CN112016387A - 适用于毫米波安检仪的违禁品识别方法和装置 - Google Patents

适用于毫米波安检仪的违禁品识别方法和装置 Download PDF

Info

Publication number
CN112016387A
CN112016387A CN202010649483.3A CN202010649483A CN112016387A CN 112016387 A CN112016387 A CN 112016387A CN 202010649483 A CN202010649483 A CN 202010649483A CN 112016387 A CN112016387 A CN 112016387A
Authority
CN
China
Prior art keywords
contraband
training
human body
image
confidence
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
Application number
CN202010649483.3A
Other languages
English (en)
Inventor
吴亮
杨明辉
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.)
Hangzhou Simimage Technology Co ltd
Original Assignee
Hangzhou Simimage Technology 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 Hangzhou Simimage Technology Co ltd filed Critical Hangzhou Simimage Technology Co ltd
Publication of CN112016387A publication Critical patent/CN112016387A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V8/00—Prospecting or detecting by optical means
    • G01V8/005—Prospecting or detecting by optical means operating with millimetre waves, e.g. measuring the black losey radiation
    • 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
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Human Computer Interaction (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明实施例公开一种适用于毫米波安检仪的违禁品识别方法和装置，其中方法包括如下步骤：获取当前所采集的待检测人体图像，基于预先训练的违禁品识别模型计算待检测人体图像中含有违禁品的置信度分数，当置信度分数大于置信度阈值时，识别违禁品的类型。采用本发明，通过计算人体图像中含有违禁品的置信度分数，并将之作为判断藏有违禁品的依据，可以提高识别违禁品的准确度。

Description

适用于毫米波安检仪的违禁品识别方法和装置
技术领域
本发明涉及智能安检技术领域，尤其涉及一种适用于毫米波安检仪的违禁品识别方法和装置。
背景技术
随着互联网技术的快速发展，在人体安检领域人体成像安检仪设备也越来越智能化，目前已能做到自动检测人体图像，识别人体携带的违禁品，但对于藏匿特别隐蔽的违禁品，识别的准确度还有待提升。
发明内容
本发明实施例提供一种适用于毫米波安检仪的违禁品识别和装置，通过计算人体图像中含有违禁品的置信度分数，并将之作为判断藏有违禁品的依据，可以提高识别违禁品的准确度。
本发明实施例第一方面提供了一种适用于毫米波安检仪的违禁品识别方法，可包括：
获取当前所采集的待检测人体图像；
基于预先训练的违禁品识别模型计算待检测人体图像中含有违禁品的置信度分数；
当置信度分数大于置信度阈值时，识别违禁品的类型。
进一步的，上述方法还包括：
采集包含违禁品的训练图片；
对训练图片进行图像灰度化处理得到灰度图；
将灰度图输入违禁品识别模型训练，训练违禁品识别模型的模型参数。
进一步的，上述方法还包括：
对训练图片中的违禁品进行标注。
进一步的，上述方法还包括：
对识别出的违禁品进行标注。
进一步的，上述方法还包括：
根据识别出的违禁品的类型输出报警信息。
进一步的，上述方法还包括：
对识别出的违禁品进行标注后，再次计算待检测图像的置信度分数；
当置信度分数小于或等于置信度阈值时，确定待检测人体图像中不再藏有违禁品。
进一步的，上述当置信度分数大于置信度阈值时，识别违禁品的类型，包括：
当置信度分数大于置信度阈值时，基于违禁品识别模型识别待检测人体图像中涉及的违禁品编号；
根据违禁品编号查找并确定对应的违禁品类型。
本发明实施例第二方面提供了一种适用于毫米波安检仪的违禁品识别装置，可包括：
图像获取模块，用于获取当前所采集的待检测人体图像；
置信度计算模块，用于基于预先训练的违禁品识别模型计算待检测人体图像中含有违禁品的置信度分数；
违禁品识别模块，用于当置信度分数大于置信度阈值时，识别违禁品的类型。
进一步的，上述装置还包括：
训练数图片采集模块，用于采集包含违禁品的训练图片；
图像灰度化模块，用于对训练图片进行图像灰度化处理得到灰度图；
模型训练模块，用于将灰度图输入违禁品识别模型训练，训练违禁品识别模型的模型参数。
进一步的，上述装置还包括：
训练图像标注模块，用于对训练图片中的违禁品进行标注。
进一步的，上述装置还包括：
违禁品标注模块，用于对识别出的违禁品进行标注。
进一步的，上述装置还包括：报警信息输出模块，用于根报据识别出的违禁品的类型输出报警信息。
进一步的，上述装置还包括：
置信度计算模块，还用于对识别出的违禁品进行标注后，再次计算待检测图像的置信度分数；
识别判别模块，用于当置信度分数小于或等于置信度阈值时，确定待检测人体图像中不再藏有违禁品。
进一步的，上述违禁品识别模块，包括：
编号识别单元，用于当置信度分数大于置信度阈值时，基于违禁品识别模型识别待检测人体图像中涉及的违禁品编号；
类型查找单元，用于根据违禁品编号查找并确定对应的违禁品类型。
在本发明实施例中，通过获取当前所采集的待检测人体图像，再基于预先训练的违禁品识别模型计算待检测人体图像中含有违禁品的置信度分数，当置信度分数大于置信度阈值时，识别违禁品的类型。通过计算人体图像中含有违禁品的置信度分数，并将之作为判断藏有违禁品的依据，提高了识别违禁品的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1是本发明实施例提供的一种适用于毫米波安检仪的违禁品识别方法的流程示意图；
图2是本发明实施例提供的违禁品藏匿位置编号效果示意图；
图3是本发明实施例提供的待检测人体图像示意图；
图4是本发明实施例提供的一种适用于毫米波安检仪的违禁品识别装置的结构示意图；
图5是本发明实施例提供的违禁品识别模块的结构示意图；
图6是本发明实施例提供的一种适用于毫米波安检仪的违禁品识别装置的部分实体结构示意图；
图7是本发明实施例提供的一种适用于毫米波安检仪的违禁品识别装置的结构示意图。
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。
下面将结合附图1-附图3，对本发明实施例提供的适用于毫米波安检仪的违禁品识别方法进行详细介绍。
请参见图1，为本发明实施例提供了一种适用于毫米波安检仪的违禁品识别方法的流程示意图。如图1所示，本发明实施例的所述方法可以包括以下步骤S101-步骤S103。
S101，获取当前所采集的待检测人体图像。
可以理解的是，在进行违禁品识别之前，上述装置可以采集包含各类违禁品的训练图片，然后可以对所采集的所有训练图片进行图像灰度化处理得到灰度图，再将所得的灰度图作为违禁品识别模型的训练数据，训练该模型中的模型参数，最终得到能够识别不同类型违禁品的违禁品识别模型。优选的，上述违禁品识别模型可以是深度神经网络模型或者其他机器学习模型。可选的，在模型训练之前，上述装置可以对训练图片中的违禁品进行标注，以便训练出的违禁品识别模型可以对识别出的违禁品进行标注。
需要说明的是，在模型训练阶段，上述装置可以对训练图片中的违禁品的类型进行类型编号，也可以对违禁品在人体中的部位进行位置编号，例如，表1为违禁品类型的编号，表2为违禁品位置的编号，具体的位置编号对应在人体上可以如图2所示。
表1
Figure BDA0002574115050000041
Figure BDA0002574115050000051
表2
Figure BDA0002574115050000052
具体的，上述装置可以获取当前所采集的待检测人体图像，该图像可以是任一进入毫米波安检仪中正在进行安检的乘客通过毫米波安检仪所成的如图3所示的人像。
S102，基于预先训练的违禁品识别模型计算待检测人体图像中含有违禁品的置信度分数。
具体的，上述装置可以基于预先训练的违禁品识别模型计算待检测人体图像中含有违禁品的置信度分数，该置信度分数可以反映上述图像中含有违禁品的概率，分数越高表示人体携带违禁品的概率越大。可以理解的是，开发人员可以根据实验阶段的不断实验，得到一个能够反应人体携带违禁品的最小置信度分数即置信度阈值，大于该阈值时可以认为人体携带了违禁品。
S103，当置信度分数大于置信度阈值时，识别违禁品的类型。
可以理解的是，当上述置信度分数大于置信度阈值时，上述装置可以认为待检测人体图像中含有违禁品，进而可以基于上述违禁品识别模型识别违禁品的类型。
在可选实施例中，上述装置可以基于违禁品识别模型识别待检测人体图像中涉及的违禁品编号，再根据违禁品编号查找并确定对应的违禁品类型，或者可以直接输出违禁品类型的编号，通过类型编号方便了对检测出的违禁品进行类型划分。
在可选实施例中，上述装置可以对识别出的违禁品进行标注，并可以输出标注违禁品的位置编号，通过位置编号使得对违禁品位置的确定更加清楚。
需要说明的是，上述待检测人体图像中可能含有不止一种违禁品，上述装置可以对识别出的违禁品进行标注后，再次计算待检测图像的置信度分数，直至计算出的置信度分数小于或等于置信度阈值时，可以确定待检测人体图像中不再藏有违禁品。通过多次反复计算置信度分数，可以降低漏检的概率。
在可选实施例中，上述装置可以根据识别出的违禁品的类型输出报警信息，例如，可以语音输出违禁品的类型和位置，或者输出类型和位置对应的编号。
在本发明实施例中，通过获取当前所采集的待检测人体图像，再基于预先训练的违禁品识别模型计算待检测人体图像中含有违禁品的置信度分数，当置信度分数大于置信度阈值时，识别违禁品的类型。通过计算人体图像中含有违禁品的置信度分数，并将之作为判断藏有违禁品的依据，提高了识别违禁品的准确度。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机装置中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
下面将结合附图4和附图5，对本发明实施例提供的适用于毫米波安检仪的违禁品识别装置进行详细介绍。需要说明的是，附图4和附图5所示的违禁品识别装置，用于执行本发明图1-图3所示实施例的方法，为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明图1-图3所示的实施例。
请参见图4，为本发明实施例提供了一种适用于毫米波安检仪的违禁品识别装置的结构示意图。如图4所示，本发明实施例的违禁品识别装置10可以包括：图像获取模块101、置信度计算模块102、违禁品识别模块103、训练数图片采集模块104、图像灰度化模块105、模型训练模块106、训练图像标注模块107、违禁品标注模块108、报警信息输出模块109和识别判别模块110。其中，违禁品识别模块103如图5所示，包括编号识别单元1031和类型查找单元1032。
图像获取模块101，用于获取当前所采集的待检测人体图像。
可以理解的是，在进行违禁品识别之前，训练数图片采集模块104可以采集包含各类违禁品的训练图片，图像灰度化模块105可以对所采集的所有训练图片进行图像灰度化处理得到灰度图，模型训练模块106可以将所得的灰度图作为违禁品识别模型的训练数据，训练该模型中的模型参数，最终得到能够识别不同类型违禁品的违禁品识别模型。优选的，上述违禁品识别模型可以是深度神经网络模型或者其他机器学习模型。可选的，在模型训练之前，训练图像标注模块107可以对训练图片中的违禁品进行标注，以便训练出的违禁品识别模型可以对识别出的违禁品进行标注。
需要说明的是，在模型训练阶段，上述装置10可以对训练图片中的违禁品的类型进行类型编号，也可以对违禁品在人体中的部位进行位置编号，例如，上述表1为违禁品类型的编号，上述表2为违禁品位置的编号，具体的位置编号对应在人体上可以如图2所示。
具体实现中，图像获取模块101可以获取当前所采集的待检测人体图像，该图像可以是任一进入毫米波安检仪中正在进行安检的乘客通过毫米波安检仪所成的如图3所示的人像。
置信度计算模块102，用于基于预先训练的违禁品识别模型计算待检测人体图像中含有违禁品的置信度分数。
具体实现中，置信度计算模块102可以基于预先训练的违禁品识别模型计算待检测人体图像中含有违禁品的置信度分数，该置信度分数可以反映上述图像中含有违禁品的概率，分数越高表示人体携带违禁品的概率越大。可以理解的是，开发人员可以根据实验阶段的不断实验，得到一个能够反应人体携带违禁品的最小置信度分数即置信度阈值，大于该阈值时可以认为人体携带了违禁品。
违禁品识别模块103，用于当置信度分数大于置信度阈值时，识别违禁品的类型。
可以理解的是，当上述置信度分数大于置信度阈值时，违禁品识别模块103可以认为待检测人体图像中含有违禁品，进而可以基于上述违禁品识别模型识别违禁品的类型。
在可选实施例中，编号识别单元1031可以基于违禁品识别模型识别待检测人体图像中涉及的违禁品编号，类型查找单元1032可以根据违禁品编号查找并确定对应的违禁品类型，或者可以直接输出违禁品类型的编号，通过类型编号方便了对检测出的违禁品进行类型划分。
在可选实施例中，违禁品标注模块108可以对识别出的违禁品进行标注，并可以输出标注违禁品的位置编号，通过位置编号使得对违禁品位置的确定更加清楚。
需要说明的是，上述待检测人体图像中可能含有不止一种违禁品，违禁品标注模块108对识别出的违禁品进行标注后，置信度计算模块102可以再次计算待检测图像的置信度分数，直至计算出的置信度分数小于或等于置信度阈值时，识别判别模块110可以确定待检测人体图像中不再藏有违禁品。通过多次反复计算置信度分数，可以降低漏检的概率。
在可选实施例中，报警信息输出模块109可以根据识别出的违禁品的类型输出报警信息，例如，可以语音输出违禁品的类型和位置，或者输出类型和位置对应的编号。
在本发明实施例中，通过获取当前所采集的待检测人体图像，再基于预先训练的违禁品识别模型计算待检测人体图像中含有违禁品的置信度分数，当置信度分数大于置信度阈值时，识别违禁品的类型。通过计算人体图像中含有违禁品的置信度分数，并将之作为判断藏有违禁品的依据，提高了识别违禁品的准确度。
如图6所示，适用于毫米波安检仪的违禁品识别装置的一部分实体结构200的示意图，该实体结构200包含左壁部201和右壁部202，它们分别设置于相对两侧，在它们之间形成有一个供用户通过的通道205，在左壁部201和右壁部202的内部分别设有毫米波的传感器以完成扫描。
作为一种扩展方案，该实体结构200还设有一个显示器203，该显示器203用于显示信息和数据。另外，该实体结构200还包括一个顶部206，顶部206能使左壁部201和右壁部202构成一个整体。
请参见图7，为本发明实施例提供了一种适用于毫米波安检仪的违禁品识别装置的结构示意图。如图7所示，所述违禁品识别装置1000可以包括：至少一个处理器1001，例如CPU，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。其中，用户接口1003可以包括显示屏(Display)、键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如Wi-Fi接口)。存储器1005可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图7所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及数据缓存应用程序。
在图7所示的装置1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；网络接口1004用于与用户终端进行数据通信；而处理器1001可以用于调用存储器1005中存储的违禁品识别应用程序，并具体执行以下操作：
获取当前所采集的待检测人体图像；
基于预先训练的违禁品识别模型计算待检测人体图像中含有违禁品的置信度分数；
当置信度分数大于置信度阈值时，识别违禁品的类型。
在一个实施例中，处理器1001还执行以下操作：
采集包含违禁品的训练图片；
对训练图片进行图像灰度化处理得到灰度图；
将灰度图输入违禁品识别模型训练，训练违禁品识别模型的模型参数。
在一个实施例中，处理器1001，还用于执行以下操作：
对训练图片中的违禁品进行标注。
在一个实施例中，处理器100，还用于执行以下操作：
对识别出的违禁品进行标注。
在一个实施例中，处理器1001，还用于执行以下操作：
根据识别出的违禁品的类型输出报警信息。
在一个实施例中，处理器1001，还用于执行以下操作：
对识别出的违禁品进行标注后，再次计算待检测图像的置信度分数；
当置信度分数小于或等于置信度阈值时，确定待检测人体图像中不再藏有违禁品。
在一个实施例中，处理器1001在执行当置信度分数大于置信度阈值时，识别违禁品的类型时，具体执行以下操作：
当置信度分数大于置信度阈值时，基于违禁品识别模型识别待检测人体图像中涉及的违禁品编号；
根据违禁品编号查找并确定对应的违禁品类型。
在本发明实施例中，通过获取当前所采集的待检测人体图像，再基于预先训练的违禁品识别模型计算待检测人体图像中含有违禁品的置信度分数，当置信度分数大于置信度阈值时，识别违禁品的类型。通过计算人体图像中含有违禁品的置信度分数，并将之作为判断藏有违禁品的依据，提高了识别违禁品的准确度。
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，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种适用于毫米波安检仪的违禁品识别方法，其特征在于，包括：
获取当前所采集的待检测人体图像；
基于预先训练的违禁品识别模型计算所述待检测人体图像中含有违禁品的置信度分数；
当所述置信度分数大于置信度阈值时，识别所述违禁品的类型。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
采集包含违禁品的训练图片；
对所述训练图片进行图像灰度化处理得到灰度图；
将所述灰度图输入违禁品识别模型训练，训练所述违禁品识别模型的模型参数。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
对所述训练图片中的违禁品进行标注。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对识别出的所述违禁品进行标注。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据识别出的所述违禁品的类型输出报警信息。
6.根据权利要求4所述的方法，其特征在于，所述方法还包括：
对识别出的所述违禁品进行标注后，再次计算所述待检测图像的置信度分数；
当所述置信度分数小于或等于置信度阈值时，确定所述待检测人体图像中不再藏有违禁品。
7.根据权利要求1所述的方法，其特征在于，所述当所述置信度分数大于置信度阈值时，识别所述违禁品的类型，包括：
当所述置信度分数大于置信度阈值时，基于违禁品识别模型识别所述待检测人体图像中涉及的违禁品编号；
根据所述违禁品编号查找并确定对应的违禁品类型。
8.一种适用于毫米波安检仪的违禁品识别装置，其特征在于，所述装置包括：
图像获取模块，用于获取当前所采集的待检测人体图像；
置信度计算模块，用于基于预先训练的违禁品识别模型计算所述待检测人体图像中含有违禁品的置信度分数；
违禁品识别模块，用于当所述置信度分数大于置信度阈值时，识别所述违禁品的类型。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括：
训练数图片采集模块，用于采集包含违禁品的训练图片；
图像灰度化模块，用于对所述训练图片进行图像灰度化处理得到灰度图；
模型训练模块，用于将所述灰度图输入违禁品识别模型训练，训练所述违禁品识别模型的模型参数。
10.根据权利要求9所述的装置，其特征在于，所述装置还包括：
训练图像标注模块，用于对所述训练图片中的违禁品进行标注。
CN202010649483.3A 2019-07-08 2020-07-07 适用于毫米波安检仪的违禁品识别方法和装置 Pending CN112016387A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910611941 2019-07-08
CN2019106119411 2019-07-08

Publications (1)

Publication Number Publication Date
CN112016387A true CN112016387A (zh) 2020-12-01

Family

ID=73498399

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010649483.3A Pending CN112016387A (zh) 2019-07-08 2020-07-07 适用于毫米波安检仪的违禁品识别方法和装置

Country Status (1)

Country Link
CN (1) CN112016387A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113721299A (zh) * 2021-08-31 2021-11-30 成都智元汇信息技术股份有限公司 一种地铁安检模式配置管理方法
CN115311684A (zh) * 2022-08-05 2022-11-08 杭州电子科技大学 一种毫米波图像多角度检出结果的整合方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050128069A1 (en) * 2003-11-12 2005-06-16 Sondre Skatter System and method for detecting contraband
CN107607562A (zh) * 2017-09-11 2018-01-19 北京匠数科技有限公司 一种违禁物品识别设备及方法、x光行李安检系统
CN108875805A (zh) * 2018-05-31 2018-11-23 北京迈格斯智能科技有限公司 基于深度学习的利用检测识别一体化提高检测精度的方法
CN109799544A (zh) * 2018-12-28 2019-05-24 深圳市华讯方舟太赫兹科技有限公司 应用于毫米波安检仪的智能检测方法、装置以及存储装置
CN109978827A (zh) * 2019-02-25 2019-07-05 平安科技（深圳）有限公司 基于人工智能的违禁物识别方法、装置、设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050128069A1 (en) * 2003-11-12 2005-06-16 Sondre Skatter System and method for detecting contraband
CN107607562A (zh) * 2017-09-11 2018-01-19 北京匠数科技有限公司 一种违禁物品识别设备及方法、x光行李安检系统
CN108875805A (zh) * 2018-05-31 2018-11-23 北京迈格斯智能科技有限公司 基于深度学习的利用检测识别一体化提高检测精度的方法
CN109799544A (zh) * 2018-12-28 2019-05-24 深圳市华讯方舟太赫兹科技有限公司 应用于毫米波安检仪的智能检测方法、装置以及存储装置
CN109978827A (zh) * 2019-02-25 2019-07-05 平安科技（深圳）有限公司 基于人工智能的违禁物识别方法、装置、设备和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113721299A (zh) * 2021-08-31 2021-11-30 成都智元汇信息技术股份有限公司 一种地铁安检模式配置管理方法
CN113721299B (zh) * 2021-08-31 2023-01-10 成都智元汇信息技术股份有限公司 一种地铁安检模式配置管理方法
CN115311684A (zh) * 2022-08-05 2022-11-08 杭州电子科技大学 一种毫米波图像多角度检出结果的整合方法
CN115311684B (zh) * 2022-08-05 2023-03-28 杭州电子科技大学 一种毫米波图像多角度检出结果的整合方法

Similar Documents

Publication Publication Date Title
CN109145680B (zh) 一种获取障碍物信息的方法、装置、设备和计算机存储介质
KR102266529B1 (ko) 이미지 기반의 데이터 처리 방법, 장치, 기기 및 판독 가능 저장 매체
WO2018099194A1 (zh) 一种字符识别方法及装置
CN109977191B (zh) 问题地图检测方法、装置、电子设备和介质
CN108230390B (zh) 训练方法、关键点检测方法、装置、存储介质和电子设备
CN113470031B (zh) 息肉分型方法、模型训练方法及相关装置
CN111444850B (zh) 一种图片检测的方法和相关装置
WO2021115268A1 (zh) 地铁运行方向的确定方法、装置、终端及存储介质
CN111008576B (zh) 行人检测及其模型训练、更新方法、设备及可读存储介质
CN110059637B (zh) 一种人脸对齐的检测方法及装置
CN112016387A (zh) 适用于毫米波安检仪的违禁品识别方法和装置
CN110827236A (zh) 基于神经网络的脑组织分层方法、装置、计算机设备
CN113763348A (zh) 图像质量确定方法、装置、电子设备及存储介质
CN112308069A (zh) 一种软件界面的点击测试方法、装置、设备及存储介质
CN112614117A (zh) 设备区域提取模型训练方法、设备区域提取方法及装置
CN107291774A (zh) 错误样本识别方法和装置
WO2018105122A1 (ja) 教師データ候補抽出プログラム、教師データ候補抽出装置、及び教師データ候補抽出方法
CN114821551A (zh) 遗留物检测以及模型训练方法、装置和存储介质
CN113837257A (zh) 一种目标检测方法及装置
CN116152576B (zh) 图像处理方法、装置、设备及存储介质
CN116958512A (zh) 目标检测方法、装置、计算机可读介质及电子设备
CN115171122A (zh) 一种点读处理方法、装置、设备及介质
CN115393616A (zh) 目标跟踪方法、装置、设备以及存储介质
CN111488927B (zh) 分类阈值确定方法、装置、电子设备及存储介质
CN114694257A (zh) 多人实时三维动作识别评估方法、装置、设备及介质

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