CN111160084A - 危险品检测方法、装置和存储介质 - Google Patents
危险品检测方法、装置和存储介质 Download PDFInfo
- Publication number
- CN111160084A CN111160084A CN201911134414.2A CN201911134414A CN111160084A CN 111160084 A CN111160084 A CN 111160084A CN 201911134414 A CN201911134414 A CN 201911134414A CN 111160084 A CN111160084 A CN 111160084A
- Authority
- CN
- China
- Prior art keywords
- image
- dangerous goods
- convolution
- dangerous
- convolution operation
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/05—Recognition of patterns representing particular kinds of hidden objects, e.g. weapons, explosives, drugs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了危险品检测方法、装置和存储介质,方法包括以下步骤:对预设数据集的图像进行预处理;对预处理后的图像进行第一卷积操作;根据第一卷积操作结果,进行第二卷积操作;将第一卷积操作结果和第二卷积操作结果进行特征融合,得到特征融合图像;根据特征融合图像,构建危险品自动检测模型;根据危险品自动检测模型,输出危险品检测结果。通过本发明提高危险品检测的实时性和准确率,提高对体积小的危险品的检测效果,使检测结果更加直观。本发明作为一种危险品检测方法、装置和存储介质,可广泛应用于检测技术领域。
Description
技术领域
本发明涉及检测领域,尤其是一种危险品检测方法、装置和存储介质。
背景技术
安全检查(简称安检)是保障交通运输、公共场所安全的重要环节,关系着社会稳定。随着交通运输的人流量增加,对安检的要求更加严格,如何提供高质量且高效率的安检为当前需要解决的问题。目前,对乘客行李的安检还依赖于人工,将行李通过X光机,由X光机开机员进行人工识别,而由于行李的摆放角度的不同,或者物体的密度、体积不同,通过X光机得出的图像千差万别,例如即使为同一种危险品,得出的图像也不相同,因此依赖人工识别难以准确地区分出危险品。同时,如当危险品的体积较小,如子弹、打火机等,容易出现遗漏。
发明内容
有鉴于此,为了解决上述技术问题,本发明的目的是提供准确全面的危险品检测方法、装置和存储介质。
本发明采用的技术方案是:危险品检测方法,包括以下步骤:
对预设数据集的图像进行预处理;
对预处理后的图像进行第一卷积操作;
根据第一卷积操作结果,进行第二卷积操作;
将第一卷积操作结果和第二卷积操作结果进行特征融合,得到特征融合图像;
根据特征融合图像,构建危险品自动检测模型;
根据危险品自动检测模型,输出危险品检测结果;
其中,预处理包括卷积计算和/或对比度增强处理;
预设数据集的图像包括含有危险品的X射线图像,含有危险品的X射线图像中包括危险品的位置信息和种类信息;
危险品检测结果包括危险品的位置信息和种类信息。
进一步,所述对预设数据集的图像进行预处理的步骤中,包括以下步骤:
将预设数据集的图像与复小波进行卷积计算并进行多次迭代,将迭代结果与低通滤波进行卷积计算;
和/或计算预设数据集的图像的均值、方差和高频,并根据均值和方差对高频作增益乘积。
进一步,所述对预处理后的图像进行第一卷积操作以及根据第一卷积操作结果,进行第二卷积操作的步骤,具体为:
通过第一卷积层组合对预处理后的图像进行第一卷积操作;
对第一卷积操作结果进行第一池化操作;
通过第一卷积层对第一池化操作结果进行第二卷积操作;
其中,第一卷积层组合包括至少一个卷积层,第一卷积操作包括至少两次卷积操作,第一卷积层组合和第一卷积层按先后顺序设置。
进一步,所述将第一卷积操作结果和第二卷积操作结果进行特征融合,得到特征融合图像的步骤中,包括以下步骤:
将第一卷积操作结果,进行卷积计算并进行批归一化处理;
将第二卷积操作结果,进行反卷积计算和卷积计算并进行批归一化处理;
将两个批归一化处理结果进行串联操作,得到特征融合图像。
进一步,所述根据特征融合图像,构建危险品自动检测模型的步骤中,包括以下步骤:
根据第二卷积操作结果,进行第二池化操作;
对第二池化操作结果进行第三卷积操作,得到特征图;
对特征图和特征融合图像进行定位和分类,得到危险品自动检测模型。
进一步,所述根据危险品自动检测模型,输出危险品检测结果的步骤中,包括以下步骤:
将预处理后的预设数据集中的一个图像输入危险品自动检测模型,得到新特征融合图像和新特征图;
在新特征融合图像和新特征图上分别生成多个不同大小的边界框;
分别计算新特征融合图像和新特征图中的不同边界框与真实框的重合度;
将重合度大于预设阈值的边界框保留,并通过非极大值抑制操作得到新特征融合图像中重合度最高的第一边界框和新特征图中重合度最高的第二边界框;
分别对第一边界框的内容和第二边界框的内容进行分类概率计算;
将分类概率最大的内容作为输出的危险品位置信息和种类信息;
返回将预处理后的预设数据集中的一个图像输入危险品自动检测模型,得到新特征融合图像和新特征图的步骤,直至预处理后的预设数据集中的图像都被输入危险品自动检测模型,得到训练后的危险品自动检测模型;
根据训练后的危险品自动检测模型,输出危险品检测结果;
其中,新特征融合图像中的边界框尺寸小于新特征图中的边界框尺寸,预处理后的图像的危险品的位置信息通过真实框标注。
进一步,所述根据训练后的危险品自动检测模型,输出危险品检测结果这一步骤,具体为:
获取待检测X射线图像并输入训练后的危险品自动检测模型;
若待检测X射线图像包含危险品,输出危险品的位置信息和种类信息;
否则输出空包图像;
其中,危险品检测结果还包括空包图像。
本发明还提供,危险品检测装置,包括:
预处理模块,用于对预设数据集的图像进行预处理;
卷积模块,用于对预处理后的图像进行第一卷积操作,根据第一卷积操作结果,进行第二卷积操作;
特征融合模块,用于将第一卷积操作结果和第二卷积操作结果进行特征融合,得到特征融合图像;
构建模块,用于根据特征融合图像,构建危险品自动检测模型;
检测模块,用于根据危险品自动检测模型,输出危险品检测结果;
其中,预处理包括卷积计算和/或对比度增强处理;
预设数据集的图像包括含有危险品的X射线图像,含有危险品的X射线图像中包括危险品的位置信息和种类信息;
危险品检测结果包括危险品的位置信息和种类信息。
本发明还提供,危险品检测装置,包括:
至少一处理器;
至少一存储器,用于存储至少一程序;
当所述至少一程序被所述至少一处理器执行,使得所述至少一处理器实现所述危险品检测方法。
本发明还提供,存储介质,存储有处理器可执行的指令,处理器执行所述处理器可执行的指令时执行所述危险品检测方法。
本发明的有益效果是:对预设数据集的图像进行预处理,预处理包括卷积计算和/或对比度增强处理,减少数据量并提高图像的对比度,提高检测的实时性和准确率;将第一卷积操作结果和第二卷积操作结果进行特征融合,得到特征融合图像,根据特征融合图像,构建危险品自动检测模型,根据危险品自动检测模型,输出危险品检测结果,不需要经过人为检测,同时通过引入特征融合图像,有效提高对体积小的危险品的检测效果,提高了检测的准确度,能全面对危险品进行检测。另外,危险品检测结果包括危险品的位置信息和种类信息,准确识别出危险品的位置的同时还具有相应危险品的种类信息,更加直观。
附图说明
图1为本发明方法的步骤流程示意图;
图2为本发明具体实施例卷积层的结构示意图;
图3为本发明具体实施例特征融合的步骤示意图。
具体实施方式
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。对于本发明实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
如图1所示,危险品检测方法,包括以下步骤:
对预设数据集的图像进行预处理;
对预处理后的图像进行第一卷积操作;
根据第一卷积操作结果,进行第二卷积操作;
将第一卷积操作结果和第二卷积操作结果进行特征融合,得到特征融合图像;
根据特征融合图像,构建危险品自动检测模型;
根据危险品自动检测模型,输出危险品检测结果;
其中,预处理包括卷积计算和/或对比度增强处理;
预设数据集的图像包括含有危险品的X射线图像,含有危险品的X射线图像中包括危险品的位置信息和种类信息;
危险品检测结果包括危险品的位置信息和种类信息。
在本实施例中,具体地,包括以下步骤:
1)构建预设数据集;
1.通常在物品经过X光机的时候,X光机会产生X射线图像并显示在终端设备的屏幕上,在终端设备上每隔10毫秒截取屏幕上的图像,实现多个X射线图像的采集,因此可以事先采集大量的X射线图像作为后续建立模型使用;
2.对采集的X射线图像进行图像扩增:将采集的X射线图像加入到数据集中,将图像数据集中的图像对进行灰度变换、翻转、平移等图像扩增操作,将数据集进行扩充,防止训练时过拟合,以提高危险品检测精度
3.标示、分类图像中的危险品:对数据集中包含危险品的X射线图像,采用labelImg等图像标注工具进行标注,例如采用真实框将危险品框起来进行标注,得到危险品的位置信息,每一真实框标注一种危险品,并设置危险品对应的种类,得到危险品的种类信息。对不包含危险品的X射线图像,不需要做标示、分类,同时所有不包含危险品的图像,形成一个类别,即空包图像类。
4.对数据集中的图像进行整合,重复执行步骤1、2、3,直接采集的所有X射线图像均加入到数据集中,形成预设数据集。
2)对预设数据集中的图像进行预处理,具体为包含图像压缩与增强,在其他实施例中可以只进行图像压缩或增强:
1.将图像与小波做卷积,取模后进行多次迭代,公式为:
fψ=|f*ψj,γ|,ψj,γ(x)=2-2jψ(2-jRγx)
f为输入的图像,*表示卷积操作(计算),ψj,γ(x)为复小波,ψ(2-jRγx)为附小波,j,γ分别表示尺度和方向,fψ为卷积后的图像,ψj,γ为小波;
2.与低通滤波做卷积操作,实现图像数据压缩,公式为:
fψφ=fψ*φJ(x),φJ(x)=2-2Jφ(2-Jx)
φJ(x)为低通滤波,fψφ为压缩后的图像,*表示卷积操作(计算),φ(2-Jx)为低通滤波器;
3.对预设数据集中的图像中的像素点x(i,j),以(i,j)为中心,分别计算窗口大小为(2n+1)×(2n+1)的区域内的局部均值和方差,公式:
4.计算图像高频部分,公式:
xm(i,j)=x(i,j)-mx(i,j)
其中,xm(i,j)为图像高频部分,x(i,j)为像素点。
5.对高频作增益乘积,实现图像对比度增强,公式:
其中,f(i,j)为对比度增强后的结果,D为大于1的常数。另外,图像增强也可以通过线性变换、直方图正规化、伽玛变换、全局直方图均衡化、自适应直方图均衡化等方法。
3)构建危险品自动检测模型:
1.将经过预处理后的预设数据集中的图像作为输入,输入至神经网络,如图2所示,神经网络设置如下:本实施例中,神经网络包括第一卷积层组合,第一卷积层组合包括四个卷积层,其他实施例中可以包含其他数量的卷积层,分别为Conv1、Conv2、Conv3、Conv4,上述四个卷积层通过线性按先后顺序设置,每一个卷积层的输出作为下一个卷积层的输入。其中,每一个卷积层还包括两次卷积操作和一次池化操作,每一个卷积层的输出为池化操作后的结果,卷积操作为ConvX_Y,X=1,2,3,4,5;Y=1,2,池化操作为PoolX,X=1,2,3,4,5,其中卷积操作均利用的卷积核大小相同,均为3×3,池化操作为最大池化。以Conv1为例,Conv1对输入的图像进行第一次卷积操作Conv1_1,对第一次卷积操作Conv1_1的结果进行第二次卷积操作Conv1_2,并将第二次卷积操作Conv1_2的结果进行池化操作Pool1,将池化操作Pool1的结果作为下一卷积层的输入,进行下一次卷积操作,以此类推。
同时,神经网络还包括设置于第一卷积层组合后的第一卷积层Conv5,以及在第一卷积层Conv5之后且按先后顺序设置的卷积层Conv6、Conv7、Conv8,同样上一个卷积层的输出作为下一个卷积层的输入。第一卷积层Conv5包含卷积操作Conv5_1、Conv5_2,池化操作Pool5,每一卷积层Conv6、Conv7、Conv8均包括两次卷积操作,两次卷积操作采用不同大小的卷积核,其中第一次采用1×1的卷积核,第二次采用3×3的卷积核。其中,第一卷积层组合和Conv5,可以通过VGG、ResNets、GoogLeNet等网络代替。
具体处理过程如下:
S1:通过第一卷积层组合对预处理后的图像进行第一卷积操作,得到第一卷积操作结果,其中第一卷积操作包括对预处理后的图像直接进行卷积操作Conv1_1,亦包括对预处理后的图像进行间接卷积操作Conv1_2、Conv2_1、Conv2_2、Conv3_1、Conv3_2、Conv4_1、Conv-4_2,第一卷积操作包括至少两次卷积操作,即至少包括卷积操作Conv1_1和上述间接卷积操作中的至少一次,第一卷积操作结果为上述进行间接卷积操作得到的结果的其中一个,在本实施例为Conv4_2卷积操作得到的结果,在其他实施例中可以为其他间接卷积操作得到的结果;
S2:对Conv4_2卷积操作得到的结果进行第一池化操作Pool4,得到第一池化操作结果;
S3:通过第一卷积层Conv5对第一池化操作结果进行第二卷积操作,其中第二卷积操作包括直接对第一池化操作结果进行卷积操作Conv5_1,也可以包括间接对第一池化操作结果进行卷积操作Conv5_2,即第二卷积操作第一结果可以为卷积操作Conv5_1输出的结果,也可以为卷积操作Conv5_2的输出结果,在本实施例为卷积操作Conv5_2的输出结果;
如图3所示,S4:对卷积操作Conv5_2的输出结果和Conv4_2卷积操作得到的结果进行特征融合:
将Conv4_2卷积操作得到的结果进行卷积计算再进行批归一化处理,并通过Relu函数激活,得到一个批归一化处理结果;
将Conv5_2卷积操作得到的结果进行反卷积计算、卷积计算再进行批归一化处理,通过Relu函数激活,得到另一个批归一化处理结果;
将上述两个批归一化处理结果进行串联操作,得到特征融合图像;
S4:将卷积操作Conv5_2的输出结果进行第二池化操作Pool5,得到第二池化操作结果;
S5:通过卷积层Conv6对第二池化操作结果进行第三卷积操作(包括两次卷积操作),输出第一个特征图;
S6:通过卷积层Conv7对Conv6输出结果进行第四卷积操作(包括两次卷积操作),得到第二个特征图;
S7:通过卷积层Conv8对Conv7输出结果进行第五卷积操作(包括两次卷积操作),得到第三个特征图;
S8:对特征融合图像和三个特征图进行定位和分类,其中定位指的是对危险品进行标记,即得到危险品的位置信息,分类为标记出危险品的种类,即得到危险品的种类信息,从而得到包括危险品的位置信息和种类信息的危险品自动检测模型,自动检测模型最终输出一幅图,包含危险品的位置信息和种类信息。其中,进行定位和分类的过程可参照4)训练危险品自动检测模型中的步骤。
4)训练危险品自动检测模型;
S1:将预处理后的预设数据集中的图像进行分组,将分组后的一个图像输入危险品自动检测模型,通过上述处理过程可知,会得到一个新特征融合图像和三个新特征图,分别在新特征融合图像和三个新特征图上生成预设的多个不同大小的边界框,且新特征融合图像的边界框大小、Conv6输出的新特征图边界框大小、Conv7输出的新特征图边界框大小、Conv8输出的新特征图边界框大小依次增大,以适应不同尺度危险品位置的检测;
S2:通过边界框在上述四幅图中的平移、滑动,计算每一个边界框与真实框的重合度,将重合度大于预设阈值(本实施例为0.5)的边界框保留,通过非极大值抑制操作,保留重合度最高的边界框,如新特征融合图像中保留第一边界框、其余新特征图分别保留第二边界框、第三边界框、第四边界框;
S3:分别对第一边界框、第二边界框、第三边界框、第四边界框中围成的内容进行分类概率计算,分类概率最大的内容为包含危险品的区域,作为训练过程中危险品检测结果,即通过分类概率最大的边界框的内容即可得出最终输出的危险品的位置信息和种类信息。
S4:重复上述步骤,即将预设数据集中的图像继续输入至危险品自动检测模型,直至分组后的预设数据集中的图像都被输入危险品自动检测模型,得到训练后的危险品自动检测模型并保存;
5)利用训练后的危险品自动检测模型,输出危险品检测结果;
在实际的危险品检测中,通过步骤1)中的方法获取待检测X射线图像,并输入训练后的危险品自动检测模型;
若待检测X射线图像包含危险品,输出危险品的位置信息和种类信息;
否则输出空包图像;
即危险品检测结果包括危险品检测结果,或直接输出空包图像。
本发明还提供一种危险品检测装置,包括:
预处理模块,用于对预设数据集的图像进行预处理;
卷积模块,用于对预处理后的图像进行第一卷积操作,根据第一卷积操作结果,进行第二卷积操作;
特征融合模块,用于将第一卷积操作结果和第二卷积操作结果进行特征融合,得到特征融合图像;
构建模块,用于根据特征融合图像,构建危险品自动检测模型;
检测模块,用于根据危险品自动检测模型,输出危险品检测结果;
其中,预处理包括卷积计算和/或对比度增强处理;
预设数据集的图像包括含有危险品的X射线图像,含有危险品的X射线图像中包括危险品的位置信息和种类信息;
危险品检测结果包括危险品的位置信息和种类信息。
本发明实施例还提供了危险品检测装置,包括:
至少一处理器;
至少一存储器,用于存储至少一程序;
当所述至少一程序被所述至少一处理器执行,使得所述至少一处理器实现所述危险品检测方法。
上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
综上所述,相较于现有技术,本发明具有以下优点:
1)对预设数据集的图像进行预处理,预处理包括卷积计算和/或对比度增强处理,减少数据量并提高图像的对比度,提高检测的实时性和准确率;
2)将第一卷积操作结果和第二卷积操作结果进行特征融合,得到特征融合图像,根据特征融合图像,构建危险品自动检测模型,根据危险品自动检测模型,输出危险品检测结果,不需要经过人为检测,同时通过引入特征融合图像,有效提高对体积小的危险品的检测效果,提高了检测的准确度,能全面对危险品进行检测;
3)危险品检测结果包括危险品的位置信息和种类信息,准确识别出危险品的位置的同时还具有相应危险品的种类信息,更加直观。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明并且采用方块图的形式举例说明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
本发明实施例还提供了一种存储介质,存储有处理器可执行的指令,处理器执行所述处理器可执行的指令时执行所述危险品检测方法。
同样可见,上述方法实施例中的内容均适用于本存储介质实施例中,实现的功能和有益效果与方法实施例相同。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
在本说明书的描述中,参考术语“一个实施例”、“本实施例”、“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一定指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何的一个或多个实施例或示例中以合适的方式结合。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.危险品检测方法,其特征在于,包括以下步骤:
对预设数据集的图像进行预处理;
对预处理后的图像进行第一卷积操作;
根据第一卷积操作结果,进行第二卷积操作;
将第一卷积操作结果和第二卷积操作结果进行特征融合,得到特征融合图像;
根据特征融合图像,构建危险品自动检测模型;
根据危险品自动检测模型,输出危险品检测结果;
其中,预处理包括卷积计算和/或对比度增强处理;
预设数据集的图像包括含有危险品的X射线图像,含有危险品的X射线图像中包括危险品的位置信息和种类信息;
危险品检测结果包括危险品的位置信息和种类信息。
2.根据权利要求1所述危险品检测方法,其特征在于:所述对预设数据集的图像进行预处理的步骤中,包括以下步骤:
将预设数据集的图像与复小波进行卷积计算并进行多次迭代,将迭代结果与低通滤波进行卷积计算;
和/或计算预设数据集的图像的均值、方差和高频,并根据均值和方差对高频作增益乘积。
3.根据权利要求1所述危险品检测方法,其特征在于:所述对预处理后的图像进行第一卷积操作以及根据第一卷积操作结果,进行第二卷积操作的步骤,具体为:
通过第一卷积层组合对预处理后的图像进行第一卷积操作;
对第一卷积操作结果进行第一池化操作;
通过第一卷积层对第一池化操作结果进行第二卷积操作;
其中,第一卷积层组合包括至少一个卷积层,第一卷积操作包括至少两次卷积操作,第一卷积层组合和第一卷积层按先后顺序设置。
4.根据权利要求3所述危险品检测方法,其特征在于:所述将第一卷积操作结果和第二卷积操作结果进行特征融合,得到特征融合图像的步骤中,包括以下步骤:
将第一卷积操作结果,进行卷积计算并进行批归一化处理;
将第二卷积操作结果,进行反卷积计算和卷积计算并进行批归一化处理;
将两个批归一化处理结果进行串联操作,得到特征融合图像。
5.根据权利要求3所述危险品检测方法,其特征在于:所述根据特征融合图像,构建危险品自动检测模型的步骤中,包括以下步骤:
根据第二卷积操作结果,进行第二池化操作;
对第二池化操作结果进行第三卷积操作,得到特征图;
对特征图和特征融合图像进行定位和分类,得到危险品自动检测模型。
6.根据权利要求5所述危险品检测方法,其特征在于:所述根据危险品自动检测模型,输出危险品检测结果的步骤中,包括以下步骤:
将预处理后的预设数据集中的一个图像输入危险品自动检测模型,得到新特征融合图像和新特征图;
在新特征融合图像和新特征图上分别生成多个不同大小的边界框;
分别计算新特征融合图像和新特征图中的不同边界框与真实框的重合度;
将重合度大于预设阈值的边界框保留,并通过非极大值抑制操作得到新特征融合图像中重合度最高的第一边界框和新特征图中重合度最高的第二边界框;
分别对第一边界框的内容和第二边界框的内容进行分类概率计算;
将分类概率最大的内容作为输出的危险品的位置信息和种类信息;
返回将预处理后的预设数据集中的一个图像输入危险品自动检测模型,得到新特征融合图像和新特征图的步骤,直至预处理后的预设数据集中的图像都被输入危险品自动检测模型,得到训练后的危险品自动检测模型;
根据训练后的危险品自动检测模型,输出危险品检测结果;
其中,新特征融合图像中的边界框尺寸小于新特征图中的边界框尺寸,预处理后的图像的危险品的位置信息通过真实框标注。
7.根据权利要求6所述危险品检测方法,其特征在于:所述根据训练后的危险品自动检测模型,输出危险品检测结果这一步骤,具体为:
获取待检测X射线图像并输入训练后的危险品自动检测模型;
若待检测X射线图像包含危险品,输出危险品的位置信息和种类信息;
否则输出空包图像;
其中,危险品检测结果还包括空包图像。
8.危险品检测装置,其特征在于,包括:
预处理模块,用于对预设数据集的图像进行预处理;
卷积模块,用于对预处理后的图像进行第一卷积操作,根据第一卷积操作结果,进行第二卷积操作;
特征融合模块,用于将第一卷积操作结果和第二卷积操作结果进行特征融合,得到特征融合图像;
构建模块,用于根据特征融合图像,构建危险品自动检测模型;
检测模块,用于根据危险品自动检测模型,输出危险品检测结果;
其中,预处理包括卷积计算和/或对比度增强处理;
预设数据集的图像包括含有危险品的X射线图像,含有危险品的X射线图像中包括危险品的位置信息和种类信息;
危险品检测结果包括危险品的位置信息和种类信息。
9.危险品检测装置,其特征在于,包括:
至少一处理器;
至少一存储器,用于存储至少一程序;
当所述至少一程序被所述至少一处理器执行,使得所述至少一处理器实现如权利要求1-7任一项所述危险品检测方法。
10.存储介质,存储有处理器可执行的指令,其特征在于:处理器执行所述处理器可执行的指令时执行如权利要求1-7任一项所述危险品检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911134414.2A CN111160084A (zh) | 2019-11-19 | 2019-11-19 | 危险品检测方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911134414.2A CN111160084A (zh) | 2019-11-19 | 2019-11-19 | 危险品检测方法、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111160084A true CN111160084A (zh) | 2020-05-15 |
Family
ID=70556042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911134414.2A Pending CN111160084A (zh) | 2019-11-19 | 2019-11-19 | 危险品检测方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160084A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396021A (zh) * | 2020-11-30 | 2021-02-23 | 五邑大学 | 高空危险物检测方法、装置及存储介质 |
CN112580474A (zh) * | 2020-12-09 | 2021-03-30 | 云从科技集团股份有限公司 | 基于计算机视觉的目标对象检测方法、系统、设备及介质 |
CN113313130A (zh) * | 2021-07-02 | 2021-08-27 | 昆明理工大学 | 一种基于遮挡的安检图像危险品检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718944A (zh) * | 2016-01-19 | 2016-06-29 | 上海交通大学 | 基于核空间的深度散射卷积网络学习方法和系统 |
CN107368787A (zh) * | 2017-06-16 | 2017-11-21 | 长安大学 | 一种面向深度智驾应用的交通标志识别算法 |
CN109886359A (zh) * | 2019-03-25 | 2019-06-14 | 西安电子科技大学 | 基于卷积神经网络的小目标检测方法及检测模型 |
CN110084165A (zh) * | 2019-04-19 | 2019-08-02 | 山东大学 | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 |
US20190297276A1 (en) * | 2018-03-20 | 2019-09-26 | EndoVigilant, LLC | Endoscopy Video Feature Enhancement Platform |
-
2019
- 2019-11-19 CN CN201911134414.2A patent/CN111160084A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718944A (zh) * | 2016-01-19 | 2016-06-29 | 上海交通大学 | 基于核空间的深度散射卷积网络学习方法和系统 |
CN107368787A (zh) * | 2017-06-16 | 2017-11-21 | 长安大学 | 一种面向深度智驾应用的交通标志识别算法 |
US20190297276A1 (en) * | 2018-03-20 | 2019-09-26 | EndoVigilant, LLC | Endoscopy Video Feature Enhancement Platform |
CN109886359A (zh) * | 2019-03-25 | 2019-06-14 | 西安电子科技大学 | 基于卷积神经网络的小目标检测方法及检测模型 |
CN110084165A (zh) * | 2019-04-19 | 2019-08-02 | 山东大学 | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 |
Non-Patent Citations (2)
Title |
---|
张思宇等: "基于多尺度特征融合的小目标行人检测", 《计算机工程与科学》 * |
薛岚燕等: "动静脉血管自动分类方法及其管径测量", 《仪器仪表学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396021A (zh) * | 2020-11-30 | 2021-02-23 | 五邑大学 | 高空危险物检测方法、装置及存储介质 |
CN112396021B (zh) * | 2020-11-30 | 2024-02-20 | 五邑大学 | 高空危险物检测方法、装置及存储介质 |
CN112580474A (zh) * | 2020-12-09 | 2021-03-30 | 云从科技集团股份有限公司 | 基于计算机视觉的目标对象检测方法、系统、设备及介质 |
CN112580474B (zh) * | 2020-12-09 | 2021-09-24 | 云从科技集团股份有限公司 | 基于计算机视觉的目标对象检测方法、系统、设备及介质 |
CN113313130A (zh) * | 2021-07-02 | 2021-08-27 | 昆明理工大学 | 一种基于遮挡的安检图像危险品检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160084A (zh) | 危险品检测方法、装置和存储介质 | |
CN109583483B (zh) | 一种基于卷积神经网络的目标检测方法和系统 | |
US7702157B2 (en) | Pattern evaluation method, pattern matching method and computer readable medium | |
CN107944442A (zh) | 基于改进卷积神经网络的对象检测装置及方法 | |
CN108664981A (zh) | 显著图像提取方法及装置 | |
CN110991560B (zh) | 一种结合上下文信息的目标检测方法及系统 | |
CN111553858B (zh) | 基于生成对抗网络的图像修复方法、系统及其应用 | |
CN111539957B (zh) | 一种用于目标检测的图像样本生成方法、系统及检测方法 | |
CN110956225A (zh) | 一种违禁品检测方法及系统、一种计算设备及存储介质 | |
CN112819748B (zh) | 一种带钢表面缺陷识别模型的训练方法及装置 | |
Lee et al. | Object detection-based video retargeting with spatial–temporal consistency | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
Ijemaru et al. | Image processing system using MATLAB-based analytics | |
CN107103595A (zh) | 检测图像变化的方法、装置、存储介质及设备 | |
CN113066088A (zh) | 工业检测中的检测方法、检测装置和存储介质 | |
CN108122245A (zh) | 一种目标行为描述方法、装置和监控设备 | |
CN114841974A (zh) | 一种水果内部结构无损检测方法、系统、电子设备及介质 | |
CN114723724A (zh) | 基于人工智能的危险品识别方法、装置、设备及存储介质 | |
CN115630660B (zh) | 基于卷积神经网络的条码定位方法和装置 | |
CN108960256A (zh) | 一种部件损伤程度的确定方法、装置及设备 | |
DE102018006764A1 (de) | Verfahren und system(e) für das management von frachtfahrzeugen | |
CN112396564A (zh) | 一种基于深度学习的产品封装质量检测方法及系统 | |
CN113034432B (zh) | 一种产品缺陷检测方法、系统、装置及存储介质 | |
EP4185986A1 (de) | Verfahren und system bzw. vorrichtung zum erkennen eines objektes in einem elektronischen bild | |
CN113781416A (zh) | 一种输送带撕裂检测方法、装置及电子设备 |
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: 20200515 |
|
RJ01 | Rejection of invention patent application after publication |