CN111382725A - 违禁快递包裹的处理方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及图像处理领域，公开了一种违禁快递包裹的处理方法、装置、设备及存储介质，用于解决当快递包裹内存在违禁品时处理效率低下的问题。违禁快递包裹的处理方法包括：利用区域推荐算法提取X光光谱图片中的多个感兴趣区域，得到多个待检测区域；利用深度学习网络从多个待检测区域中分别确定多个目标处理区域，并采用贝叶斯判别算法分析多个目标处理区域，得到快递包裹识别结果；若快递包裹识别结果中包括预置违禁品属性，则将原始快递运输号上传至告警系统；将原始快递运输号拆分，获取与原始快递运输号相近号段的多个相近快递运输号；追踪并排查相近快递运输号的快递包裹，将排查结果上传至告警系统。

Description

违禁快递包裹的处理方法、装置、设备及存储介质

技术领域

本发明涉及图像处理领域，尤其涉及一种违禁快递包裹的处理方法、装置、设备及存储介质。

背景技术

随着科技的进步与生活水平的提高，通过网上购物的方式购买所需品成为众多消费方式中的一种，再购买所需品之后需要将所需品进行打包运输，以保证包装所需品的快递包裹能够完好无损的运输至用户地址。在快递包裹的打包和运输过程中，快递包裹的承运公司需要保证快递包裹的安全，因此在快递包裹的揽收过程中需要对快递包裹内部进行进一步的排查，保证快递包裹中没有违禁物品，这里的违禁物品包括但不限于各类枪支(含仿制品、主要零部件)、弹药、管制器具、各类毒品、易制毒化学品、各类爆炸品、易燃易爆等危险物品、各类放射性、毒害性、腐蚀性、感染性等危险物品，一旦快递中存在违禁物品，将会给快递包裹的收寄工作带来很多安全隐患。目前，检测快递包裹内是否存在违禁品的方式是通过人工识别来完成的，需要安检员监视安检机，通过安检机上的画面判断快递包裹内是否存在违禁品。

当快递包裹内存在违禁品时，通常处理快递包裹的方式亦为人工处理。人工处理的管理方式浪费大量的物力财力，而且处理效率低下。

发明内容

本发明的主要目的在于解决当快递包裹内存在违禁品时处理效率低下的问题。

本发明第一方面提供了一种违禁快递包裹的处理方法，包括：获取快递包裹的X光光谱图片，并利用区域推荐算法提取所述X光光谱图片中的多个感兴趣区域，得到多个待检测区域，每个待检测区域内包括所述快递包裹内的待检测物品；利用深度学习网络从多个待检测区域中分别确定多个目标处理区域，并采用贝叶斯判别算法分析所述多个目标处理区域，得到快递包裹识别结果，所述快递包裹识别结果用于指示所述待检测物品的属性；若所述快递包裹识别结果中包括预置违禁品属性，则获取快递包裹的原始快递运输号，并将所述原始快递运输号上传至告警系统；根据预置号段信息将所述原始快递运输号拆分，获取与所述原始快递运输号相近号段的多个相近快递运输号，所述预置号段信息用于指示原始快递运输号中每个号段的代表信息；在多个快递包裹物流信息中查找所述相近快递运输号，追踪并排查所述相近快递运输号的快递包裹，将所述排查结果上传至告警系统。

可选的，在本发明第一方面的第一种实现方式中，所述获取快递包裹的X光光谱图片，并利用区域推荐算法提取所述X光光谱图片中的多个感兴趣区域，得到多个待检测区域，每个待检测区域内包括所述快递包裹内的待检测物品包括：获取快递包裹的X光光谱图片，利用区域推荐算法生成多个基础检测框；计算相邻两个基础检测框之间的初始相似度，并筛选出初始相似度的值大于合并阈值的多个基础相似度；将计算所述多个基础相似度的对应的基础检测框合并，得到目标感兴趣区域；将多个目标感兴趣区域作为待处理的区域，得到多个待检测区域，每个待检测区域内包括所述快递包裹内的待检测物品。

可选的，在本发明第一方面的第二种实现方式中，所述利用深度学习网络从多个待检测区域中分别确定多个目标处理区域，并采用贝叶斯判别算法分析所述多个目标处理区域，得到快递包裹识别结果，所述快递包裹识别结果用于指示所述待检测物品的属性包括：利用深度学习网络将多个待检测区域映射成多个特征图；根据待检测物品的大小将所述多个特征图划分为大小相同的网格区域，得到多个单元网格；将每个单元网格均分成四个均匀区域进行采样，并双线性内插算法对每个均匀区域进行池化，得到目标处理区域；采用贝叶斯判别算法对所述目标处理区域进行分析，得到快递包裹识别结果，所述快递包裹识别结果用于指示所述待检测物品的属性。

可选的，在本发明第一方面的第三种实现方式中，所述采用贝叶斯判别算法对所述目标处理区域进行分析，得到快递包裹识别结果，所述快递包裹识别结果用于指示所述待检测物品的属性包括：采用贝叶斯判别算法获取所述目标处理区域内的多个待检测物品的特征，得到多个目标特征；针对所述多个目标特征中的每个目标特征，根据预置贝叶斯公式计算每个目标特征与多个预置目标类别特征之间的多个相似概率，所述多个预置目标类别特征用于指示不同物品属性特征，所述相似概率为目标特征与预置标类别特征之间相同的几率；在多个相似概率中选取概率值最大的目标概率，并将计算目标概率的预置目标类别特征所对应的物品属性作为快递包裹识别结果。

可选的，在本发明第一方面的第四种实现方式中，若所述快递包裹识别结果中包括预置违禁品属性，则获取快递包裹的原始快递运输号，并将所述原始快递运输号上传至告警系统包括：所述快递包裹识别结果中包括预置违禁品属性，则获取快递包裹的快递运输单；利用预置检测算法对所述快递运输单进行灰度化处理，得到灰度图；二值化所述灰度图，得到处理图片；在所述处理图片中提取所述快递包裹的原始快递运输号，并将所述原始快递运输号上传至告警系统。

可选的，在本发明第一方面的第五种实现方式中，所述在所述处理图片中提取所述快递包裹的原始快递运输号，并将所述原始快递运输号上传至告警系统包括：在所述处理图片中检测原始快递运输号的位置区域，得到多个字符文本框；在所述多个字符文本框中提取所有字符特征，并分别计算所有字符特征与预置字符特征之间的多个相似度，所述预置字符特征为提前设置在字符特征库中的字符特征集；当目标相似度大于标准阈值时，确定所述字符特征为对应预置字符特征，得到原始快递运输号，并将所述原始快递运输号上传至告警系统。

可选的，在本发明第一方面的第六种实现方式中，所述根据预置号段信息将所述原始快递运输号拆分，获取与所述原始快递运输号相近号段的多个相近快递运输号，所述预置号段信息用于指示原始快递运输号中每个号段的代表信息包括：根据预置号段信息对所述原始快递运输号进行拆分，分别得到快递承运商号段、快递发送地号段以及快递包裹标号号段，所述预置号段信息用于指示原始快递运输号中每个号段的代表信息；获取与所述原始快递运输号的快递承运商号段以及快递发送地号段相同，且快递包裹标号号段不同的快递运输号，得到多个相近快递运输号。

本发明第二方面提供了一种违禁快递包裹的处理装置，包括：提取模块，用于获取快递包裹的X光光谱图片，并利用区域推荐算法提取所述X光光谱图片中的多个感兴趣区域，得到多个待检测区域，每个待检测区域内包括所述快递包裹内的待检测物品；分析模块，用于利用深度学习网络从多个待检测区域中分别确定多个目标处理区域，并采用贝叶斯判别算法分析所述多个目标处理区域，得到快递包裹识别结果，所述快递包裹识别结果用于指示所述待检测物品的属性；上传模块，若所述快递包裹识别结果中包括预置违禁品属性，则用于获取快递包裹的原始快递运输号，并将所述原始快递运输号上传至告警系统；拆分模块，用于根据预置号段信息将所述原始快递运输号拆分，获取与所述原始快递运输号相近号段的多个相近快递运输号，所述预置号段信息用于指示原始快递运输号中每个号段的代表信息；追踪及排查模块，用于在多个快递包裹物流信息中查找所述相近快递运输号，追踪并排查所述相近快递运输号的快递包裹，将所述排查结果上传至告警系统。

可选的，在本发明第二方面的第一种实现方式中，所述提取模块具体用于：获取快递包裹的X光光谱图片，利用区域推荐算法生成多个基础检测框；计算相邻两个基础检测框之间的初始相似度，并筛选出初始相似度的值大于合并阈值的多个基础相似度；将计算所述多个基础相似度的对应的基础检测框合并，得到目标感兴趣区域；将多个目标感兴趣区域作为待处理的区域，得到多个待检测区域，每个待检测区域内包括所述快递包裹内的待检测物品。

可选的，在本发明第二方面的第二种实现方式中，所述分析模块包括：映射单元，用于利用深度学习网络将多个待检测区域映射成多个特征图；划分单元，用于根据待检测物品的大小将所述多个特征图划分为大小相同的网格区域，得到多个单元网格；采样单元，用于将每个单元网格均分成四个均匀区域进行采样，并双线性内插算法对每个均匀区域进行池化，得到目标处理区域；分析单元，用于采用贝叶斯判别算法对所述目标处理区域进行分析，得到快递包裹识别结果，所述快递包裹识别结果用于指示所述待检测物品的属性。

可选的，在本发明第二方面的第三种实现方式中，所述分析单元具体用于：采用贝叶斯判别算法获取所述目标处理区域内的多个待检测物品的特征，得到多个目标特征；针对所述多个目标特征中的每个目标特征，根据预置贝叶斯公式计算每个目标特征与多个预置目标类别特征之间的多个相似概率，所述多个预置目标类别特征用于指示不同物品属性特征，所述相似概率为目标特征与预置标类别特征之间相同的几率；在多个相似概率中选取概率值最大的目标概率，并将计算目标概率的预置目标类别特征所对应的物品属性作为快递包裹识别结果。

可选的，在本发明第二方面的第四种实现方式中，所述上传模块包括：获取单元，若所述快递包裹识别结果中包括预置违禁品属性，则用于获取快递包裹的快递运输单；处理单元，用于利用预置检测算法对所述快递运输单进行灰度化处理，得到灰度图；二值化单元，用于二值化所述灰度图，得到处理图片；上传单元，用于在所述处理图片中提取所述快递包裹的原始快递运输号，并将所述原始快递运输号上传至告警系统。

可选的，在本发明第二方面的第五种实现方式中，所述上传单元具体用于：在所述处理图片中检测原始快递运输号的位置区域，得到多个字符文本框；在所述多个字符文本框中提取所有字符特征，并分别计算所有字符特征与预置字符特征之间的多个相似度，所述预置字符特征为提前设置在字符特征库中的字符特征集；当目标相似度大于标准阈值时，确定所述字符特征为对应预置字符特征，得到原始快递运输号，并将所述原始快递运输号上传至告警系统。

可选的，在本发明第二方面的第六种实现方式中，所述拆分模块具体用于：根据预置号段信息对所述原始快递运输号进行拆分，分别得到快递承运商号段、快递发送地号段以及快递包裹标号号段，所述预置号段信息用于指示原始快递运输号中每个号段的代表信息；获取与所述原始快递运输号的快递承运商号段以及快递发送地号段相同，且快递包裹标号号段不同的快递运输号，得到多个相近快递运输号。

本发明第三方面提供了一种违禁快递包裹的处理设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述违禁快递包裹的处理设备执行上述的违禁快递包裹的处理方法。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的违禁快递包裹的处理方法。

本发明提供的技术方案中，获取快递包裹的X光光谱图片，并利用区域推荐算法提取所述X光光谱图片中的多个感兴趣区域，得到多个待检测区域，每个待检测区域内包括所述快递包裹内的待检测物品；利用深度学习网络从多个待检测区域中分别确定多个目标处理区域，并采用贝叶斯判别算法分析所述多个目标处理区域，得到快递包裹识别结果，所述快递包裹识别结果用于指示所述待检测物品的属性；若所述快递包裹识别结果中包括预置违禁品属性，则获取快递包裹的原始快递运输号，并将所述原始快递运输号上传至告警系统；根据预置号段信息将所述原始快递运输号拆分，获取与所述原始快递运输号相近号段的多个相近快递运输号，所述预置号段信息用于指示原始快递运输号中每个号段的代表信息；在多个快递包裹物流信息中查找所述相近快递运输号，追踪并排查所述相近快递运输号的快递包裹，将所述排查结果上传至告警系统。本发明实施例中，利用贝叶斯判别算法对快递包裹的X光光谱图片进行分析，当快递包裹的识别结果与预置违禁品属性相同时，将该快递包裹的原始快递运输号上传至告警系统，并追踪与该原始快递运输号相近号段的相近快递运输号，及时排查相近快递运输号的快递包裹，这样的处理方式提高了快递包裹内包括违禁品的处理效率。

附图说明

图1为本发明实施例中违禁快递包裹的处理方法的一个实施例示意图；

图2为本发明实施例中违禁快递包裹的处理方法的另一个实施例示意图；

图3为本发明实施例中违禁快递包裹的处理装置的一个实施例示意图；

图4为本发明实施例中违禁快递包裹的处理装置的另一个实施例示意图；

图5为本发明实施例中违禁快递包裹的处理设备的一个实施例示意图。

具体实施方式

本发明实施例提供了一种违禁快递包裹的处理方法、装置、设备及存储介质，利用贝叶斯判别算法对快递包裹的X光光谱图片进行分析，当快递包裹的识别结果与预置违禁品属性相同时，将该快递包裹的原始快递运输号上传至告警系统，并追踪与该原始快递运输号相近号段的相近快递运输号，及时排查相近快递运输号的快递包裹，这样的处理方式提高了快递包裹内包括违禁品的处理效率。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中违禁快递包裹的处理方法的一个实施例包括：

101、获取快递包裹的X光光谱图片，并利用区域推荐算法提取X光光谱图片中的多个感兴趣区域，得到多个待检测区域，每个待检测区域内包括快递包裹内的待检测物品；

可以理解的是，本发明的执行主体可以为违禁快递包裹的处理装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。

服务器获取快递包裹的X光光谱图片，并利用区域推荐算法在X光光谱图片中提取包括快递包裹内的待检测物品的多个感兴趣区域，得到多个待检测区域。

需要说明的是，这里服务器是通过X射线安全检查设备获取到快递包裹的X光光谱图片的，X射线安全检查设备是借助于传送带将被检查的快递包裹送入履带式通道完成的。在快递包裹进入通道后，快递包裹将阻挡光障信号，当检测信号被送至控制单元时，X射线安全检查设备触发射线源发射X射线束，一束经过准直器的扇形X射线束穿透传送带上的快递包裹落到双能量探测器上，高效半导体探测器把接收到的X射线变为电信号，X射线安全检查设备将这些电流信号量化，最后通过通用串行总线传送到工业控制计算机作进一步处理，经过复杂的运算和成像处理后得到高质量的图像。

这里的区域推荐算法是可以将X光光谱图片中的带有待检测物品的区域提取出来的算法，其原理为根据X光光谱图片中不同区域的待检测物品，生成多个基础检测框，然后计算相邻两个基础检测框之间的相似度，当相似度大于预设的合并阈值，说明这两个相邻基础检测框之间的待检测物品相似，服务器可以将这两个相邻基础检测框进行合并，从而得到多个带有待检测物品的目标感兴趣区域。这样多次的检测与校正可以更好的勾勒出待检测物品的轮廓，得到由多个目标感兴趣区域构成的待处理区域。

102、利用深度学习网络从多个待检测区域中分别确定多个目标处理区域，并采用贝叶斯判别算法分析多个目标处理区域，得到快递包裹识别结果，快递包裹识别结果用于指示待检测物品的属性；

服务器利用深度学习网络从多个待检测区域中分别确定多个目标处理区域，并采用贝叶斯判别算法分析多个目标处理区域，得到用于指示待检测物品的属性的快递包裹识别结果。

服务器在获取到携带有待检测物品的多个待检测区域后，就需要对每个待检测区域中的待检测物品进行分析，首先服务器利用深度学习网络将待检测区域映射成特征图，然后对特征图进行池化处理，得到目标处理区域。这里的池化会对特征图进行压缩处理，一方面减少了特征图中的除待检测物品特征外的非必要特征，降低了后续操作的复杂度，另一方面也保持了待检测物品特征的某种不变性，其中，不变性包括：旋转、平移、伸缩等等，不仅去除了特征图中的冗杂信息，也保留了待检测物品特征的关键信息。

服务器利用贝叶斯判别算法对目标处理区域进行分析，分别计算待检测物品的特征与多个预置目标类别特征之间的多个相似概率，根据多个相似概率的数值判定待检测物品的属性，得到快递包裹的识别结果，这里的待检测物品的属性即为快递包裹中的物品的种类。此外，快递包裹的识别结果中包括至少一个待检测物品的属性，也就是说快递包裹的识别结果中包括识别出至少一个待检测物品的种类，本申请中不对快递包裹识别结果中识别出来的待检测物品的数量进行限定，但快递包裹识别结果中识别出来的待检测物品的数量与实际快递包裹内的物品数量相同。

103、若快递包裹识别结果中包括预置违禁品属性，则获取快递包裹的原始快递运输号，并将原始快递运输号上传至告警系统；

若快递包裹识别结果中包括预置违禁品属性，则服务器获取快递包裹的原始快递运输号，并将原始快递运输号上传至告警系统。

当服务器得到的快递包裹识别结果中有预置违禁品属性时，说明快递包裹内包装有违禁品，该快递包裹被视为不安全包裹，需要进行一系列的后续处理。需要说明的是，这里的预置违禁品属性是提前设置在X射线安全检查设备中的，预置违禁品属性包括但不限于：金砖、银条、现金、铂金、明代的瓷器、精致的玻璃制品、诊断样品、血样、尿样、人体组织、火柴、雷管、火药、爆竹、汽油、柴油、煤油、硫酸、盐酸、硝酸、有机溶剂、农药、砒霜、鸦片、吗啡、可卡因、武器、弹药、仿真武器、尸骨、未经硝制的兽皮、未经药制的兽骨等。一旦得到的快递包裹识别结果中包括预置违禁品属性，服务器立即获取该快递包裹的原始快递运输号，并将原始快递运输号上传至告警系统，这里的告警系统可以记录快递包裹识别结果中有预置违禁品属性的原始快递运输号，并可以发出告警信号用以示警。

104、根据预置号段信息将原始快递运输号拆分，获取与原始快递运输号相近号段的多个相近快递运输号，预置号段信息用于指示原始快递运输号中每个号段的代表信息；

服务器根据预置号段信息拆分原始快递运输号，获取多个与原始快递运输号相近号段的相近快递运输号，其中，预置号段信息用于指示原始快递运输号中每个号段的代表信息。

服务器利用预置号段信息将原始快递运输号进行拆分，这里的预置号段信息用于指示原始快递运输号中每个号段的代表信息，通过不同的代表信息将原始快递运输号分为几个不同的部分，服务器再根据不同的代表信息寻找与原始快递运输号相近号段的多个相近快递运输号，并对多个相近快递运输号的快递包裹进行排查。之所以获取与原始快递运输号相近号段的多个相近快递运输号，是因为违禁品可能是在同一地点同一批次进行打包邮寄出来的，排查与原始快递运输号相近号段的多个相近快递运输号可能快速且准确的查询到同样包裹着违禁物品的快递包裹。

105、在多个快递包裹物流信息中查找相近快递运输号，追踪并排查相近快递运输号的快递包裹，将排查结果上传至告警系统。

服务器在多个快递包裹物流信息中查找相近快递运输号，追踪并排查相近快递运输号的快递包裹，将排查结果上传至告警系统。

当服务器获取到与原始快递运输号相近号段的多个相近快递运输号后，在多个快递包裹物流信息中对这些相近快递运输号进行查询，并追踪这些相近快递运输号的快递包裹，记录下相近快递运输号的快递包裹的运输信息，并获取到相近快递运输号的快递包裹，对这些包裹进行排查，最后将排查的结果上传至告警系统，这里的排查过程与步骤101-102相同，故在此并不进行赘述。

本发明实施例中，利用贝叶斯判别算法对快递包裹的X光光谱图片进行分析，当快递包裹的识别结果与预置违禁品属性相同时，将该快递包裹的原始快递运输号上传至告警系统，并追踪与该原始快递运输号相近号段的相近快递运输号，及时排查相近快递运输号的快递包裹，这样的处理方式提高了快递包裹内包括违禁品的处理效率。

请参阅图2，本发明实施例中违禁快递包裹的处理方法的另一个实施例包括：

201、获取快递包裹的X光光谱图片，并利用区域推荐算法提取X光光谱图片中的多个感兴趣区域，得到多个待检测区域，每个待检测区域内包括快递包裹内的待检测物品；

服务器获取快递包裹的X光光谱图片，并利用区域推荐算法在X光光谱图片中提取包括快递包裹内的待检测物品的多个感兴趣区域，得到多个待检测区域，其中，每个待检测区域内包括快递包裹内的待检测物品。具体的：

服务器首先获取快递包裹的X光光谱图片，利用区域推荐算法生成多个基础检测框；其次服务器计算相邻两个基础检测框之间的初始相似度，并筛选出初始相似度的值大于合并阈值的多个基础相似度；然后服务器将计算多个基础相似度的对应的基础检测框合并，得到目标感兴趣区域；最后服务器将多个目标感兴趣区域作为待处理的区域，得到多个待检测区域，每个待检测区域内包括快递包裹内的待检测物品。

需要说明的是，这里服务器是通过X射线安全检查设备获取到快递包裹的X光光谱图片的，X射线安全检查设备是借助于传送带将被检查的快递包裹送入履带式通道完成的。在快递包裹进入通道后，快递包裹将阻挡光障信号，当检测信号被送至控制单元时，X射线安全检查设备触发射线源发射X射线束，一束经过准直器的扇形X射线束穿透传送带上的快递包裹落到双能量探测器上，高效半导体探测器把接收到的X射线变为电信号，X射线安全检查设备将这些电流信号量化，最后通过通用串行总线传送到工业控制计算机作进一步处理，经过复杂的运算和成像处理后得到高质量的图像。

这里的区域推荐算法是可以将X光光谱图片中的带有待检测物品的区域提取出来的算法，其原理为根据X光光谱图片中不同区域的待检测物品，生成多个基础检测框，然后计算相邻两个基础检测框之间的初始相似度，当初始相似度大于预设的合并阈值，说明这两个相邻基础检测框之间的待检测物品相似，或者两个相邻基础检测框中的待检测物品相同但两个相邻基础检测框的大小不同，服务器可以将这两个相邻基础检测框进行合并，从而得到多个带有待检测物品的目标感兴趣区域。这样多次的检测与校正可以更好的勾勒出待检测物品的轮廓，得到由多个目标感兴趣区域构成的待处理区域。

需要注意的是，当快递包裹中的待检测物品出现因放置的视点不同时，可能导致物体在X光图像下出现分歧样形状，甚至变形，X射线安全检查设备通过复原判断法，来待检测物品的形状。此外，当快递包裹中的待检测物品出现重叠的情况时，X射线安全检查设备可以通过对待检测物品进行层次色彩、形状的剖析，判别出待检测物品的原形。

202、利用深度学习网络从多个待检测区域中分别确定多个目标处理区域，并采用贝叶斯判别算法分析多个目标处理区域，得到快递包裹识别结果，快递包裹识别结果用于指示待检测物品的属性；

服务器利用深度学习网络从多个待检测区域中分别确定多个目标处理区域，并采用贝叶斯判别算法分析多个目标处理区域，得到用于指示待检测物品的属性的快递包裹识别结果。具体的：

服务器首先利用深度学习网络将多个待检测区域映射成多个特征图；其次服务器根据待检测物品的大小将多个特征图划分为大小相同的网格区域，得到多个单元网格；然后服务器将每个单元网格均分成四个均匀区域进行采样，并双线性内插算法对每个均匀区域进行池化，得到目标处理区域；最后服务器采用贝叶斯判别算法对目标处理区域进行分析，得到用于指示待检测物品的属性的快递包裹识别结果。

服务器在获取到携带有待检测物品的多个待检测区域后，就需要对每个待检测区域中的待检测物品进行分析，首先服务器利用深度学习网络将待检测区域映射成特征图，然后对特征图进行池化处理，得到目标处理区域。这里的池化会对特征图进行压缩处理，一方面减少了特征图中的除待检测物品特征外的非必要特征，降低了后续操作的复杂度，另一方面也保持了待检测物品特征的某种不变性，其中，不变性包括：旋转、平移、伸缩等等，不仅去除了特征图中的冗杂信息，也保留了待检测物品特征的关键信息。

服务器在处理特征图时，首先根据待检测物品的大小将特征图划分为大小相同的网格区域，如：已知特征图的大小为20.78×20.78待检测物品的大小为7×7，则将特征图划分成49个大小相同的网格区域，得到每个单元网格的大小为2.97×2.97，当服务器划分大小相同的单元网格之后，在每个单元网格中，服务器会对每个单元网格均分成四个均匀区域，并分别在四个均匀区域内进行采样，举例来讲：当服务器划分大小相同的单元网格之后，服务器会对每个2.97×2.97的特征图均分成四份，每一份取中心点的位置作为目标处理区域的特征点，而利用双线性内插算法计算出来四个中心点位置的像素，服务器取四个中心点位置的最大像素值作为为目标处理区域的像素值，即可得到49个像素值，由49个像素值对应的像素点构成了目标处理区域。

服务器采用贝叶斯判别算法对目标处理区域进行分析，得到用于指示待检测物品的属性的快递包裹识别结果。具体的：服务器首先采用贝叶斯判别算法获取目标处理区域内的多个待检测物品的特征，得到多个目标特征；然后服务器针对多个目标特征中的每个目标特征，根据预置贝叶斯公式计算每个目标特征与多个预置目标类别特征之间的多个相似概率，多个预置目标类别特征用于指示不同物品属性特征，相似概率为目标特征与预置标类别特征之间相同的几率；最后服务器在多个相似概率中选取概率值最大的目标概率，并将计算目标概率的预置目标类别特征所对应的物品属性作为快递包裹识别结果。

服务器利用贝叶斯判别算法对目标处理区域进行分析，分别计算待检测物品的特征与多个预置目标类别特征之间的多个相似概率，根据多个相似概率的数值判定待检测物品的属性，得到快递包裹的识别结果，这里的待检测物品的属性即为快递包裹中的物品的种类。此外，快递包裹的识别结果中包括至少一个待检测物品的属性，也就是说快递包裹的识别结果中包括识别出至少一个待检测物品的种类，本申请中不对快递包裹识别结果中识别出来的待检测物品的数量进行限定，但快递包裹识别结果中识别出来的待检测物品的数量与实际快递包裹内的物品数量相同。

203、若快递包裹识别结果中包括预置违禁品属性，则获取快递包裹的原始快递运输号，并将原始快递运输号上传至告警系统；

若快递包裹识别结果中包括预置违禁品属性，则服务器获取快递包裹的原始快递运输号，并将原始快递运输号上传至告警系统。具体的：

服务器首先快递包裹识别结果中包括预置违禁品属性，则获取快递包裹的快递运输单；其次服务器利用预置检测算法对快递运输单进行灰度化处理，得到灰度图；然后服务器二值化灰度图，得到处理图片；最后服务器在处理图片中提取快递包裹的原始快递运输号，并将原始快递运输号上传至告警系统。

当服务器在快递包裹识别结果中包括预置违禁品属性，则说明该快递包裹中存在违禁品，属于危险包裹，因此X射线安全检查设备需要获取到该快递包裹的快递运单号，掌握该快递包裹运输时经过哪些中转地以及最终的目的地，以便降低危险值，保证运输安全。服务器在获取快递包裹的快递运输号时，首先需要获取到快递包裹的快递运输单，快递运输单中的信息包括但不限于：收寄快递人姓名、地址及联系方式、快递包裹的运输号、快递包裹内物品属性。待服务器获取到快递包裹的运输单后，就可以利用预置检测算法对快递运输单上显示的字符进行识别，服务器需要先对快递运输单进行灰度化处理，从而得到灰度图，灰度化处理能够避免快递运输单的图像失真，然后服务器对灰度图进行二值化，得到处理图片二值化处理能够突显出字符的轮廓，便于字符的提取，最后服务器直接在处理图片中提取原始快递运输号即可。

服务器在处理图片中提取快递包裹的原始快递运输号，并将原始快递运输号上传至告警系统。具体的：服务器首先在处理图片中检测原始快递运输号的位置区域，得到多个字符文本框；然后服务器在多个字符文本框中提取所有字符特征，并分别计算所有字符特征与预置字符特征之间的多个相似度，预置字符特征为提前设置在字符特征库中的字符特征集；最后服务器当目标相似度大于标准阈值时，确定字符特征为对应预置字符特征，得到原始快递运输号，并将原始快递运输号上传至告警系统。

需要说明的是，每个快递运输单中的快递运输号均位于同一个位置上，服务器直接对固定位置上的多个字符进行提取即可得到快递运输号。服务器首先在固定区域检测原始快递运输号的位置，并在原始快递运输号的位置上对每个字符进行轮廓提取，得到多个字符文本框，这里的每个字符文本框中均包含一个字符，然后服务器在字符文本框中提取字符特征，并计算所有字符特征与预置字符特征之间的多个相似度，这里的预置字符特征为提前设置在字符特征库中的字符特征集，字符特征集包括数字、大小写字母、数学符号、文字等特征，字符特征与预置字符特征之间的相似度越高，说明字符特征与预置字符特征之间的契合度越高，当目标相似度大于标准阈值时，确定字符特征为对应的预置字符特征，将多个字符特征按顺序整合在一起即得到了全部原始快递运输号，最后直接将原始快递运输号上传至告警系统，告警系统用以进行示警。

204、根据预置号段信息对原始快递运输号进行拆分，分别得到快递承运商号段、快递发送地号段以及快递包裹标号号段，预置号段信息用于指示原始快递运输号中每个号段的代表信息；

服务器根据用于指示原始快递运输号中每个号段的代表信息的预置号段信息对原始快递运输号进行拆分，分别得到快递承运商号段、快递发送地号段以及快递包裹标号号段。

服务器利用预置号段信息将原始快递运输号进行拆分，这里的预置号段信息用于指示原始快递运输号中每个号段的代表信息，通过不同的代表信息将原始快递运输号分为几个不同的部分，这几个部分分别为快递承运商号段、快递发送地号段以及快递包裹标号号段。例如：已知原始快递运输号为：TD123456789，其中，TD代表快递承运商号段，12345代表快递发送地号段，12代表省，3代表市，4代表区，5代表县，6789代表快递包裹标号号段。当服务器识别出以上三个部分的快递号段信息之后，就会快速的查询到与原始快递运输号相近号段的多个相近快递运输号。

205、获取与原始快递运输号的快递承运商号段以及快递发送地号段相同，且快递包裹标号号段不同的快递运输号，得到多个相近快递运输号；

服务器获取与原始快递运输号的快递承运商号段以及快递发送地号段相同，且快递包裹标号号段不同的快递运输号，得到多个相近快递运输号。

服务器再根据不同的代表信息寻找与原始快递运输号相近号段的多个相近快递运输号，并对多个相近快递运输号的快递包裹进行排查。举例说明：已知原始快递运输号为：TD123456789，则该原始快递运输号的多个相近快递运输号为：TD123456000-TD123456700，多个相近快递运输号中的快递承运商号段以及快递发送地号段与快递运输号中的相同，仅有快递包裹标号号段与原始快递运输号的快递包裹标号号段不同。之所以获取与原始快递运输号相近号段的多个相近快递运输号，是因为违禁品可能是在同一地点同一批次进行打包邮寄出来的，排查与原始快递运输号相近号段的多个相近快递运输号可能快速且准确的查询到同样包裹着违禁物品的快递包裹。

206、在多个快递包裹物流信息中查找相近快递运输号，追踪并排查相近快递运输号的快递包裹，将排查结果上传至告警系统。

服务器在多个快递包裹物流信息中查找相近快递运输号，追踪并排查相近快递运输号的快递包裹，将排查结果上传至告警系统。

当服务器获取到与原始快递运输号相近号段的多个相近快递运输号后，在多个快递包裹物流信息中对这些相近快递运输号进行查询，并追踪这些相近快递运输号的快递包裹，记录下相近快递运输号的快递包裹的运输信息，并获取到相近快递运输号的快递包裹，对这些包裹进行排查，最后将排查的结果上传至告警系统，这里的排查过程与步骤201-202相同，故在此并不进行赘述。

本发明实施例中，利用贝叶斯判别算法对快递包裹的X光光谱图片进行分析，当快递包裹的识别结果与预置违禁品属性相同时，将该快递包裹的原始快递运输号上传至告警系统，并追踪与该原始快递运输号相近号段的相近快递运输号，及时排查相近快递运输号的快递包裹，这样的处理方式提高了快递包裹内包括违禁品的处理效率。

上面对本发明实施例中违禁快递包裹的处理方法进行了描述，下面对本发明实施例中违禁快递包裹的处理装置进行描述，请参阅图3，本发明实施例中违禁快递包裹的处理装置一个实施例包括：

提取模块301，用于获取快递包裹的X光光谱图片，并利用区域推荐算法提取所述X光光谱图片中的多个感兴趣区域，得到多个待检测区域，每个待检测区域内包括所述快递包裹内的待检测物品；

分析模块302，用于利用深度学习网络从多个待检测区域中分别确定多个目标处理区域，并采用贝叶斯判别算法分析所述多个目标处理区域，得到快递包裹识别结果，所述快递包裹识别结果用于指示所述待检测物品的属性；

上传模块303，若所述快递包裹识别结果中包括预置违禁品属性，则用于获取快递包裹的原始快递运输号，并将所述原始快递运输号上传至告警系统；

拆分模块304，用于根据预置号段信息将所述原始快递运输号拆分，获取与所述原始快递运输号相近号段的多个相近快递运输号，所述预置号段信息用于指示原始快递运输号中每个号段的代表信息；

追踪及排查模块305，用于在多个快递包裹物流信息中查找所述相近快递运输号，追踪并排查所述相近快递运输号的快递包裹，将所述排查结果上传至告警系统。

本发明实施例中，利用贝叶斯判别算法对快递包裹的X光光谱图片进行分析，当快递包裹的识别结果与预置违禁品属性相同时，将该快递包裹的原始快递运输号上传至告警系统，并追踪与该原始快递运输号相近号段的相近快递运输号，及时排查相近快递运输号的快递包裹，这样的处理方式提高了快递包裹内包括违禁品的处理效率。

请参阅图4，本发明实施例中违禁快递包裹的处理装置的另一个实施例包括：

提取模块301，用于获取快递包裹的X光光谱图片，并利用区域推荐算法提取所述X光光谱图片中的多个感兴趣区域，得到多个待检测区域，每个待检测区域内包括所述快递包裹内的待检测物品；

分析模块302，用于利用深度学习网络从多个待检测区域中分别确定多个目标处理区域，并采用贝叶斯判别算法分析所述多个目标处理区域，得到快递包裹识别结果，所述快递包裹识别结果用于指示所述待检测物品的属性；

上传模块303，若所述快递包裹识别结果中包括预置违禁品属性，则用于获取快递包裹的原始快递运输号，并将所述原始快递运输号上传至告警系统；

拆分模块304，用于根据预置号段信息将所述原始快递运输号拆分，获取与所述原始快递运输号相近号段的多个相近快递运输号，所述预置号段信息用于指示原始快递运输号中每个号段的代表信息；

追踪及排查模块305，用于在多个快递包裹物流信息中查找所述相近快递运输号，追踪并排查所述相近快递运输号的快递包裹，将所述排查结果上传至告警系统。

可选的，提取模块301还可以具体用于：

获取快递包裹的X光光谱图片，利用区域推荐算法生成多个基础检测框；

计算相邻两个基础检测框之间的初始相似度，并筛选出初始相似度的值大于合并阈值的多个基础相似度；

将计算所述多个基础相似度的对应的基础检测框合并，得到目标感兴趣区域；

将多个目标感兴趣区域作为待处理的区域，得到多个待检测区域，每个待检测区域内包括所述快递包裹内的待检测物品。

可选的，分析模块302包括：

映射单元3021，用于利用深度学习网络将多个待检测区域映射成多个特征图；

划分单元3022，用于根据待检测物品的大小将所述多个特征图划分为大小相同的网格区域，得到多个单元网格；

采样单元3023，用于将每个单元网格均分成四个均匀区域进行采样，并双线性内插算法对每个均匀区域进行池化，得到目标处理区域；

分析单元3024，用于采用贝叶斯判别算法对所述目标处理区域进行分析，得到快递包裹识别结果，所述快递包裹识别结果用于指示所述待检测物品的属性。

可选的，分析单元3024还可以具体用于：

采用贝叶斯判别算法获取所述目标处理区域内的多个待检测物品的特征，得到多个目标特征；

针对所述多个目标特征中的每个目标特征，根据预置贝叶斯公式计算每个目标特征与多个预置目标类别特征之间的多个相似概率，所述多个预置目标类别特征用于指示不同物品属性特征，所述相似概率为目标特征与预置标类别特征之间相同的几率；

在多个相似概率中选取概率值最大的目标概率，并将计算目标概率的预置目标类别特征所对应的物品属性作为快递包裹识别结果。

可选的，上传模块303包括：

获取单元3031，若所述快递包裹识别结果中包括预置违禁品属性，则用于获取快递包裹的快递运输单；

处理单元3032，用于利用预置检测算法对所述快递运输单进行灰度化处理，得到灰度图；

二值化单元3033，用于二值化所述灰度图，得到处理图片；

上传单元3034，用于在所述处理图片中提取所述快递包裹的原始快递运输号，并将所述原始快递运输号上传至告警系统。

可选的，上传单元3034还可以具体用于：

在所述处理图片中检测原始快递运输号的位置区域，得到多个字符文本框；

在所述多个字符文本框中提取所有字符特征，并分别计算所有字符特征与预置字符特征之间的多个相似度，所述预置字符特征为提前设置在字符特征库中的字符特征集；

当目标相似度大于标准阈值时，确定所述字符特征为对应预置字符特征，得到原始快递运输号，并将所述原始快递运输号上传至告警系统。

可选的，拆分模块304还可以具体用于：

根据预置号段信息对所述原始快递运输号进行拆分，分别得到快递承运商号段、快递发送地号段以及快递包裹标号号段，所述预置号段信息用于指示原始快递运输号中每个号段的代表信息；

获取与所述原始快递运输号的快递承运商号段以及快递发送地号段相同，且快递包裹标号号段不同的快递运输号，得到多个相近快递运输号。

本发明实施例中，利用贝叶斯判别算法对快递包裹的X光光谱图片进行分析，当快递包裹的识别结果与预置违禁品属性相同时，将该快递包裹的原始快递运输号上传至告警系统，并追踪与该原始快递运输号相近号段的相近快递运输号，及时排查相近快递运输号的快递包裹，这样的处理方式提高了快递包裹内包括违禁品的处理效率。

上面图3和图4从模块化功能实体的角度对本发明实施例中的违禁快递包裹的处理装置进行详细描述，下面从硬件处理的角度对本发明实施例中违禁快递包裹的处理设备进行详细描述。

图5是本发明实施例提供的一种违禁快递包裹的处理设备的结构示意图，该违禁快递包裹的处理设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对违禁快递包裹的处理设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在违禁快递包裹的处理设备500上执行存储介质530中的一系列指令操作。

违禁快递包裹的处理设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的违禁快递包裹的处理设备结构并不构成对违禁快递包裹的处理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述违禁快递包裹的处理方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元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全部或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(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种违禁快递包裹的处理方法，其特征在于，所述违禁快递包裹的处理方法包括：

获取快递包裹的X光光谱图片，并利用区域推荐算法提取所述X光光谱图片中的多个感兴趣区域，得到多个待检测区域，每个待检测区域内包括所述快递包裹内的待检测物品；

利用深度学习网络从多个待检测区域中分别确定多个目标处理区域，并采用贝叶斯判别算法分析所述多个目标处理区域，得到快递包裹识别结果，所述快递包裹识别结果用于指示所述待检测物品的属性；

若所述快递包裹识别结果中包括预置违禁品属性，则获取快递包裹的原始快递运输号，并将所述原始快递运输号上传至告警系统；

根据预置号段信息将所述原始快递运输号拆分，获取与所述原始快递运输号相近号段的多个相近快递运输号，所述预置号段信息用于指示原始快递运输号中每个号段的代表信息；

在多个快递包裹物流信息中查找所述相近快递运输号，追踪并排查所述相近快递运输号的快递包裹，将所述排查结果上传至告警系统。

2.根据权利要求1所述的违禁快递包裹的处理方法，其特征在于，所述获取快递包裹的X光光谱图片，并利用区域推荐算法提取所述X光光谱图片中的多个感兴趣区域，得到多个待检测区域，每个待检测区域内包括所述快递包裹内的待检测物品包括：

获取快递包裹的X光光谱图片，利用区域推荐算法生成多个基础检测框；

计算相邻两个基础检测框之间的初始相似度，并筛选出初始相似度的值大于合并阈值的多个基础相似度；

将计算所述多个基础相似度的对应的基础检测框合并，得到目标感兴趣区域；

将多个目标感兴趣区域作为待处理的区域，得到多个待检测区域，每个待检测区域内包括所述快递包裹内的待检测物品。

3.根据权利要求2所述的违禁快递包裹的处理方法，其特征在于，所述利用深度学习网络从多个待检测区域中分别确定多个目标处理区域，并采用贝叶斯判别算法分析所述多个目标处理区域，得到快递包裹识别结果，所述快递包裹识别结果用于指示所述待检测物品的属性包括：

利用深度学习网络将多个待检测区域映射成多个特征图；

根据待检测物品的大小将所述多个特征图划分为大小相同的网格区域，得到多个单元网格；

将每个单元网格均分成四个均匀区域进行采样，并双线性内插算法对每个均匀区域进行池化，得到目标处理区域；

采用贝叶斯判别算法对所述目标处理区域进行分析，得到快递包裹识别结果，所述快递包裹识别结果用于指示所述待检测物品的属性。

4.根据权利要求3所述的违禁快递包裹的处理方法，其特征在于，所述采用贝叶斯判别算法对所述目标处理区域进行分析，得到快递包裹识别结果，所述快递包裹识别结果用于指示所述待检测物品的属性包括：

采用贝叶斯判别算法获取所述目标处理区域内的多个待检测物品的特征，得到多个目标特征；

针对所述多个目标特征中的每个目标特征，根据预置贝叶斯公式计算每个目标特征与多个预置目标类别特征之间的多个相似概率，所述多个预置目标类别特征用于指示不同物品属性特征，所述相似概率为目标特征与预置标类别特征之间相同的几率；

在多个相似概率中选取概率值最大的目标概率，并将计算目标概率的预置目标类别特征所对应的物品属性作为快递包裹识别结果。

5.根据权利要求1所述的违禁快递包裹的处理方法，其特征在于，所述若所述快递包裹识别结果中包括预置违禁品属性，则获取快递包裹的原始快递运输号，并将所述原始快递运输号上传至告警系统包括：

若所述快递包裹识别结果中包括预置违禁品属性，则获取快递包裹的快递运输单；

利用预置检测算法对所述快递运输单进行灰度化处理，得到灰度图；

二值化所述灰度图，得到处理图片；

在所述处理图片中提取所述快递包裹的原始快递运输号，并将所述原始快递运输号上传至告警系统。

6.根据权利要求5所述的违禁快递包裹的处理方法，其特征在于，所述在所述处理图片中提取所述快递包裹的原始快递运输号，并将所述原始快递运输号上传至告警系统包括：

在所述处理图片中检测原始快递运输号的位置区域，得到多个字符文本框；

在所述多个字符文本框中提取所有字符特征，并分别计算所有字符特征与预置字符特征之间的多个相似度，所述预置字符特征为提前设置在字符特征库中的字符特征集；

当目标相似度大于标准阈值时，确定所述字符特征为对应预置字符特征，得到原始快递运输号，并将所述原始快递运输号上传至告警系统。

7.根据权利要求1所述的违禁快递包裹的处理方法，其特征在于，所述根据预置号段信息将所述原始快递运输号拆分，获取与所述原始快递运输号相近号段的多个相近快递运输号，所述预置号段信息用于指示原始快递运输号中每个号段的代表信息包括：

根据预置号段信息对所述原始快递运输号进行拆分，分别得到快递承运商号段、快递发送地号段以及快递包裹标号号段，所述预置号段信息用于指示原始快递运输号中每个号段的代表信息；

获取与所述原始快递运输号的快递承运商号段以及快递发送地号段相同，且快递包裹标号号段不同的快递运输号，得到多个相近快递运输号。

8.一种违禁快递包裹的处理装置，其特征在于，所述违禁快递包裹的处理装置包括：

提取模块，用于获取快递包裹的X光光谱图片，并利用区域推荐算法提取所述X光光谱图片中的多个感兴趣区域，得到多个待检测区域，每个待检测区域内包括所述快递包裹内的待检测物品；

分析模块，用于利用深度学习网络从多个待检测区域中分别确定多个目标处理区域，并采用贝叶斯判别算法分析所述多个目标处理区域，得到快递包裹识别结果，所述快递包裹识别结果用于指示所述待检测物品的属性；

上传模块，若所述快递包裹识别结果中包括预置违禁品属性，则用于获取快递包裹的原始快递运输号，并将所述原始快递运输号上传至告警系统；

拆分模块，用于根据预置号段信息将所述原始快递运输号拆分，获取与所述原始快递运输号相近号段的多个相近快递运输号，所述预置号段信息用于指示原始快递运输号中每个号段的代表信息；

追踪及排查模块，用于在多个快递包裹物流信息中查找所述相近快递运输号，追踪并排查所述相近快递运输号的快递包裹，将所述排查结果上传至告警系统。

9.一种违禁快递包裹的处理设备，其特征在于，所述违禁快递包裹的处理设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述违禁快递包裹的处理设备执行如权利要求1-7中任意一项所述的违禁快递包裹的处理方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述违禁快递包裹的处理方法。

Images