-11-29 | 一种智能旅客安检行李图像自动识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111126447A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111665572A (zh) * | 2020-05-30 | 2020-09-15 | 中国船舶重工集团公司第七一三研究所 | 一种基于x光机图像机场旅客安检智能辅助系统及方法 |
| CN111680729A (zh) * | 2020-05-30 | 2020-09-18 | 中国船舶重工集团公司第七一三研究所 | 基于x光机图像机场旅客安检危险品实时高识别率方法 |
| CN111815616A (zh) * | 2020-07-21 | 2020-10-23 | 山西卡斯特网络科技有限公司 | 一种基于深度学习的x光安检图像中危险品检测方法 |
| CN111861992A (zh) * | 2020-06-12 | 2020-10-30 | 浙江大华技术股份有限公司 | 安检图像的处理方法、安检系统和计算机可读存储介质 |
| CN111861987A (zh) * | 2020-06-09 | 2020-10-30 | 中国船舶重工集团公司第七一三研究所 | 一种基于x光机的危险品样本图像构造方法 |
| CN112712093A (zh) * | 2021-01-11 | 2021-04-27 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 安检图像识别方法、装置、电子设备及存储介质 |
| CN114140542A (zh) * | 2021-12-09 | 2022-03-04 | 成都智元汇信息技术股份有限公司 | 基于色彩补偿的切图方法、电子设备及介质 |
| CN114494891A (zh) * | 2022-04-15 | 2022-05-13 | 中国科学院微电子研究所 | 一种基于多尺度并行检测的危险品识别装置和方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160019427A1 (en) * | 2013-03-11 | 2016-01-21 | Michael Scott Martin | Video surveillence system for detecting firearms |
| CN106250936A (zh) * | 2016-08-16 | 2016-12-21 | 广州麦仑信息科技有限公司 | 基于机器学习的多特征多线程安检违禁品自动识别方法 |
| CN106886054A (zh) * | 2017-04-13 | 2017-06-23 | 西安邮电大学 | 基于三维x射线成像的危险品自动识别装置及方法 |
| 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 |
| 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 |
| CN109446888A (zh) * | 2018-09-10 | 2019-03-08 | 唯思科技（北京）有限公司 | 一种基于卷积神经网络的细长类物品检测方法 |
| CN109840502A (zh) * | 2019-01-31 | 2019-06-04 | 深兰科技（上海）有限公司 | 一种基于ssd模型进行目标检测的方法及设备 |
| CN110428007A (zh) * | 2019-08-01 | 2019-11-08 | 科大讯飞(苏州)科技有限公司 | X光图像目标检测方法、装置及设备 |
-
2019
- 2019-11-29 CN CN201911205861.2A patent/CN111126447A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160019427A1 (en) * | 2013-03-11 | 2016-01-21 | Michael Scott Martin | Video surveillence system for detecting firearms |
| CN106250936A (zh) * | 2016-08-16 | 2016-12-21 | 广州麦仑信息科技有限公司 | 基于机器学习的多特征多线程安检违禁品自动识别方法 |
| CN106886054A (zh) * | 2017-04-13 | 2017-06-23 | 西安邮电大学 | 基于三维x射线成像的危险品自动识别装置及方法 |
| 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 |
| 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 |
| CN109446888A (zh) * | 2018-09-10 | 2019-03-08 | 唯思科技（北京）有限公司 | 一种基于卷积神经网络的细长类物品检测方法 |
| CN109840502A (zh) * | 2019-01-31 | 2019-06-04 | 深兰科技（上海）有限公司 | 一种基于ssd模型进行目标检测的方法及设备 |
| CN110428007A (zh) * | 2019-08-01 | 2019-11-08 | 科大讯飞(苏州)科技有限公司 | X光图像目标检测方法、装置及设备 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111665572A (zh) * | 2020-05-30 | 2020-09-15 | 中国船舶重工集团公司第七一三研究所 | 一种基于x光机图像机场旅客安检智能辅助系统及方法 |
| CN111680729A (zh) * | 2020-05-30 | 2020-09-18 | 中国船舶重工集团公司第七一三研究所 | 基于x光机图像机场旅客安检危险品实时高识别率方法 |
| CN111861987A (zh) * | 2020-06-09 | 2020-10-30 | 中国船舶重工集团公司第七一三研究所 | 一种基于x光机的危险品样本图像构造方法 |
| CN111861992A (zh) * | 2020-06-12 | 2020-10-30 | 浙江大华技术股份有限公司 | 安检图像的处理方法、安检系统和计算机可读存储介质 |
| CN111815616A (zh) * | 2020-07-21 | 2020-10-23 | 山西卡斯特网络科技有限公司 | 一种基于深度学习的x光安检图像中危险品检测方法 |
| CN112712093A (zh) * | 2021-01-11 | 2021-04-27 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 安检图像识别方法、装置、电子设备及存储介质 |
| CN112712093B (zh) * | 2021-01-11 | 2024-04-05 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 安检图像识别方法、装置、电子设备及存储介质 |
| CN114140542A (zh) * | 2021-12-09 | 2022-03-04 | 成都智元汇信息技术股份有限公司 | 基于色彩补偿的切图方法、电子设备及介质 |
| CN114140542B (zh) * | 2021-12-09 | 2022-11-22 | 成都智元汇信息技术股份有限公司 | 基于色彩补偿的切图方法、电子设备及介质 |
| CN114494891A (zh) * | 2022-04-15 | 2022-05-13 | 中国科学院微电子研究所 | 一种基于多尺度并行检测的危险品识别装置和方法 |
| CN114494891B (zh) * | 2022-04-15 | 2022-07-22 | 中国科学院微电子研究所 | 一种基于多尺度并行检测的危险品识别装置和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111126447A (zh) | 一种智能旅客安检行李图像自动识别方法 | |
| CN109154976B (zh) | 通过机器学习训练对象分类器的系统和方法 | |
| US20190122072A1 (en) | Reverse neural network for object re-identification | |
| US20190180097A1 (en) | Systems and methods for automated classification of regulatory reports | |
| CN105654057A (zh) | 基于图片内容的图片审核系统及图片审核方法 | |
| CN110428007B (zh) | X光图像目标检测方法、装置及设备 | |
| CN112906463A (zh) | 基于图像的火情检测方法、装置、设备及存储介质 | |
| CN109672863A (zh) | 一种基于图像识别的施工人员安全装备智能监测方法 | |
| JP2013222461A (ja) | ナンバープレート画像の確実なクロッピング | |
| CN111461260B (zh) | 基于特征融合的目标检测方法、装置、设备及存储介质 | |
| CN108664875A (zh) | 基于图像识别的井下皮带运输监控方法 | |
| CN103744120A (zh) | 一种违禁品辅助鉴别方法及装置 | |
| CN111191507A (zh) | 智慧社区的安全预警分析方法及系统 | |
| CN108668109A (zh) | 基于计算机视觉的图像监控方法 | |
| CN115690615B (zh) | 一种面向视频流的深度学习目标识别方法及系统 | |
| CN114782892A (zh) | 违规行为目标检测方法、装置、设备及存储介质 | |
| CN111126112B (zh) | 候选区域确定方法和装置 | |
| CN107423864A (zh) | 船员行为的分析方法和装置 | |
| CN113569912A (zh) | 车辆识别方法、装置、电子设备及存储介质 | |
| CN113076889A (zh) | 集装箱铅封识别方法、装置、电子设备和存储介质 | |
| CN116994066A (zh) | 一种基于改进的目标检测模型的尾绳检测系统 | |
| CN117423157A (zh) | 一种结合迁移学习、区域入侵的矿井下异常视频动作理解方法 | |
| CN111582183A (zh) | 一种公共场所的口罩识别方法及系统 | |
| CN110826473A (zh) | 一种基于神经网络的绝缘子图像自动识别方法 | |
| CN114898181A (zh) | 用于涉爆视频的隐患违章识别方法及装置 |
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 |