CN111310635B - 基于TensorFlow的安检违禁品识别系统及方法 - Google Patents
基于TensorFlow的安检违禁品识别系统及方法 Download PDFInfo
- Publication number
- CN111310635B CN111310635B CN202010085343.8A CN202010085343A CN111310635B CN 111310635 B CN111310635 B CN 111310635B CN 202010085343 A CN202010085343 A CN 202010085343A CN 111310635 B CN111310635 B CN 111310635B
- Authority
- CN
- China
- Prior art keywords
- module
- sample
- dangerous
- image
- dangerous goods
- 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
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000003384 imaging method Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000009877 rendering Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- ZRHANBBTXQZFSP-UHFFFAOYSA-M potassium;4-amino-3,5,6-trichloropyridine-2-carboxylate Chemical compound [K+].NC1=C(Cl)C(Cl)=NC(C([O-])=O)=C1Cl ZRHANBBTXQZFSP-UHFFFAOYSA-M 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F18/21—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
- 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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明提供了一种基于TensorFlow的安检违禁品识别系统及方法,包括:X光三维成像模块,用于采集乘客携带物品的X光图像;图像处理模块,用于通过TensorFlow框架构建神经网络模型以对X光图像进行特征提取处理得到预处理图像;检测模块,用于通过神经网络模型对预处理图像来进行危险品的识别和判断训练模块,用于通过样本训练构建危险品样本库,以便进行匹配;调试模块,用于在检测模块无法判断所检测物品的危险性时,通过将X光图像传输至人工端设备进行调试,并记忆调试的结果以强化危险品样本库;及危险品提示模块,用于在检测模块检测出危险品时,输出危险品相关信息以提醒相关人员。
Description
技术领域
本发明涉及机器视觉识别技术领域,特别涉及一种基于TensorFlow的安检违禁品识别系统及方法。
背景技术
地铁作为我们日常出行的交通工具,具有方便、快捷和舒适的特点,而客流量大、乘客人群复杂等问题则会给社会带来一定安全隐患。例如:(1)由于地铁一般建在地下场所,人员活动空间小,若发生火灾、爆炸等事故,乘客人员逃生难度大;(2)乘客人员由于来自社会各个阶层,难免会有不法分子混入其中,这些犯罪分子可能会携带违禁物品(刀具、易燃物品、爆炸品等),进而出现毁坏公共设备、伤害他人等现象,严重危害乘客安全;(3)虽有明确法律规定,大力宣传号召公民维护社会治安,但面对数量极其庞大的人群仍有部分遗漏。
面对以上问题,安全检查成为每一个进入地铁站的人员必须要经过的程序。目前,X光安检机是现在大多数违禁物品安全检查的设备,而由于X光扫描出的图像还依赖于专业人员肉眼识别,需要精神保持高度集中状态,故识别效率不佳。并且在安检过程中乘客物品相互重叠,识别时间较短,特别是在人流量大的时候,容易造成错检、漏检等问题,对工作人员身体也会带来一定的危害。另一方面,由于违禁物品摆放角度不同,造成从单一方向的提取的X光图有视觉误差,从而造成判断失误,因此存在错检、漏检等现象,进而造成地铁安全隐患。因此,安检过程需要进一步改进,才能够更好的服务社会。
发明内容
本发明的目的在于提供一种基于TensorFlow的安检违禁品识别系统,以解决现有的X光安检机所存在的识别效率低、存在错检、漏检的问题。
为实现上述目的,本发明提供了一种基于TensorFlow的安检违禁品识别系统,包括:
X光三维成像模块,用于采集乘客携带物品的X光图像;
图像处理模块,用于通过TensorFlow框架构建神经网络模型以对所述X光图像进行特征提取处理得到预处理图像;
检测模块,用于通过神经网络模型对所述预处理图像来进行危险品的识别和判断
训练模块,用于通过样本训练构建危险品样本库,以便所述神经网络模型进行匹配;
调试模块,用于在所述检测模块无法判断所检测物品的危险性时,通过将所述X光图像传输至人工端设备进行调试,并记忆调试的结果以强化所述危险品样本库;
及危险品提示模块,用于在所述检测模块检测出危险品时,输出危险品相关信息以提醒相关人员。
较佳地,所述X光图像包括三个角度的X光图,分别为:俯视图、正视图和前视图。
本发明还提供一种基于TensorFlow的安检违禁品识别方法,使用上述的系统进行违禁品三维识别,具体包括:
所述X光三维成像模块采集乘客携带物品的X光图像;
所述图像处理模块通过TensorFlow框架构建神经网络模型以对所述X光图像进行特征提取处理得到预处理图像;
所述检测模块通过神经网络模型对所述预处理图像来进行危险品的识别和判断;
所述训练模块通过样本训练构建危险品样本库,以便所述神经网络模型进行匹配;
在所述检测模块无法判断所检测物品的危险性时,所述调试模块通过将所述X光图像传输至人工端设备进行调试,并记忆调试的结果以强化所述危险品样本库;
及在所述检测模块检测出危险品时,由所述危险品提示模块输出危险品相关信息以提醒相关人员。
较佳地,所述特征提取处理包括:图像预处理、旋转平移、边缘检测、特征提取、图像渲染、特征对齐、特征参数计算、精细化处理。
较佳地,所述训练模块使用轨道安全法规所规定的违禁物品的影像资料进行样本训练,构建得到危险品样本库,样本训练过程包括:
带有标签的违禁物品个体目标输入参考数据集,并进行目标数值特征匹配,得到标签样本;
使用建立的卷积神经网络模型对标签样本进行时频变换,得到样本数据;
将处理得到的样本数据进行增强,得到标签个体的目标数据特征;
将所述目标数据特征加入到危险品样本库的检测数据集中,完成个体模板注册。
较佳地,所述检测模块进行危险品的识别和判断过程包括:
将所述检测数据集与标签样品的预处理图像进行信息匹配,若匹配成功,则判定为违禁物品,并识别出违禁品的种类;若匹配不成功,则视为无危险物品,安检通过;若无法确认,则将所述标签样品的X光图像输出至所述调试模块进行调整,以完备所述检测数据集。
较佳地,所述检测模块进行危险品的识别和判断后将识别到的危险品信息输出至所述危险品提示模块,所述危险品提示模块根据危险品的种类及危险等级提醒相关人员采取不同的处理措施。
相对于其他安检危险品检测设备,本发明的主要有以下有益效果:
(1)首次提出使用三维X光机对物品进行扫描,全方面识别违禁物品;
(2)使用基于TensorFlow框架来对三张X光图进行识别,并对物品进行特征提取,利用特征对齐整合成一件完整的物品,以便于更准确的检测;
(3)识别系统加入训练模块,使得该系统具有学习功能。由于实际状况复杂,本产品实际使用可能会有识别误差,因此加入的训练模块和人工调试系统可有效扩大训练数据集,使系统越来越完备。
尽管地铁安检过程中不大方乘客不会携带违禁物品,但工作人员仍须时刻保持警惕并仔细检查。相比于现有依靠人工检索违禁物品的方式,本发明具有自动化识别违禁品的优势,可以时刻运行,准确又高效。
附图说明
图1为本发明系统组成示意图;
图2为本发明系统工作流程图;
图3为本发明图像处理模块的工作流程图。
具体实施方式
以下将结合本发明的附图,对本发明实施例中的技术方案进行清楚、完整的描述和讨论,显然,这里所描述的仅仅是本发明的一部分实例,并不是全部的实例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
为了便于对本发明实施例的理解,下面将结合附图以具体实施例为例作进一步的解释说明,且各个实施例不构成对本发明实施例的限定。
本实施例提供了一种基于TensorFlow的安检违禁品识别系统,该系统包括以下模块:
X光三维成像模块10,用于采集乘客携带物品的X光图像;
图像处理模块20,用于通过TensorFlow框架构建神经网络模型以对所述X光图像进行特征提取处理得到预处理图像;
检测模块30,用于通过神经网络模型对所述预处理图像来进行危险品的识别和判断
训练模块40,用于通过样本训练构建危险品样本库,以便所述神经网络模型进行匹配;
调试模块50,用于在所述检测模块30无法判断所检测物品的危险性时,通过将所述X光图像传输至人工端设备进行调试,并记忆调试的结果以强化所述危险品样本库;
及危险品提示模块60,用于在所述检测模块30检测出危险品时,输出危险品相关信息以提醒相关人员。
当乘车行李在经过安检机过程中,由于违禁物品排放位置和大小不同,因此X光三维成像模块10工作时,其三维X光取样内容包含从三个角度来获取的X光图像,分别为:俯视图、正视图和前视图。然后,X光三维成像模块10再将经过X光机扫描得到的三张不同角度的X光图,传递到图像处理模块20。
对应于上述基于TensorFlow的安检违禁品识别系统,本实施例还提供了一种基于TensorFlow的安检违禁品识别方法,该方法使用上述的系统进行违禁品三维识别,参考图1所示,识别过程具体包括:
X光三维成像模块通过X光机取样,采集乘客携带物品的X光图像,这里的X光图像分别包括:俯视图、正视图和前视图;
图像处理模块通过TensorFlow框架构建神经网络模型以对上述的X光图像进行特征提取处理得到预处理图像;
检测模块通过神经网络模型对预处理图像来进行危险品的识别和判断;
训练模块通过样本训练构建危险品样本库,得到危险品的检测数据集,以便通过检测模块使用神经网络模型进行匹配;
在检测模块无法判断所检测物品的危险性时,由调试模块通过将X光图像传输至交人工端设备进行调试,并记忆调试的结果以强化危险品样本库中危险品的检测数据集;
在检测模块检测出危险品时,由危险品提示模块输出危险品相关信息以提醒相关人员。
图像处理模块中进行特征提取处理的过程具体包括:图像预处理、旋转平移、边缘检测、特征提取、图像渲染、特征对齐、特征参数计算、精细化处理。其中的特征对齐主要是将三张X光图中相对应的物品进行对照,找出其相似点,并将其整合成一件完整的物品,可更准确的识别该物品是否为危险物品。
训练模块使用轨道安全法规所规定的违禁物品(如刀具、枪支等)的影像资料进行样本训练,构建得到危险品样本库,样本训练过程包括:
带有标签的违禁物品个体目标输入参考数据集,并进行目标数值特征匹配,得到标签样本;
使用建立的卷积神经网络模型对标签样本进行时频变换,得到样本数据;
将处理得到的样本数据进行增强,得到标签个体的目标数据特征;
将所述目标数据特征加入到危险品样本库的检测数据集中,完成个体模板注册。
检测模块进行危险品的识别和判断过程包括:将所述检测数据集与标签样品的预处理图像进行信息匹配,若匹配成功,则判定为违禁物品,并识别出违禁品的种类;若匹配不成功,则视为无危险物品,安检通过;若无法确认,则将所述标签样品的X光图像输出至调试模块进行调整,以完备所述检测数据集。通过调试模块进行人工调试,可以增加数据集的样本数量。
检测模块进行危险品的识别和判断后将识别到的危险品信息输出至危险品提示模块,危险品提示模块根据危险品的种类及危险等级提醒相关人员采取不同的处理措施。例如,当检测模块检测出不同违禁物品时,危险品提示模块则提示采取不同措施。如若检测到枪支、炸弹等极度危险物品时,则立即提醒相关人员将该行李投放进安全保险箱中,并提醒周围人员迅速撤离;若检测到毒品、刀具和易燃物品等则立即通知工作人员采取相应措施。
具体地,本实施例中图像处理模块的实现依靠基于TensorFlow框架来构建卷积神经网络模型以便于特征提取。该模型包含输入层、卷积层、池化层、全连接层和soft输出层。本次产品构建过程如下:(1)添加输入层,输入取样样本数据尺寸;(2)依次添加卷积-池化-卷积层,并设定相关参数;(3)添加全连接层,将整个卷积操作输出特征逐步连接,变成一维特征序列。具体变化过程包含图像预处理、旋转平移、边缘检测、特征提取、图像渲染、特征对齐、特征参数计算、精细化处理等操作,使得从X光机获得的图像进行分析,最后交由判别模块进行判断,图像处理过程如图3所示。其中特征对齐是指将三张X光图中相对应的物品进行对照,找出其相似点,并将其整合成一件完整的物品,可更准确的识别该物品是否为危险物品。
由于X光机获取的样本不够清晰,需要使用样本数据增强技术来获取良好的数据资源,本产品则是使用TensorFlow框架来实现数据增强方法,具体操作是:将TensorFlow中Keras.ImageDateGenerator插件来对样本进行增量,并操纵样本进行翻转、平移、旋转等操作,使得样品数据标准化。最后使用preprocessing.scale方法对样品数据图层进行均值和标准化操作。
本发明提供了基于TensorFlow的安检违禁品识别系统及方法,该系统及方法适用场所非常多,如为了安检顺利、人员安全和交通发展,未来的安检机都需要更加完备的自动识别系统,本发明可以较好地满足这些需求。随着人工智能技术的进一步发展,以及计算机图像处理技术和图像识别技术的更加成熟,基于人工智能的X光安检设备将会在保障铁路运输安全方面发挥越来越重要的作用。当然,本发明系统及方法并不限于应用在铁路安检中,在其他交通运输公交的安检设备中同样可以应用,以提高安检效率。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何本领域的技术人员在本发明揭露的技术范围内,对本发明所做的变形或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述的权利要求的保护范围为准。
Claims (4)
1.一种基于TensorFlow的安检违禁品识别系统,其特征在于,包括:
X光三维成像模块,用于采集乘客携带物品的X光图像;
图像处理模块,用于通过TensorFlow框架构建神经网络模型以对所述X光图像进行特征提取处理得到预处理图像;所述特征提取处理包括:图像预处理、旋转平移、边缘检测、特征提取、图像渲染、特征对齐、特征参数计算、精细化处理;
检测模块,用于通过神经网络模型对所述预处理图像来进行危险品的识别和判断;所述检测模块进行危险品的识别和判断过程包括:将所述检测数据集与标签样品的预处理图像进行信息匹配,若匹配成功,则判定为违禁物品,并识别出违禁品的种类;若匹配不成功,则视为无危险物品,安检通过;若无法确认,则将所述标签样品的X光图像输出至所述调试模块进行调整,以完备所述检测数据集;
训练模块,用于通过样本训练构建危险品样本库,以便所述神经网络模型进行匹配;其中,所述训练模块使用轨道安全法规所规定的违禁物品的影像资料进行样本训练,构建得到危险品样本库,样本训练过程包括:带有标签的违禁物品个体目标输入参考数据集,并进行目标数值特征匹配,得到标签样本;使用建立的卷积神经网络模型对标签样本进行时频变换,得到样本数据;将处理得到的样本数据进行增强,得到标签个体的目标数据特征;将所述目标数据特征加入到危险品样本库的检测数据集中,完成个体模板注册;
调试模块,用于在所述检测模块无法判断所检测物品的危险性时,通过将所述X光图像传输至人工端设备进行调试,并记忆调试的结果以强化所述危险品样本库;
及危险品提示模块,用于在所述检测模块检测出危险品时,输出危险品相关信息以提醒相关人员。
2.根据权利要求1所述的基于TensorFlow的安检违禁品识别系统,其特征在于,所述X光图像包括三个角度的X光图,分别为:俯视图、正视图和前视图。
3.一种基于TensorFlow的安检违禁品识别方法,其特征在于,使用权利要求1或2所述的系统进行违禁品识别,具体包括:
所述X光三维成像模块采集乘客携带物品的X光图像;
所述图像处理模块通过TensorFlow框架构建神经网络模型以对所述X光图像进行特征提取处理得到预处理图像;所述特征提取处理包括:图像预处理、旋转平移、边缘检测、特征提取、图像渲染、特征对齐、特征参数计算、精细化处理;
所述检测模块通过神经网络模型对所述预处理图像来进行危险品的识别和判断;所述检测模块进行危险品的识别和判断过程包括:将所述检测数据集与标签样品的预处理图像进行信息匹配,若匹配成功,则判定为违禁物品,并识别出违禁品的种类;若匹配不成功,则视为无危险物品,安检通过;若无法确认,则将所述标签样品的X光图像输出至所述调试模块进行调整,以完备所述检测数据集;
所述训练模块通过样本训练构建危险品样本库,以便所述神经网络模型进行匹配;其中,所述训练模块使用轨道安全法规所规定的违禁物品的影像资料进行样本训练,构建得到危险品样本库,样本训练过程包括:带有标签的违禁物品个体目标输入参考数据集,并进行目标数值特征匹配,得到标签样本;使用建立的卷积神经网络模型对标签样本进行时频变换,得到样本数据;将处理得到的样本数据进行增强,得到标签个体的目标数据特征;将所述目标数据特征加入到危险品样本库的检测数据集中,完成个体模板注册;
在所述检测模块无法判断所检测物品的危险性时,所述调试模块通过将所述X光图像传输至人工端设备进行调试,并记忆调试的结果以强化所述危险品样本库;
及在所述检测模块检测出危险品时,由所述危险品提示模块输出危险品相关信息以提醒相关人员。
4.根据权利要求3所述的基于TensorFlow的安检违禁品识别方法,其特征在于,所述检测模块进行危险品的识别和判断后将识别到的危险品信息输出至所述危险品提示模块,所述危险品提示模块根据危险品的种类及危险等级提醒相关人员采取不同的处理措施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010085343.8A CN111310635B (zh) | 2020-02-10 | 2020-02-10 | 基于TensorFlow的安检违禁品识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010085343.8A CN111310635B (zh) | 2020-02-10 | 2020-02-10 | 基于TensorFlow的安检违禁品识别系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111310635A CN111310635A (zh) | 2020-06-19 |
CN111310635B true CN111310635B (zh) | 2024-04-19 |
Family
ID=71161744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010085343.8A Active CN111310635B (zh) | 2020-02-10 | 2020-02-10 | 基于TensorFlow的安检违禁品识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310635B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884085A (zh) * | 2021-04-02 | 2021-06-01 | 中国科学院自动化研究所 | 基于x光图像的违禁物品检测识别方法、系统及设备 |
CN114549900A (zh) * | 2022-02-23 | 2022-05-27 | 智慧航安(北京)科技有限公司 | 物品分类方法、装置和系统 |
CN117218081B (zh) * | 2023-09-13 | 2024-04-09 | 北京声迅电子股份有限公司 | 快件安检方法 |
CN118035481A (zh) * | 2024-04-11 | 2024-05-14 | 同方威视技术股份有限公司 | 检索器的生成方法、目标检测方法及射线扫描检测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109785361A (zh) * | 2018-12-22 | 2019-05-21 | 国网内蒙古东部电力有限公司 | 基于cnn与mog的变电站异物入侵检测系统 |
CN110298321A (zh) * | 2019-07-02 | 2019-10-01 | 中国科学院遥感与数字地球研究所 | 基于深度学习图像分类的道路阻断信息提取 |
CN110543857A (zh) * | 2019-09-05 | 2019-12-06 | 安徽启新明智科技有限公司 | 基于图像分析的违禁物识别方法、装置、系统和存储介质 |
-
2020
- 2020-02-10 CN CN202010085343.8A patent/CN111310635B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2019096181A1 (zh) * | 2017-11-14 | 2019-05-23 | 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 |
CN109785361A (zh) * | 2018-12-22 | 2019-05-21 | 国网内蒙古东部电力有限公司 | 基于cnn与mog的变电站异物入侵检测系统 |
CN110298321A (zh) * | 2019-07-02 | 2019-10-01 | 中国科学院遥感与数字地球研究所 | 基于深度学习图像分类的道路阻断信息提取 |
CN110543857A (zh) * | 2019-09-05 | 2019-12-06 | 安徽启新明智科技有限公司 | 基于图像分析的违禁物识别方法、装置、系统和存储介质 |
Non-Patent Citations (2)
Title |
---|
一种基于X射线图像和特征曲线的危险品检测方法;王小鹏等;《中国体视学与图像分析》;20141225(第04期);全文 * |
基于TensorFlow卷积神经网络的图像识别;高艳;《数字通信世界》;20200101(第01期);参见正文第1节 * |
Also Published As
Publication number | Publication date |
---|---|
CN111310635A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310635B (zh) | 基于TensorFlow的安检违禁品识别系统及方法 | |
CN110956704A (zh) | 一种新型的地铁高效安检系统和方法 | |
CN204287075U (zh) | 一体化安全检查系统 | |
CN109977877B (zh) | 一种安检智能辅助判图方法、系统以及系统控制方法 | |
CN106874845B (zh) | 图像识别的方法和装置 | |
CN206184803U (zh) | 违禁品智能分拣系统 | |
CN110543857A (zh) | 基于图像分析的违禁物识别方法、装置、系统和存储介质 | |
CN106548263A (zh) | 一种智能安全检查系统和方法 | |
CN106251347B (zh) | 地铁异物检测方法、装置、设备及地铁屏蔽门系统 | |
CN104502368A (zh) | 一体化安全检查系统 | |
CN114187612B (zh) | 一种人包关联的方法与系统 | |
CN105631941A (zh) | 一种检票进站系统及基于该系统的检票进站方法 | |
CN104597514A (zh) | 安检系统 | |
CN115995119B (zh) | 基于物联网的气瓶充装环节违规行为识别方法及系统 | |
CN111665572A (zh) | 一种基于x光机图像机场旅客安检智能辅助系统及方法 | |
KR20180082956A (ko) | 보안 검사 시스템 및 방법 | |
CN112612066A (zh) | 人员安检方法及人员安检系统 | |
CN112444889A (zh) | 一种快速安检行包远程集中判读系统及方法 | |
CN112712093A (zh) | 安检图像识别方法、装置、电子设备及存储介质 | |
CN204422778U (zh) | 安检系统 | |
CN108357517A (zh) | 动车组列车运行故障信息检测方法和系统 | |
CN112349006A (zh) | 一种基于图像识别的乘客与随身行李对应安检的方法 | |
CN114160447B (zh) | 一种先期机检系统及方法 | |
CN111751387A (zh) | 一种违禁品智能扫描及存储方法 | |
CN108319956A (zh) | 证件信息的自动识别装置及系统 |
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 |