CN111429410A - 一种基于深度学习的物体x射线图像材质判别系统及方法 - Google Patents
一种基于深度学习的物体x射线图像材质判别系统及方法 Download PDFInfo
- Publication number
- CN111429410A CN111429410A CN202010178023.7A CN202010178023A CN111429410A CN 111429410 A CN111429410 A CN 111429410A CN 202010178023 A CN202010178023 A CN 202010178023A CN 111429410 A CN111429410 A CN 111429410A
- Authority
- CN
- China
- Prior art keywords
- image
- ray
- ray image
- view
- network
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G01N23/02—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 by transmitting the radiation through the material
- G01N23/04—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 by transmitting the radiation through the material and forming images of the material
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种基于深度学习的物体X射线图像材质判别系统及方法,包括包括X射线管、增感屏、数字CCD相机、旋转平台、蓝牙收发器和PC端,其中,X射线管对放置在旋转平台上的物体进行X射线照射,透过物体的X射线照射到增感屏上,再通过数字CCD相机采集增感屏上的透视图像,并传输到PC端,PC端通过蓝牙收发器控制旋转平台旋转。本发明实现对物体的多角度X射线图像拍照并对其进行去噪增强处理,引入深度学习,将物体材质属性与物体的正视X射线图像和侧视X射线图像关联并创建数据集训练强化判别网络,能够进行小件物品的材质判别,具有判别精度高、判别速度快等特点。
Description
技术领域
本发明属于神经网络领域,特别涉及一种基于深度学习的物体X射线图像材质判别系统及方法。
背景技术
自从X射线被人们发现以来,由于他的穿透性,荧光作用被广泛用于医学影像,安防监控,工业检测等领域,目前国内数字化X射线成像技术研究还不够深入,而且由于X射线的成像原理,目前的X光图像采集系统都有体积大,耗能高,价格高昂等缺陷,在一些领域的推广使用也受到了这些缺陷的影响。
由于数字化成像技术具有空间分辨率好,动态范围大、检测效率高、易于保存、数字图像处理技术功能强大等优点,且数字化成像技术始于90年代末,技术还不是很成熟,应用也不是很广泛,使其成为X射线成像领域的研究重点。
在X射线图像的材质判别领域有不少成熟的技术,主要有双能X射线检测技术和断层重建法。双能X射线检测技术是采用两个能级的射线束对物体进行透射,同一个物体的密度和厚度相同,但在不同能级的X射线能量透射下,X射线的衰减程度不同,将两个能级的衰减系数做对比处理,从而可以得到只与物质的原子序数相关的物质属性,其广泛应用于安全检测领域的安检机。断层重建法需要对足够多的视角下的X射线图像进行分析,获得物体的断层面图像,从而将物质的密度与物体的断层面进行关联,其广泛应用于医学检测的CT机。但是,无论是安检机还是CT机,其都具有体积大、重量大和成本高等不利特点。
发明内容
有鉴于此,本发明提供了一种基于深度学习的物体X射线图像材质判别系统,包括X射线管、增感屏、数字CCD相机、旋转平台、蓝牙收发器和PC端,其中,
所述X射线管对放置在旋转平台上的物体进行X射线照射,透过物体的X射线照射到增感屏上,再通过数字CCD相机采集增感屏上的透视图像,并传输到PC端,PC端通过蓝牙收发器控制旋转平台旋转。
优选地,所述X射线管为小型化阳极共地发射管,包括不锈钢外壳和内灌的绝缘油。
优选地,所述旋转平台包括电机,电机将旋转平台旋转。
基于上述目的,本发明还提供了一种基于深度学习的物体X射线图像材质判别方法,包括以下步骤:
S10,搭建物体旋转成像平台,使用CCD数字相机采集增感屏上物体的X射线透视图像,并传输至PC端上进行显示;
S20,PC端通过蓝牙控制旋转平台旋转,获取物体的正视X射线图像和侧视X射线图像;
S30,对获取的X射线图像进行前期的预处理;
S40,将处理后的图像裁剪掉平台影像,然后卷积提取出特征信息并整合到一起,再经过网络的全连接层将密度信息与材质类别做关联;
S50,扩大训练集样本,提高训练的准确率,保存训练网络并用于测试集。
优选地,所述S20中,预处理包括图像去噪和图像增强。
优选地,所述旋转平台每次旋转45°。
优选地,所述S40中卷积提取出特征信息并整合到一起,再经过网络的全连接层将密度信息与材质类别做关联,包括以下步骤:
S41,加载前期预处理后的物品正视X射线图像和侧视X射线图像,其中图像的分辨率大小为3*576*720;
S42,将加载好的图片进行[0,0,720,430]的范围裁剪,其中[x,y,x1,y1]的[x,y]为裁剪图像像素点位置的左上角,[x1,y1]为裁剪图像像素点位置的右下角;
S43,将裁剪好的图片经过多次卷积池化后提取出图像的像素点灰度特征值,采用ReLU激活函数,剔除计算过程中错误的负值,提取后特征值尺寸大小为1*15*25;
S44,将正视图和侧视图的特征值进行整合,整合后的特征值的数值尺寸大小为2*15*25,将其按层分解,每一层的数值尺寸大小为2*25,共15层,然后接入第一个全连接层,每一层输出25*25的密度信息特征值,将15层输出叠加得到25*25*15的密度信息特征值,再接入第二个全连接层,最终网络输出2*1的分类尺寸,记为x[0]和x[1],比较两值来判别更趋近于哪一类材质。
优选地,所述S50中使用torch.save()保存判别网络并用于测试集。
有益效果:本发明能够实现对物体的多角度X射线图像拍照并对其进行去噪增强处理。引入深度学习,将物体材质属性与物体的正视X射线图像和侧视X射线图像关联并创建数据集训练强化判别网络,能够进行小件物品的材质判别,具有判别精度高、判别速度快等特点。
采用600组不同形状的ABS塑料玩具和不同形状的松木玩具作为训练集,并额外设立50组的测试集。当训练集超过400组时,其对于测试集的材质判别全部正确。而且,由于测试集是直接采用训练好的网络进行训练,其判别速度达到了0.1s级别。
附图说明
图1为本发明实施例基于深度学习的物体X射线图像材质判别系统的结构框图;
图2为本发明实施例基于深度学习的物体X射线图像材质判别方法的步骤流程图;
图3为本发明实施例基于深度学习的物体X射线图像材质判别方法的S20-S30步骤流程图;
图4为本发明实施例基于深度学习的物体X射线图像材质判别方法的S40步骤流程图。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
系统实施例参见图1,包括X射线管10、增感屏20、数字CCD相机30、旋转平台40、蓝牙收发器50和PC端60,其中,
X射线管10对放置在旋转平台40上的物体70进行X射线照射,透过物体70的X射线照射到增感屏20上,再通过数字CCD相机30采集增感屏20上的透视图像,并传输到PC端60,PC端60通过蓝牙收发器50控制旋转平台40旋转。
具体实施例中
X射线管10为小型化阳极共地发射管,包括不锈钢外壳和内灌的绝缘油,阳极电压为50kv,阳极电流1mA,最大功率50w。
旋转平台40包括电机,电机将旋转平台40旋转。
数字CCD相机30可选用HL9060型号黑白高清CCD相机,像素为720*576,最低照度为0.0001Lux,工作电压为12V。增感屏20可选用CsITI材料制作的单晶增感屏20,分辨率≥61p/mm,增感倍率>100。
X射线管10发射X射线穿过旋转平台40上所放置的物体70,经过衰减后在增感屏20形成荧光图像,由数字CCD相机30拍摄并传输到PC端60完成一次图像采集过程。通过转动旋转平台40实现物体70角度的变化,PC端60负责整个系统的控制,控制整个系统完成所需要的一组物体70多角度图像的采集。PC端60与旋转平台40通过蓝牙收发器50通信。
方法实施例1
参见图2,本发明还提供了一种基于深度学习的物体X射线图像材质判别的方法,包括以下步骤:
S10,搭建物体旋转成像平台,使用CCD数字相机采集增感屏上物体的X射线透视图像,并传输至PC端上进行显示;
S20,PC端通过蓝牙控制旋转平台旋转,获取物体的正视X射线图像和侧视X射线图像;
S30,对获取的X射线图像进行前期的预处理;
S40,将处理后的图像裁剪掉平台影像,然后卷积提取出特征信息并整合到一起,再经过网络的全连接层将密度信息与材质类别做关联;
S50,扩大训练集样本,提高训练的准确率,保存训练网络并用于测试集。
方法实施例2
S20中,预处理包括图像去噪和图像增强。旋转平台每次旋转45°。
参见图3,步骤流程如下:
S21,对采集的X射线图像进行显示;
S31,进行图像去噪;
S32,进行图像增强;
S33,进行图像保存;
S22,向旋转平台发送旋转指令,再继续S21采集X射线图像-S33进行图像保存,直至将物体的正视和侧视图采集处理完毕。
方法实施例3
参见图4,为材质判别网络图,S40中卷积提取出特征信息并整合到一起,再经过网络的全连接层将密度信息与材质类别做关联,包括以下步骤:
S41,加载前期预处理后的物品正视X射线图像和侧视X射线图像,其中图像的分辨率大小为3*576*720;
S42,将加载好的图片进行[0,0,720,430]的范围裁剪,其中[x,y,x1,y1]的[x,y]为裁剪图像像素点位置的左上角,[x1,y1]为裁剪图像像素点位置的右下角;
S43,将裁剪好的图片经过多次卷积池化后提取出图像的像素点灰度特征值,采用ReLU激活函数,剔除计算过程中错误的负值,提取后特征值尺寸大小为1*15*25;
S44,将正视图和侧视图的特征值进行整合,整合后的特征值的数值尺寸大小为2*15*25,将其按层分解,每一层的数值尺寸大小为2*25,共15层,然后接入第一个全连接层,每一层输出25*25的密度信息特征值,将15层输出叠加得到25*25*15的密度信息特征值,再接入第二个全连接层,最终网络输出2*1的分类尺寸,记为x[0]和x[1],比较两值来判别更趋近于哪一类材质。
S50中使用torch.save()保存判别网络并用于测试集。
本发明提供一个旋转平台和其对应X射线图像采集处理,两者通过蓝牙和数字CCD相机数据线相连,蓝牙控制电机使旋转平台旋转,从而使物体旋转到不同角度,数字CCD相机数据线传输X射线图像至PC端界面,从而进行后续处理。处理后的图像通过pytorch框架下的深度学习软件进行判别。判别步骤为:
a、获取判别物体的X射线正视图和X射线侧视图;
b、图像进行前期的图像去噪和图像增强预处理;
c、对图像进行裁剪,消除平台影像对判别结果的影响;
d、卷积提取出物体X射线正视图灰度特征值n*m和物体X射线侧视图灰度特征值n*m,其中n*m为数值尺寸大小;
e、将两个图像的灰度特征值整合并按层分解为n层,每层数值尺寸大小为2*m,然后将每一层接入第一个全连接层并叠加,最后对应出物体的内部密度信息特征值m*m*n,其中m*m*n为数值尺寸大小;
f、将物体的内部密度信息特征值通过第二个全连接层对应出物品更趋近于哪一种材质;
g、扩大训练集,提高网络判别准确率,保存判别网络并应用于测试集。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于深度学习的物体X射线图像材质判别系统,其特征在于,包括X射线管、增感屏、数字CCD相机、旋转平台、蓝牙收发器和PC端,其中,
所述X射线管对放置在旋转平台上的物体进行X射线照射,透过物体的X射线照射到增感屏上,再通过数字CCD相机采集增感屏上的透视图像,并传输到PC端,PC端通过蓝牙收发器控制旋转平台旋转。
2.根据权利要求1所述的系统,其特征在于,所述X射线管为小型化阳极共地发射管,包括不锈钢外壳和内灌的绝缘油。
3.根据权利要求1所述的系统,其特征在于,所述旋转平台包括电机,电机将旋转平台旋转。
4.一种权利要求1-3之一所述的系统的方法,其特征在于,包括以下步骤:
S10,搭建物体旋转成像平台,使用CCD数字相机采集增感屏上物体的X射线透视图像,并传输至PC端上进行显示;
S20,PC端通过蓝牙控制旋转平台旋转,获取物体的正视X射线图像和侧视X射线图像;
S30,对获取的X射线图像进行前期的预处理;
S40,将处理后的图像裁剪掉平台影像,然后卷积提取出特征信息并整合到一起,再经过网络的全连接层将密度信息与材质类别做关联;
S50,扩大训练集样本,提高训练的准确率,保存训练网络并用于测试集。
5.根据权利要求4所述的方法,其特征在于,所述S20中,预处理包括图像去噪和图像增强。
6.根据权利要求4所述的方法,其特征在于,所述旋转平台每次旋转45°。
7.根据权利要求4所述的方法,其特征在于,所述S40中卷积提取出特征信息并整合到一起,再经过网络的全连接层将密度信息与材质类别做关联,包括以下步骤:
S41,加载前期预处理后的物品正视X射线图像和侧视X射线图像,其中图像的分辨率大小为3*576*720;
S42,将加载好的图片进行[0,0,720,430]的范围裁剪,其中[x,y,x1,y1]的[x,y]为裁剪图像像素点位置的左上角,[x1,y1]为裁剪图像像素点位置的右下角;
S43,将裁剪好的图片经过多次卷积池化后提取出图像的像素点灰度特征值,采用ReLU激活函数,剔除计算过程中错误的负值,提取后特征值尺寸大小为1*15*25;
S44,将正视图和侧视图的特征值进行整合,整合后的特征值的数值尺寸大小为2*15*25,将其按层分解,每一层的数值尺寸大小为2*25,共15层,然后接入第一个全连接层,每一层输出25*25的密度信息特征值,将15层输出叠加得到25*25*15的密度信息特征值,再接入第二个全连接层,最终网络输出2*1的分类尺寸,记为x[0]和x[1],比较两值来判别更趋近于哪一类材质。
8.根据权利要求4所述的方法,其特征在于,所述S50中使用torch.save()保存判别网络并用于测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010178023.7A CN111429410B (zh) | 2020-03-13 | 2020-03-13 | 一种基于深度学习的物体x射线图像材质判别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010178023.7A CN111429410B (zh) | 2020-03-13 | 2020-03-13 | 一种基于深度学习的物体x射线图像材质判别系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111429410A true CN111429410A (zh) | 2020-07-17 |
CN111429410B CN111429410B (zh) | 2023-09-01 |
Family
ID=71553453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010178023.7A Active CN111429410B (zh) | 2020-03-13 | 2020-03-13 | 一种基于深度学习的物体x射线图像材质判别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111429410B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040247082A1 (en) * | 2003-06-05 | 2004-12-09 | Ge Medical Systems Global Technology Company, Llc | Ct imaging system with multiple peak x-ray source |
JP2009142382A (ja) * | 2007-12-12 | 2009-07-02 | Icat:Kk | X線ct装置 |
US20150164447A1 (en) * | 2013-12-17 | 2015-06-18 | General Electric Company | Method and system for integrated medical transport backboard digital x-ray imaging detector |
CN104751464A (zh) * | 2015-03-30 | 2015-07-01 | 山东大学 | 基于相机光源阵列模式的真实感材质测量装置及方法 |
CN105824186A (zh) * | 2016-05-05 | 2016-08-03 | 杭州电子科技大学 | 一种物体三维透视成像方法和系统 |
CN107392234A (zh) * | 2017-07-05 | 2017-11-24 | 北京航空航天大学 | 一种基于单张4d光场图像的物体表面材质类型识别方法 |
CN107437094A (zh) * | 2017-07-12 | 2017-12-05 | 北京木业邦科技有限公司 | 基于机器学习的木板分拣方法及系统 |
CN108896494A (zh) * | 2018-05-04 | 2018-11-27 | 中国科学院遥感与数字地球研究所 | 一种基于光谱和深度学习的物体识别仪 |
CN109358074A (zh) * | 2018-08-28 | 2019-02-19 | 盐城华科智造数据科技有限公司 | 透明材质内部缺陷的检测装置及其检测方法 |
US20190065884A1 (en) * | 2017-08-22 | 2019-02-28 | Boe Technology Group Co., Ltd. | Training method and device of neural network for medical image processing, and medical image processing method and device |
CN109946746A (zh) * | 2019-03-21 | 2019-06-28 | 长安大学 | 一种基于深度神经网络的安检系统及方法 |
WO2019144575A1 (zh) * | 2018-01-24 | 2019-08-01 | 中山大学 | 一种快速行人检测方法及装置 |
CN110133739A (zh) * | 2019-04-04 | 2019-08-16 | 南京全设智能科技有限公司 | 一种x射线安检设备及其自动识图方法 |
JP2020014799A (ja) * | 2018-07-27 | 2020-01-30 | コニカミノルタ株式会社 | X線画像物体認識システム |
-
2020
- 2020-03-13 CN CN202010178023.7A patent/CN111429410B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040247082A1 (en) * | 2003-06-05 | 2004-12-09 | Ge Medical Systems Global Technology Company, Llc | Ct imaging system with multiple peak x-ray source |
JP2009142382A (ja) * | 2007-12-12 | 2009-07-02 | Icat:Kk | X線ct装置 |
US20150164447A1 (en) * | 2013-12-17 | 2015-06-18 | General Electric Company | Method and system for integrated medical transport backboard digital x-ray imaging detector |
CN104751464A (zh) * | 2015-03-30 | 2015-07-01 | 山东大学 | 基于相机光源阵列模式的真实感材质测量装置及方法 |
CN105824186A (zh) * | 2016-05-05 | 2016-08-03 | 杭州电子科技大学 | 一种物体三维透视成像方法和系统 |
CN107392234A (zh) * | 2017-07-05 | 2017-11-24 | 北京航空航天大学 | 一种基于单张4d光场图像的物体表面材质类型识别方法 |
CN107437094A (zh) * | 2017-07-12 | 2017-12-05 | 北京木业邦科技有限公司 | 基于机器学习的木板分拣方法及系统 |
US20190065884A1 (en) * | 2017-08-22 | 2019-02-28 | Boe Technology Group Co., Ltd. | Training method and device of neural network for medical image processing, and medical image processing method and device |
WO2019144575A1 (zh) * | 2018-01-24 | 2019-08-01 | 中山大学 | 一种快速行人检测方法及装置 |
CN108896494A (zh) * | 2018-05-04 | 2018-11-27 | 中国科学院遥感与数字地球研究所 | 一种基于光谱和深度学习的物体识别仪 |
JP2020014799A (ja) * | 2018-07-27 | 2020-01-30 | コニカミノルタ株式会社 | X線画像物体認識システム |
CN109358074A (zh) * | 2018-08-28 | 2019-02-19 | 盐城华科智造数据科技有限公司 | 透明材质内部缺陷的检测装置及其检测方法 |
CN109946746A (zh) * | 2019-03-21 | 2019-06-28 | 长安大学 | 一种基于深度神经网络的安检系统及方法 |
CN110133739A (zh) * | 2019-04-04 | 2019-08-16 | 南京全设智能科技有限公司 | 一种x射线安检设备及其自动识图方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111429410B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021203618A1 (zh) | 图像样本生成方法及系统、目标检测方法 | |
CN109948565B (zh) | 一种用于邮政业的违禁品不开箱检测方法 | |
JP5871325B2 (ja) | 情報処理装置、情報処理システム、情報処理方法、プログラム及び記録媒体 | |
US20100220910A1 (en) | Method and system for automated x-ray inspection of objects | |
CN105486702B (zh) | 一种基于x射线的目标缺陷检测系统 | |
CN110723433B (zh) | 垃圾分类回收方法及系统 | |
CN109685761B (zh) | 一种基于云平台的电力电缆缺陷检测方法及其检测系统 | |
WO2013104937A2 (en) | Image processing method and apparatus | |
CN102608135B (zh) | 在危险品检查系统中确定ct扫描位置的方法和设备 | |
CN109919912A (zh) | 一种医学影像的质量评价方法和装置 | |
CN111784573A (zh) | 一种基于迁移学习的被动太赫兹图像超分辨率重构方法 | |
WO2020120344A1 (en) | Energy weighting of photon counts for conventional imaging | |
CN111414850A (zh) | 一种生物医疗废弃物分类处理快速消毒装置及其使用方法 | |
Ferreira et al. | Detection of drugs and explosives using neutron computerized tomography and artificial intelligence techniques | |
CN111144449B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
DE102007026804A1 (de) | Verfahren zur Verarbeitung von radiologischen Bildern zur Erfassung radiologischer Auffälligkeiten | |
Wang et al. | An effective sinogram inpainting for complementary limited-angle dual-energy computed tomography imaging using generative adversarial networks | |
CN100481130C (zh) | 减小多层ct重建中的风车状伪像的方法和设备 | |
Gupta et al. | Studying the statistics of natural X-ray pictures | |
CN111429410A (zh) | 一种基于深度学习的物体x射线图像材质判别系统及方法 | |
CN111012370A (zh) | 基于ai的x射线成像分析方法、装置及可读存储介质 | |
CN107478656A (zh) | 基于机器视觉的纸浆搅拌效果检测评价方法、装置、系统 | |
CN114565582B (zh) | 一种医学图像分类和病变区域定位方法、系统及存储介质 | |
US11967063B2 (en) | Automatic bio-specimen inspection system and inspection method thereof | |
CN101099680A (zh) | 多层探测器ct |
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 |