CN111667464B - 危险品三维图像检测方法、装置、计算机设备及存储介质 - Google Patents

危险品三维图像检测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111667464B
CN111667464B CN202010437642.3A CN202010437642A CN111667464B CN 111667464 B CN111667464 B CN 111667464B CN 202010437642 A CN202010437642 A CN 202010437642A CN 111667464 B CN111667464 B CN 111667464B
Authority
CN
China
Prior art keywords
dangerous goods
image
detection model
layer
dimensional
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
Application number
CN202010437642.3A
Other languages
English (en)
Other versions
CN111667464A (zh
Inventor
唐子豪
刘莉红
刘玉宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202010437642.3A priority Critical patent/CN111667464B/zh
Publication of CN111667464A publication Critical patent/CN111667464A/zh
Application granted granted Critical
Publication of CN111667464B publication Critical patent/CN111667464B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/0004—Industrial image inspection
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
    • 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
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明公开了一种危险品三维图像检测方法、装置、计算机设备及存储介质，所述方法包括：接收到危险品检测指令，获取待检测三维图像；待检测三维图像为经过安检设备对待检测物体扫描后重建三维立体的图像；对待检测三维图像进行3D图像分割，得到多个方块图像；对所有方块图像的目标区域进行扫描并进行标准化处理，得到目标区域图像；通过危险品检测模型提取目标区域图像中的危险品特征并且生成特征向量图；获取危险品检测模型根据K‑means聚类算法进行分类输出的识别结果。本发明实现了通过对三维图像进行分割、扫描及标准化处理，再根据K‑means聚类算法进行分类识别，能够准确地、快速地自动识别出危险品，提升了客户的满意度。

Description

危险品三维图像检测方法、装置、计算机设备及存储介质
技术领域
本发明涉及图像检测领域，尤其涉及一种危险品三维图像检测方法、装置、计算机设备及存储介质。
背景技术
目前，在机场、车站、政府机构、地铁、监狱等需要进行安全检查的地方大多都配备有X射线安检机，通过X射线对行李物品进行成像，然后检查人员通过观察显示器上显示的行李的X射线图像进行快速判断行李内是否有危险品；在行李检查过程中，由于X射线图像为非正常目测即可轻松辨别的图像，所以检查人员都需要靠人眼观察到的图像，再依靠检查人员对危险品的形状、颜色等图像特征的熟悉程度及积累的丰富经验，才能够做到快速、准确地对行李的X射线图像进行判别，尽量减少开包检查的次数，保证人员快速通行，并且在行李检查过程中，检查人员需要长时间集中注意力进行安全检查，工作量巨大；因此，该方案对检查人员的要求高，同时存在人工判断失误的情况，而且检查人员易受各种外界因素影响，难以保证准确性。
发明内容
本发明提供一种危险品三维图像检测方法、装置、计算机设备及存储介质，实现了通过对三维图像进行分割、扫描及标准化处理，再根据K-means聚类算法进行分类识别是否为危险品，能够准确地、快速地自动识别出危险品，大大减少了客户的开包率，提高了识别准确率和可靠性，并提升了客户的满意度。
一种危险品三维图像检测方法，包括：
接收到危险品检测指令，获取待检测三维图像；所述待检测三维图像为经过安检设备对待检测物体扫描后重建三维立体的图像；
对所述待检测三维图像进行3D图像分割，得到尺寸与预设尺寸相同的多个方块图像；
对所有所述方块图像的目标区域进行扫描并进行标准化处理，得到目标区域图像；
将所述目标区域图像输入训练完成的危险品检测模型，通过所述危险品检测模型提取所述目标区域图像中的危险品特征并且生成特征向量图；所述危险品检测模型包括卷积层、BN层、池化层、全连接层和正则化层；
获取所述危险品检测模型根据K-means聚类算法进行分类输出的识别结果；所述识别结果包括危险品和非危险品，所述识别结果表征了所述待检测三维图像是否含有危险品。
一种危险品三维图像检测装置，包括：
接收模块，用于接收到危险品检测指令，获取待检测三维图像；所述待检测三维图像为经过安检设备对待检测物体扫描后重建三维立体的图像；
分割模块，用于对所述待检测三维图像进行3D图像分割，得到尺寸与预设尺寸相同的多个方块图像；
预处理模块，用于对所有所述方块图像的目标区域进行扫描并进行标准化处理，得到目标区域图像；
提取模块，用于将所述目标区域图像输入训练完成的危险品检测模型，通过所述危险品检测模型提取所述目标区域图像中的危险品特征并且生成特征向量图；所述危险品检测模型包括卷积层、BN层、池化层、全连接层和正则化层；
识别模块，用于获取所述危险品检测模型根据K-means聚类算法进行分类输出的识别结果；所述识别结果包括危险品和非危险品，所述识别结果表征了所述待检测三维图像是否含有危险品。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述危险品三维图像检测方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述危险品三维图像检测方法的步骤。
本发明提供的危险品三维图像检测方法、装置、计算机设备及存储介质，通过接收到危险品检测指令，获取待检测三维图像；所述待检测三维图像为经过安检设备对待检测物体扫描后重建三维立体的图像；对所述待检测三维图像进行3D图像分割，得到尺寸与预设尺寸相同的多个方块图像；对所有所述方块图像的目标区域进行扫描并进行标准化处理，得到目标区域图像；将所述目标区域图像输入训练完成的危险品检测模型，通过所述危险品检测模型提取所述目标区域图像中的危险品特征并且生成特征向量图；获取所述危险品检测模型根据K-means聚类算法进行分类输出的识别结果；所述识别结果包括危险品和非危险品，所述识别结果表征了所述待检测三维图像是否含有危险品。
本发明实现了通过获取待检测三维图像并进行3D图像分割，得到方块图像，对所有方块图像进行扫描及标准化处理，生成目标区域图像，通过危险品检测模型对目标区域图像中的危险品特征进行提取并根据K-means聚类算法进行分类，获取识别结果，所述识别结果表征了所述待检测三维图像是否含有危险品，实现了通过对三维图像进行分割、扫描及标准化处理，再根据K-means聚类算法进行分类识别是否为危险品，能够准确地、快速地自动识别出危险品，大大减少了客户的开包率，提高了识别准确率和可靠性，并提升了客户的满意度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中危险品三维图像检测方法的应用环境示意图；
图2是本发明一实施例中危险品三维图像检测方法的流程图；
图3是本发明一实施例中危险品三维图像检测方法的步骤S10的流程图；
图4是本发明一实施例中危险品三维图像检测方法的步骤S30的流程图；
图5是本发明另一实施例中危险品三维图像检测方法的步骤S303的流程图；
图6是本发明一实施例中危险品三维图像检测方法的步骤S40的流程图；
图7是本发明另一实施例中危险品三维图像检测方法的步骤S40的流程图；
图8是本发明又一实施例中危险品三维图像检测方法的步骤S40的流程图；
图9是本发明一实施例中危险品三维图像检测装置的原理框图；
图10是本发明一实施例中计算机设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供的危险品三维图像检测方法，可应用在如图1的应用环境中，其中，客户端(计算机设备)通过网络与服务器进行通信。其中，客户端(计算机设备)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头、安检设备和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种危险品三维图像检测方法，其技术方案主要包括以下步骤S10-S50：
S10，接收到危险品检测指令，获取待检测三维图像；所述待检测三维图像为经过安检设备对待检测物体扫描后重建三维立体的图像。
可理解地，在机场、车站、政府机构、地铁、监狱等需要进行安全检查的业务场景下，通过配备的X射线安检机对需要进行安全检查的行李物品进行X射线扫描，所述X射线安检机为利用X射线对行李物品进行扫描成像的设备，在X射线安检机检测到有行李物品进入扫描区域时，所述X射线安检机触发所述危险品检测指令，其中，所述扫描区域为对行李物品进行扫描的区域，其中触发方式可以根据需求进行设定，比如触发方式可以为红外检测到行李物品时自动触发，也可以为每隔0.7秒进行扫描一次(0.7秒无法分辨图像存在停滞情况)等等，接收到所述危险品检测指令之后，获取所述待检测三维图像，所述待检测三维图像为经过安检设备(X射线安检机)对待检测物体扫描后重建三维立体的图像，所述安检设备为对行李物品进行危险品检测的设备，也可以指X射线安检机，获取所述待检测三维图像的方式可以根据需求进行设定，优选地，根据所述危险品检测指令中包含的存储所述待检测三维图像的文件路径，通过该路径获取对应的所述待检测三维图像。
在一实施例中，如图3所示，所述步骤S10中，即所述接收到危险品检测指令，获取待检测三维图像，包括：
S101，获取通过X光射线拍摄的三维捕获图像。
可理解地，通过所述安检设备中的至少三个方位的X光射线摄像头捕获在所述扫描区域的行李物品进行拍摄，优选地，三个方位的X光射线摄像头聚焦于一点，该点与三个方位的X摄像头中任意三点大约构成等边三角形，如此，捕获的所述三维捕获图像便于构成所述待检测三维图像及保证所述待检测三维图像的图像质量，提高重建所述待检测三维图像的效率，所述三维捕获图像为X光射线摄像头通过发出的X光射线进行捕获得到的图像。
S102，将每个所述三维捕获图像输入颜色空间模型，通过所述颜色空间模型对所述三维捕获图像进行去噪及通道增强处理，得到每个所述三维捕获图像对应的三维增强图像。
可理解地，所述颜色空间模型也称为YCrCb模型或者为YIQ模型，所述颜色空间模型先将所述三维捕获图像进行红色通道、绿色通道和蓝色通道的去噪、增强及分离，得到红色通道对应的红色通道图像、绿色通道对应的绿色通道图像和蓝色通道对应的蓝色通道图像，所述去噪处理为对所述三维捕获图像中的每个像素点对应的像素值进行降噪算法处理，所述降噪算法可以根据需求进行设定，比如降噪算法可以为BM3D降噪、DCT降噪、非局部均值降噪等等，所述通道增强处理为对红色通道图像、绿色通道图像和蓝色通道图像进行增强算法处理，所述增强算法可以根据需求进行设定，比如增强算法可以为对比度增强算法、灰度变换增强算法等等，所述颜色空间模型再对红色通道图像、绿色通道图像和蓝色通道图像进行转换，得到灰色通道对应的灰色通道图像、色度红通道对应的色度红通道图像和色度蓝通道对应的色度蓝通道图像，一个所述三维增强图像包括灰色通道图像、色度红通道图像和色度蓝通道图像，由于危险品在X射线扫描后的颜色都通过蓝色和红色的不同比例进行体现，通过所述颜色空间模型能够更好的体现出危险品的颜色比例，能够增强所述危险品特征。
S103，通过三维重建方法，将所有所述三维增强图像进行重建，得到待检测三维图像。
可理解地，所述三维重建技术通过深度数据获取、预处理、点云配准与融合、生成表面等过程，把真实拍摄的图像刻画成符合计算机逻辑表达的数学三维重建模型，所述深度数据获取为获取各个所述三维增强图像，所述预处理为对所述三维增强图像进行取整处理，所述点云配准与融合为对所有所述三维增强图像进行叠加匹配到统一的坐标系中，计算出相应的平移向量与旋转矩阵，同时消除冗余信息，并且进行加权融合计算坐标系中的每个坐标点的像素值，即将同一个坐标点对应的多个所述三维增强图像对应的像素值进行加权计算获得，所述生成表面为合并所有坐标点的等值面便可生成完整的三维表面，通过将所有所述三维增强图像进行所述三维重建技术的重建处理，生成所述待检测三维图像。
本发明实现了通过将X光射线拍摄的三维捕获图像输入颜色空间模型，获取所述颜色空间模型对三维捕获图像进行去噪及通道增强处理后的三维增强图像，再通过三维重建方法，重建获得待检测三维图像，因此，通过颜色空间模型能够增强危险品特征，便于后续对危险品的识别。
S20，对所述待检测三维图像进行3D图像分割，得到尺寸与预设尺寸相同的多个方块图像。
可理解地，所述3D图像分割技术为对一个三维的图像进行分割成若干个相等大小的图像，所述方块图像为一个立方体形状的图像，所述方块图像由多个像素点的像素值组成，所述预设尺寸可以根据需求进行设定，比如预设尺寸为2*2*2的尺寸，对所述待检测三维图像机械能3D图像分割成若干个所述方块图像，例如：待检测三维图像图像为60*80*100，按2*2*2进行分割，就可以得到30*40*50＝6000个方块图像。
S30，对所有所述方块图像的目标区域进行扫描并进行标准化处理，得到目标区域图像。
可理解地，通过对所有所述方块图像进行目标边界扫描，得到目标区域的边界，通过对该目标区域的边界范围内进行标准化处理，划分出多个所述目标区域图像，所述目标区域图像为与所述目标区域对应的三维的图像，所述目标边界扫描为根据各方块图像的平均像素值与其周边的方块图像的平均像素值进行差值计算，获取所述方块图像的平均像素值与其周边的方块图像的平均像素值存在差值超过预设值的方块图像，将其确定为边界方块图像，通过对边界方块图像的坐标位置进行目标边界扫描及连接，通过从一个所述边界方块图像进行四周识别是否存在任一边界方块图像，如果存在就连接该两两所述边界方块图像，不断识别及连接直到形成封闭的区域，将该封闭的区域确定为所述目标区域，以完成目标边界扫描，所述标准化处理是将所述目标区域的图像数据通过去均值实现中心化的处理，即根据优化理论与数据概率分布相关知识，及数据中心化符合数据分布规律，取得泛化效果。
在一实施例中，如图4所示，所述步骤S30中，即对所有所述方块图像的目标区域进行扫描并进行标准化处理，得到目标区域图像，包括：
S301，获取每个所述方块图像的平均像素值。
可理解地，通过对所述方块图像中的各个像素点的像素值取平均值，得到该方块图像的所述平均像素值，获取所有所述方块图像的所述平均像素值。
S302，根据所有所述平均像素值，对所有所述方块图像进行目标边界扫描，得到目标边界图像。
可理解地，所述目标边界扫描为根据各方块图像的平均像素值与其周边的方块图像的平均像素值进行差值计算，获取所述方块图像的平均像素值与其周边的方块图像的平均像素值存在差值超过预设值的方块图像，将其确定为边界方块图像，通过对边界方块图像的坐标位置进行目标边界扫描及连接，通过从一个所述边界方块图像的坐标进行四周识别边界方块图像，如果存在边界方块图像，就连接两所述边界方块图像，不断识别及连接其边界方块图像的坐标直到形成封闭的区域，将该封闭的区域确定为所述目标区域，以完成目标边界扫描，完成了所述目标边界扫描得到的图像为所述目标边界图像，所述目标边界图像包含所述边界方块图像及在其边界方块图像的坐标范围内的方块图像。
S303，通过特征标准化方法，对所述目标边界图像进行标准化处理，得到目标区域图像。
可理解地，所述特征标准化方法为具有特征向量的数据的标准化处理，即将数据按比例缩放，使之落入一个小的特定区间，所述特征标准化法可以分为直线型方法(如极值法、标准差法)、折线型方法(如三折线法)、曲线型方法(如半正态性分布)等等，优选地，所述特征标准化方法为标准差法，即将数据统一映射到[0,1]区间上，所述标准化处理是通过特征标准化方法将所述目标区域的图像数据通过去均值实现中心化的处理，从而可以对所述目标边界图像进行所述标准化处理得到所述目标区域图像。
本发明实现了通过获取每个所述方块图像的平均像素值，并对其进行目标边界扫描，识别出物品边界，得到目标边界图像，再通过特征标准化方法，对所述目标边界图像进行标准化处理，能够让数据体现的特征向标准值靠拢，更加容易区分出危险品的特征，便于危险品的识别，加快识别效率，提升识别准确率。
在一实施例中，如图5所示，所述步骤S303中，即所述通过特征标准化方法，对所述目标边界图像进行标准化处理，得到目标区域图像，包括：
S3031，获取每个所述目标边界图像中的像素值。
可理解地，所述目标边界图像都与一个所述像素值关联。
S3032，对每个所述目标边界图像中的像素值进行数据中心化处理，并生成目标中心图像。
可理解地，所述数据中心化处理为将每个所述目标边界图像中的所述像素值与所有所述目标边界图像中的所述像素值的均值进行相减，通过所述数据中心化处理，即获取所有所述目标边界图像中的所述像素值的均值，将每个所述目标边界图像中的所述像素值与所述均值相减，得到该目标边界图像对应的像素中心化值，将所有所述像素中心化值按照其对应的坐标构成所述目标中心图像。
S3033，对所述目标中心图像进行标准化处理，得到所述目标区域图像。
可理解地，所述标准化处理为通过所述目标中心图像的像素中心化值计算出所述目标中心图像对应的标准差值，再将所述像素中心化值除以该标准差值得到的标准化值的处理过程，通过所述标准化处理，可以将所述目标中心图像生成所述目标区域图像。
本发明实现了通过通过中心化和标准化处理，得到服从标准正态分布的数据，能够去除由于量纲不同、自身变异或者数值相差较大所引起的不同维度上的特征的尺度误差，能够更好的衡量同一维度的特征。
S40，将所述目标区域图像输入训练完成的危险品检测模型，通过所述危险品检测模型提取所述目标区域图像中的危险品特征并且生成特征向量图；所述危险品检测模型包括卷积层、BN层、池化层、全连接层和正则化层。
可理解地，所述危险品检测模型为训练完成的深度卷积神经网络模型，所述危险品检测模型的网络结构可以根据需求进行设定，比如网络结构可以为VGG19的网络结构，或者网络结构可以为GoogleNet的网络结构等等，所述危险品检测模型包括卷积层、BN层、池化层、全连接层和正则化层，通过所述危险品检测模型对所述目标区域图像进行所述危险品特征提取，所述危险品特征为管制金属刀具、金属枪支、液体和气体在X光射线下体现的颜色及纹理特征，所述危险品检测模型根据提取的所述危险品特征生成所述特征向量图，所述特征向量图为提取出所述危险品特征通过向量值体现的矩阵。
在一实施例中，如图6所示，所述步骤S40中，即所述将所述目标区域图像输入训练完成的危险品检测模型，通过所述危险品检测模型提取所述目标区域图像中的危险品特征并且生成特征向量图，包括：
S401，将所述目标区域图像输入所述危险品检测模型中的第一卷积层，通过所述第一卷积层对所述目标区域图像进行危险品特征提取，得到第一特征图。
可理解地，所述第一卷积层为运用3维卷积核进行卷积的卷积层，所述3维卷积核为三维立体式的卷积和，所述3维卷积核包括长宽高，所述第一卷积层包括50个5×5×5的3维卷积核和步幅为1，通过所述第一卷积层对所述目标区域图像进行所述危险品特征提取，得到所述第一特征图，所述第一特征图为通过特征向量值体现且立体的特征图，所述特征向量值为通过向量值衡量所述危险品特征的程度。
S402，将所述第一特征图输入所述危险品检测模型中的第一BN层，通过所述第一BN层对所述第一特征图进行归一化处理，得到第二特征图。
可理解地，所述第一BN层对所述第一特征图中的每一个神经元进行归一化处理，得到所述第二特征图，即通过所有神经元的平均值和方差对每一个神经元进行归一化处理，所述神经元为特征图中的单个特征向量值。
S403，将所述第二特征图输入所述危险品检测模型中的第一池化层，通过所述第一池化层对所述第二特征图进行池化处理，得到第三特征图。
可理解地，所述第一池化层为2×2×2立体参数的神经网络的池化层，所述池化处理为读取局部立体区域中所有特征向量值的最大值，所述第一池化层对所述第二特征图进行2×2×2的立体区域的池化处理，得到所述第三特征图。
S404，将所述第三特征图输入所述危险品检测模型中的第二卷积层，通过所述第二卷积层对所述第三特征图进行危险品特征提取及降维处理，得到第四特征图。
可理解地，所述第二卷积层为运用3维卷积核进行卷积的卷积层，所述第二卷积层包括50个5×5×5的3维卷积核和步幅为1，通过所述第二卷积层对所述第三特征图进行所述危险品特征提取同时进行降维处理，得到所述第四特征图，所述降维处理为对所述第三特征图的长宽高进行缩小维度，所述第四特征图为通过特征向量值体现且立体的特征图。
S405，将所述第四特征图输入所述危险品检测模型中的第二BN层，通过所述第二BN层对所述第四特征图进行归一化处理，得到第五特征图。
可理解地，所述第二BN层对所述第四特征图中的每一个神经元进行归一化处理，得到所述第五特征图，即通过所有神经元的平均值和方差对每一个神经元进行归一化处理，所述神经元为特征图中的单个特征向量值。
S406，将所述第五特征图输入所述危险品检测模型中的第三卷积层，通过所述第三卷积层对所述第五特征图进行危险品特征提取及降维处理，得到第六特征图。
可理解地，所述第三卷积层为运用3维卷积核进行卷积的卷积层，所述第三卷积层包括50个5×5×5的3维卷积核和步幅为1，通过所述第三卷积层对所述第五特征图进行所述危险品特征提取同时进行降维处理，得到所述第六特征图，所述降维处理为对所述第三特征图的长宽高进行缩小维度，所述第六特征图为通过特征向量值体现且立体的特征图。
S407，将所述第六特征图输入所述危险品检测模型中的第三BN层，通过所述第三BN层对所述第六特征图进行归一化处理，得到第七特征图。
可理解地，所述第三BN层对所述第六特征图中的每一个神经元进行归一化处理，得到所述第七特征图，即通过所有神经元的平均值和方差对每一个神经元进行归一化处理，所述神经元为特征图中的单个特征向量值。
S408，将所述第七特征图输入所述危险品检测模型中的第二池化层，通过所述第二池化层对所述第七特征图进行平均池化处理，得到第八特征图。
可理解地，所述第二池化层为2×2×2立体参数的神经网络的池化层，所述平均池化处理为读取局部立体区域中所有特征向量值的平均值，所述第二池化层对所述第七特征图进行2×2×2的立体区域的平均池化处理，得到所述第八特征图。
S409，将所述第八特征图输入所述危险品检测模型中的全连接层，通过所述全连接层对所述第八特征图进行连接处理，得到第九特征图。
可理解地，所述全连接层为将获得的特征向量值映射到样本标记空间的位置，由一个特征空间线性变换到另一个特征空间起到分类器的作用，所述连接处理为通过160个1×1×1的3维卷积核进行卷积后连接成一个一维的向量组，通过所述全连接层对所述第八特征图进行连接处理，得到第九特征图，所述第九特征图为一个由160个特征向量值组成的一位数组。
S410，将所述第九特征图输入所述危险品检测模型中的正则化层，通过所述正则化层对所述第九特征图进行正则化处理，得到所述目标区域图像对应的特征向量图。
可理解地，所述正则化层为对全连接层输出的第九特征图进行正则化处理的层级，所述正则化处理为对所述第九特征图中的特征向量值进行随机地丢弃或者去除一些特征向量值，通过所述正则化层对所述第九特征图进行正则化处理，得到所述特征向量图。
如此，本发明实现了通过由第一卷积层、第一BN层、第一池化层、第二卷积层、第二BN层、第三卷积层、第三BN层、第二池化层、全连接层和正则化层构建的所述危险品检测模型的网络结构，能够快速提取危险品特征，并根据危险品特征预测出所述目标区域图像对应的特征向量图，能够简化危险品检测模型的结构和提升危险品检测模型的识别时间。
在一实施例中，如图7所示，所述步骤S40之前，即将所述目标区域图像输入训练完成的危险品检测模型之前，包括：
S411，获取三维样本集；所述三维样本集包括三维样本图像，一个所述三维样本图像与一个物品标签关联。
可理解地，所述三维样本集包含有至少一个所述三维样本图像，即所述三维样本集为所述三维样本图像的集合，所述三维样本图像为历史收集的目标区域图像，并且每个所述三维样本图像都关联一个所述物品标签关联，所述物品标签包括危险品标签和非危险品标签，通过所述物品标签标识出所述三维样本图像是否为危险品。
S412，将所述三维样本图像输入含有初始参数的危险品检测模型，通过所述危险品检测模型提取所述三维样本图像中的危险品特征。
可理解地，所述危险品检测模型为深度卷积神经网络模型，所述危险品检测模型的网络结构可以根据需求进行设定，比如网络结构可以为VGG19的网络结构，或者网络结构可以为GoogleNet的网络结构等等，所述危险品检测模型含有所述初始参数，所述初始参数可以根据需求进行设定，比如初始参数可以为随机参数，通过所述危险品检测模型对输入的所述三维样本图像进行所述危险品特征提取。
S413，通过所述危险品检测模型根据所述危险品特征输出的样本结果；所述样本结果包括危险品和非危险品。
可理解地，通过所述危险品检测模型根据K-means聚类算法进行分类输出的样本结果，所述样本结果包括危险品和非危险品。
S414，根据所述样本结果和所述物品标签，确定所述三维样本图像的损失值。
可理解地，通过所述样本识别结果与所述物品标签进行比对，确定出与之相对应的损失值，即通过所述危险品检测模型的损失函数计算出损失值。
S415，在所述损失值达到预设的收敛条件时，将收敛之后的所述危险品检测模型记录为训练完成的危险品检测模型。
可理解地，所述收敛条件可以为所述损失值小于设定阈值的条件，即在所述损失值小于设定阈值时，将收敛之后的所述危险品检测模型记录为训练完成的危险品检测模型。
在一实施例中，如图8所示，所述步骤S414之后，即根据所述样本结果和所述物品标签，确定所述三维样本图像的损失值之后，包括：
S416，在所述损失值未达到预设的收敛条件时，迭代更新所述危险品检测模型的初始参数，直至所述损失值达到所述预设的收敛条件时，将收敛之后的所述危险品检测模型记录为训练完成的危险品检测模型。
如此，所述收敛条件也可以为所述损失值经过了2000次计算后值为很小且不会再下降的条件，即在所述损失值经过2000次计算后值为很小且不会再下降时，停止训练，并将收敛之后的所述危险品检测模型记录为训练完成的危险品检测模型。
如此，在所述损失值未达到预设的收敛条件时，不断更新迭代所述危险品检测模型的初始参数，可以不断向准确的识别结果靠拢，让识别结果的准确率越来越高。
S50，获取所述危险品检测模型根据K-means聚类算法进行分类输出的识别结果；所述识别结果包括危险品和非危险品，所述识别结果表征了所述待检测三维图像是否含有危险品。
可理解地，通过所述K-means聚类算法，能够对所述危险品检测模型中的所述特征向量图进行分类处理，可以得到分类之后每类的概率分布，从而输出所述识别结果，所述识别结果包括危险品和非危险品，所述识别结果表征了所述待检测三维图像是否含有危险品。
其中，所述K-means聚类算法为对一组数据随机选取两个点，作为聚类中心；计算该组数据中的每个数据分别到两个聚类中心的聚类，然后将该数据分到最近的聚类中心，这样就行成了两个簇；再重新计算每个簇的质心(均值)；重复以上步骤，直到质心的位置不再发生变化或者达到设定的迭代次数的一种无监督学习算法。
本发明通过接收到危险品检测指令，获取待检测三维图像；所述待检测三维图像为经过安检设备对待检测物体扫描后重建三维立体的图像；对所述待检测三维图像进行3D图像分割，得到尺寸与预设尺寸相同的多个方块图像；对所有所述方块图像的目标区域进行扫描并进行标准化处理，得到目标区域图像；将所述目标区域图像输入训练完成的危险品检测模型，通过所述危险品检测模型提取所述目标区域图像中的危险品特征并且生成特征向量图；获取所述危险品检测模型根据K-means聚类算法对所述特征向量进行分类输出的识别结果；所述识别结果包括危险品和非危险品，所述识别结果表征了所述待检测三维图像是否含有危险品。
如此，本发明实现了通过获取待检测三维图像并进行3D图像分割，得到方块图像，对所有方块图像进行扫描及标准化处理，生成目标区域图像，通过危险品检测模型对目标区域图像中的危险品特征进行提取并根据K-means聚类算法进行分类，获取识别结果，所述识别结果表征了所述待检测三维图像是否含有危险品，实现了通过对三维图像进行分割、扫描及标准化处理，再根据K-means聚类算法进行分类识别是否为危险品，能够准确地、快速地自动识别出危险品，大大减少了客户的开包率，提高了识别准确率和可靠性，并提升了客户的满意度。
在一实施例中，提供一种危险品三维图像检测装置，该危险品三维图像检测装置与上述实施例中危险品三维图像检测方法一一对应。如图9所示，该危险品三维图像检测装置包括接收模块11、分割模块12、预处理模块13、提取模块模块14和识别模块15。各功能模块详细说明如下：
接收模块11，用于接收到危险品检测指令，获取待检测三维图像；所述待检测三维图像为经过安检设备对待检测物体扫描后重建三维立体的图像；
分割模块12，用于对所述待检测三维图像进行3D图像分割，得到尺寸与预设尺寸相同的多个方块图像；
预处理模块13，用于对所有所述方块图像的目标区域进行扫描并进行标准化处理，得到目标区域图像；
提取模块14，用于将所述目标区域图像输入训练完成的危险品检测模型，通过所述危险品检测模型提取所述目标区域图像中的危险品特征并且生成特征向量图；所述危险品检测模型包括卷积层、BN层、池化层、全连接层和正则化层；
识别模块15，用于获取所述危险品检测模型根据K-means聚类算法进行分类输出的识别结果；所述识别结果包括危险品和非危险品，所述识别结果表征了所述待检测三维图像是否含有危险品。
在一实施例中，所述提取模块11包括：
第一获取单元，用于获取通过X光射线拍摄的三维捕获图像；
转换单元，用于将每个所述三维捕获图像输入颜色空间模型，通过所述颜色空间模型对所述三维捕获图像进行去噪及通道增强处理，得到每个所述三维捕获图像对应的三维增强图像；
重建单元，用于通过三维重建方法，将所有所述三维增强图像进行重建，得到待检测三维图像。
在一实施例中，所述预处理模块13包括：
第二获取单元，用于获取每个所述方块图像的平均像素值；
扫描单元，用于根据所有所述平均像素值，对所有所述方块图像进行目标边界扫描，得到目标边界图像；
处理单元，用于通过特征标准化方法，对所述目标边界图像进行标准化处理，得到目标区域图像。
在一实施例中，所述处理单元包括：
获取子单元，用于获取每个所述目标边界图像中的像素值；
处理子单元，用于对每个所述目标边界图像中的像素值进行数据中心化处理，并生成目标中心图像；
输出子单元，用于对所述目标中心图像进行标准化处理，得到所述目标区域图像。
在一实施例中，所述提取模块14包括：
第一卷积单元，用于将所述目标区域图像输入所述危险品检测模型中的第一卷积层，通过所述第一卷积层对所述目标区域图像进行危险品特征提取，得到第一特征图；
第一归一化单元，用于将所述第一特征图输入所述危险品检测模型中的第一BN层，通过所述第一BN层对所述第一特征图进行归一化处理，得到第二特征图；
第一池化单元，用于将所述第二特征图输入所述危险品检测模型中的第一池化层，通过所述第一池化层对所述第二特征图进行池化处理，得到第三特征图；
第二卷积单元，用于将所述第三特征图输入所述危险品检测模型中的第二卷积层，通过所述第二卷积层对所述第三特征图进行危险品特征提取及降维处理，得到第四特征图；
第二归一化单元，用于将所述第四特征图输入所述危险品检测模型中的第二BN层，通过所述第二BN层对所述第四特征图进行归一化处理，得到第五特征图；
第三卷积单元，用于将所述第五特征图输入所述危险品检测模型中的第三卷积层，通过所述第三卷积层对所述第五特征图进行危险品特征提取及降维处理，得到第六特征图；
第三归一化单元，用于将所述第六特征图输入所述危险品检测模型中的第三BN层，通过所述第三BN层对所述第六特征图进行归一化处理，得到第七特征图；
第二池化单元，用于将所述第七特征图输入所述危险品检测模型中的第二池化层，通过所述第二池化层对所述第七特征图进行平均池化处理，得到第八特征图；
全连接单元，用于将所述第八特征图输入所述危险品检测模型中的全连接层，通过所述全连接层对所述第八特征图进行连接处理，得到第九特征图；
正则化单元，用于将所述第九特征图输入所述危险品检测模型中的正则化层，通过所述正则化层对所述第九特征图进行正则化处理，得到所述目标区域图像对应的特征向量图。
在一实施例中，所述提取模块14还包括：
训练获取单元，用于获取三维样本集；所述三维样本集包括三维样本图像，一个所述三维样本图像与一个物品标签关联；
训练提取单元，用于将所述三维样本图像输入含有初始参数的危险品检测模型，通过所述危险品检测模型提取所述三维样本图像中的危险品特征；
训练输出单元，用于通过所述危险品检测模型根据所述危险品特征输出的样本结果；所述样本结果包括危险品和非危险品；
训练损失单元，用于根据所述样本结果和所述物品标签，确定所述三维样本图像的损失值；
训练收敛单元，用于在所述损失值达到预设的收敛条件时，将收敛之后的所述危险品检测模型记录为训练完成的危险品检测模型。
在一实施例中，所述提取模块14还包括：
训练迭代单元，用于在所述损失值未达到预设的收敛条件时，迭代更新所述危险品检测模型的初始参数，直至所述损失值达到所述预设的收敛条件时，将收敛之后的所述危险品检测模型记录为训练完成的危险品检测模型。
关于危险品三维图像检测装置的具体限定可以参见上文中对于危险品三维图像检测方法的限定，在此不再赘述。上述危险品三维图像检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种危险品三维图像检测方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中危险品三维图像检测方法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中危险品三维图像检测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述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，均应包含在本发明的保护范围之内。

Claims (9)

1.一种危险品三维图像检测方法，其特征在于，包括：
接收到危险品检测指令，获取待检测三维图像；所述待检测三维图像为经过安检设备对待检测物体扫描后重建三维立体的图像；
对所述待检测三维图像进行3D图像分割，得到尺寸与预设尺寸相同的多个方块图像；
对所有所述方块图像的目标区域进行扫描并进行标准化处理，得到目标区域图像；
将所述目标区域图像输入训练完成的危险品检测模型，通过所述危险品检测模型提取所述目标区域图像中的危险品特征并且生成特征向量图；所述危险品检测模型包括卷积层、BN层、池化层、全连接层和正则化层；
获取所述危险品检测模型根据K-means聚类算法进行分类输出的识别结果；所述识别结果包括危险品和非危险品，所述识别结果表征了所述待检测三维图像是否含有危险品；
所述将所述目标区域图像输入训练完成的危险品检测模型，通过所述危险品检测模型提取所述目标区域图像中的危险品特征并且生成特征向量图，包括：
将所述目标区域图像输入所述危险品检测模型中的第一卷积层，通过所述第一卷积层对所述目标区域图像进行危险品特征提取，得到第一特征图；
将所述第一特征图输入所述危险品检测模型中的第一BN层，通过所述第一BN层对所述第一特征图进行归一化处理，得到第二特征图；
将所述第二特征图输入所述危险品检测模型中的第一池化层，通过所述第一池化层对所述第二特征图进行池化处理，得到第三特征图；
将所述第三特征图输入所述危险品检测模型中的第二卷积层，通过所述第二卷积层对所述第三特征图进行危险品特征提取及降维处理，得到第四特征图；
将所述第四特征图输入所述危险品检测模型中的第二BN层，通过所述第二BN层对所述第四特征图进行归一化处理，得到第五特征图；
将所述第五特征图输入所述危险品检测模型中的第三卷积层，通过所述第三卷积层对所述第五特征图进行危险品特征提取及降维处理，得到第六特征图；
将所述第六特征图输入所述危险品检测模型中的第三BN层，通过所述第三BN层对所述第六特征图进行归一化处理，得到第七特征图；
将所述第七特征图输入所述危险品检测模型中的第二池化层，通过所述第二池化层对所述第七特征图进行平均池化处理，得到第八特征图；
将所述第八特征图输入所述危险品检测模型中的全连接层，通过所述全连接层对所述第八特征图进行连接处理，得到第九特征图；
将所述第九特征图输入所述危险品检测模型中的正则化层，通过所述正则化层对所述第九特征图进行正则化处理，得到所述目标区域图像对应的特征向量图。
2.如权利要求1所述的危险品三维图像检测方法，其特征在于，所述接收到危险品检测指令，获取待检测三维图像，包括：
获取通过X光射线拍摄的三维捕获图像；
将每个所述三维捕获图像输入颜色空间模型，通过所述颜色空间模型对所述三维捕获图像进行去噪及通道增强处理，得到每个所述三维捕获图像对应的三维增强图像；
通过三维重建方法，将所有所述三维增强图像进行重建，得到待检测三维图像。
3.如权利要求1所述的危险品三维图像检测方法，其特征在于，所述对所有所述方块图像进行目标区域扫描并进行标准化处理，得到目标区域图像，包括：
获取每个所述方块图像的平均像素值；
根据所有所述平均像素值，对所有所述方块图像进行目标边界扫描，得到目标边界图像；
通过特征标准化方法，对所述目标边界图像进行标准化处理，得到目标区域图像。
4.如权利要求3所述的危险品三维图像检测方法，其特征在于，所述通过特征标准化方法，对所述目标边界图像进行标准化处理，得到目标区域图像，包括：
获取每个所述目标边界图像中的像素值；
对每个所述目标边界图像中的像素值进行数据中心化处理，并生成目标中心图像；
对所述目标中心图像进行标准化处理，得到所述目标区域图像。
5.如权利要求1所述的危险品三维图像检测方法，其特征在于，将所述目标区域图像输入训练完成的危险品检测模型之前，包括：
获取三维样本集；所述三维样本集包括三维样本图像，一个所述三维样本图像与一个物品标签关联；
将所述三维样本图像输入含有初始参数的危险品检测模型，通过所述危险品检测模型提取所述三维样本图像中的危险品特征；
通过所述危险品检测模型根据所述危险品特征输出的样本结果；所述样本结果包括危险品和非危险品；
根据所述样本结果和所述物品标签，确定所述三维样本图像的损失值；
在所述损失值达到预设的收敛条件时，将收敛之后的所述危险品检测模型记录为训练完成的危险品检测模型。
6.如权利要求5所述的危险品三维图像检测方法，其特征在于，根据所述样本结果和所述物品标签，确定所述三维样本图像的损失值之后，包括：
在所述损失值未达到预设的收敛条件时，迭代更新所述危险品检测模型的初始参数，直至所述损失值达到所述预设的收敛条件时，将收敛之后的所述危险品检测模型记录为训练完成的危险品检测模型。
7.一种危险品三维图像检测装置，其特征在于，包括：
接收模块，用于接收到危险品检测指令，获取待检测三维图像；所述待检测三维图像为经过安检设备对待检测物体扫描后重建三维立体的图像；
分割模块，用于对所述待检测三维图像进行3D图像分割，得到尺寸与预设尺寸相同的多个方块图像；
预处理模块，用于对所有所述方块图像的目标区域进行扫描并进行标准化处理，得到目标区域图像；
提取模块，用于将所述目标区域图像输入训练完成的危险品检测模型，通过所述危险品检测模型提取所述目标区域图像中的危险品特征并且生成特征向量图；所述危险品检测模型包括卷积层、BN层、池化层、全连接层和正则化层；
识别模块，用于获取所述危险品检测模型根据K-means聚类算法进行分类输出的识别结果；所述识别结果包括危险品和非危险品，所述识别结果表征了所述待检测三维图像是否含有危险品；
所述提取模块包括：
第一卷积单元，用于将所述目标区域图像输入所述危险品检测模型中的第一卷积层，通过所述第一卷积层对所述目标区域图像进行危险品特征提取，得到第一特征图；
第一归一化单元，用于将所述第一特征图输入所述危险品检测模型中的第一BN层，通过所述第一BN层对所述第一特征图进行归一化处理，得到第二特征图；
第一池化单元，用于将所述第二特征图输入所述危险品检测模型中的第一池化层，通过所述第一池化层对所述第二特征图进行池化处理，得到第三特征图；
第二卷积单元，用于将所述第三特征图输入所述危险品检测模型中的第二卷积层，通过所述第二卷积层对所述第三特征图进行危险品特征提取及降维处理，得到第四特征图；
第二归一化单元，用于将所述第四特征图输入所述危险品检测模型中的第二BN层，通过所述第二BN层对所述第四特征图进行归一化处理，得到第五特征图；
第三卷积单元，用于将所述第五特征图输入所述危险品检测模型中的第三卷积层，通过所述第三卷积层对所述第五特征图进行危险品特征提取及降维处理，得到第六特征图；
第三归一化单元，用于将所述第六特征图输入所述危险品检测模型中的第三BN层，通过所述第三BN层对所述第六特征图进行归一化处理，得到第七特征图；
第二池化单元，用于将所述第七特征图输入所述危险品检测模型中的第二池化层，通过所述第二池化层对所述第七特征图进行平均池化处理，得到第八特征图；
全连接单元，用于将所述第八特征图输入所述危险品检测模型中的全连接层，通过所述全连接层对所述第八特征图进行连接处理，得到第九特征图；
正则化单元，用于将所述第九特征图输入所述危险品检测模型中的正则化层，通过所述正则化层对所述第九特征图进行正则化处理，得到所述目标区域图像对应的特征向量图。
8.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述危险品三维图像检测方法。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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至6任一项所述危险品三维图像检测方法。
CN202010437642.3A 2020-05-21 2020-05-21 危险品三维图像检测方法、装置、计算机设备及存储介质 Active CN111667464B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010437642.3A CN111667464B (zh) 2020-05-21 2020-05-21 危险品三维图像检测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010437642.3A CN111667464B (zh) 2020-05-21 2020-05-21 危险品三维图像检测方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN111667464A CN111667464A (zh) 2020-09-15
CN111667464B true CN111667464B (zh) 2024-02-02

Family

ID=72384274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010437642.3A Active CN111667464B (zh) 2020-05-21 2020-05-21 危险品三维图像检测方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN111667464B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112241952B (zh) * 2020-10-22 2023-09-05 平安科技（深圳）有限公司 大脑中线识别方法、装置、计算机设备及存储介质
CN112464754B (zh) * 2020-11-13 2024-02-02 北京安博盛赢教育科技有限责任公司 一种基于鱼眼摄像头的监控方法和装置
CN112330656B (zh) * 2020-11-20 2024-04-05 北京航星机器制造有限公司 一种安检ct图像危险品植入方法和系统
CN112581467B (zh) * 2020-12-25 2023-11-07 北京航星机器制造有限公司 一种基于疑似危险品评价的智能安检方法
CN113139950B (zh) * 2021-05-08 2024-04-16 佳都科技集团股份有限公司 一种目标对象识别的方法及装置
CN113537343A (zh) * 2021-07-14 2021-10-22 厦门熵基科技有限公司 一种金属分类方法、装置、设备及存储介质
CN113723462B (zh) * 2021-08-02 2023-09-26 广东白云学院 危险品检测方法、装置、计算机设备和存储介质
CN114240928B (zh) * 2021-12-29 2024-03-01 湖南云箭智能科技有限公司 板卡质量的分区检测方法、装置、设备及可读存储介质
CN114565825B (zh) * 2022-04-27 2022-07-19 南京正驰科技发展有限公司 一种基于图像识别的安检复检方法及系统
CN115620066B (zh) * 2022-10-26 2023-04-18 北京声迅电子股份有限公司 一种基于x光图像的物品检测方法、装置及电子设备
CN116482038A (zh) * 2023-06-19 2023-07-25 北京中科太赫兹科技有限公司 基于kid探测器的远距离人携危险物探测管理系统
CN117409199B (zh) * 2023-10-19 2024-05-14 中南大学 一种基于云端大数据技术的成长型智慧安检系统及方法
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 (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108364017A (zh) * 2018-01-24 2018-08-03 华讯方舟科技有限公司 一种图像质量分类方法、系统及终端设备
CN110458166A (zh) * 2019-08-19 2019-11-15 广东工业大学 一种基于可变形卷积的危险品检测方法、装置及设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018192672A1 (en) * 2017-04-19 2018-10-25 Siemens Healthcare Gmbh Target detection in latent space

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108364017A (zh) * 2018-01-24 2018-08-03 华讯方舟科技有限公司 一种图像质量分类方法、系统及终端设备
CN110458166A (zh) * 2019-08-19 2019-11-15 广东工业大学 一种基于可变形卷积的危险品检测方法、装置及设备

Also Published As

Publication number Publication date
CN111667464A (zh) 2020-09-15

Similar Documents

Publication Publication Date Title
CN111667464B (zh) 危险品三维图像检测方法、装置、计算机设备及存储介质
Su et al. Region segmentation in histopathological breast cancer images using deep convolutional neural network
WO2021047232A1 (zh) 交互行为识别方法、装置、计算机设备和存储介质
WO2019144469A1 (zh) 一种图像质量分类方法、系统及终端设备
Di et al. A machine learning approach to crater detection from topographic data
JP5984559B2 (ja) 壊死細胞領域検出装置及びその方法、壊死細胞領域検出プログラム
Russ et al. A 2D range Hausdorff approach for 3D face recognition
US11676301B2 (en) System and method for efficiently scoring probes in an image with a vision system
CN112633297B (zh) 目标对象的识别方法、装置、存储介质以及电子装置
CN109903272B (zh) 目标检测方法、装置、设备、计算机设备和存储介质
CN110458007B (zh) 匹配人脸的方法、装置、计算机设备和存储介质
CN112884782B (zh) 生物对象分割方法、装置、计算机设备和存储介质
CN110751069A (zh) 一种人脸活体检测方法及装置
CN111415339A (zh) 一种复杂纹理工业产品图像缺陷检测方法
Košcevic et al. Automatic visual reading of meters using deep learning
CN113780145A (zh) 精子形态检测方法、装置、计算机设备和存储介质
CN117372487A (zh) 图像配准方法、装置、计算机设备和存储介质
CN116758419A (zh) 针对遥感图像的多尺度目标检测方法、装置和设备
CN114792300B (zh) 一种基于多尺度注意力x光断针检测方法
CN115797970A (zh) 基于YOLOv5模型的密集行人目标检测方法及系统
US11966842B2 (en) Systems and methods to train a cell object detector
CN113724237A (zh) 齿痕识别方法、装置、计算机设备及存储介质
Deepti Enhanced feature extraction technique for detection of pharmaceutical drugs
Evstafev et al. Surface Defect Detection and Recognition Based on CNN
CN114519729A (zh) 图像配准质量评估模型训练方法、装置和计算机设备

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
GR01 Patent grant
GR01 Patent grant