CN112444889A - 一种快速安检行包远程集中判读系统及方法 - Google Patents
一种快速安检行包远程集中判读系统及方法 Download PDFInfo
- Publication number
- CN112444889A CN112444889A CN202011269722.9A CN202011269722A CN112444889A CN 112444889 A CN112444889 A CN 112444889A CN 202011269722 A CN202011269722 A CN 202011269722A CN 112444889 A CN112444889 A CN 112444889A
- Authority
- CN
- China
- Prior art keywords
- image
- luggage
- interpretation
- ray
- suspicious
- 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
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004806 packaging method and process Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 39
- 238000003062 neural network model Methods 0.000 claims description 23
- 238000002372 labelling Methods 0.000 claims description 18
- 238000003384 imaging method Methods 0.000 claims description 14
- 230000006978 adaptation Effects 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000004080 punching Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004043 dyeing Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282376 Panthera tigris Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V5/00—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity
- G01V5/20—Detecting prohibited goods, e.g. weapons, explosives, hazardous substances, contraband or smuggled objects
- G01V5/22—Active interrogation, i.e. by irradiating objects or goods using external radiation sources, e.g. using gamma rays or cosmic rays
Landscapes
- Physics & Mathematics (AREA)
- High Energy & Nuclear Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及一种快速安检行包远程集中判读系统及方法，系统包括：X射线检查设备，用于对行包进行X射线扫描形成X射线图像，判断行包是否安全，对可疑行包的违禁品进行预分类标注；并将可疑行包的X射线图像、可见光图像和预分类标注信息打包成判读任务发送到远程判读工作站；远程判读工作站，用于接收判读任务，进行人工判读，确定可疑行包中包含违禁品时，将人工判读结果返回对应的X射线设备进行声光电报警，将可疑行包的X射线图像和可见光图像发送到开包查验工作站；开包查验工作站，用于结合可疑行包的X射线图像和可见光图像，对可疑行包进行开包检验和录入登记。本发明可以大幅度的提高旅客乘坐轨道交通进站时随身携带物品的安检效率。
Description
技术领域
本发明涉及安全检测技术领域，尤其是一种快速安检行包远程集中判读系统及方法。
背景技术
随着国内反恐法的颁布和施行，乘客进站安检成为轨道交通行业必须设置的环节，而另一方面，在乘客实际出行的体验中，安检又逐渐成为制约轨道交通行业发展的一大痛点问题，安检的低效性同轨道交通的高效率之间的矛盾越来越凸显。因此如何能够实现乘客快速安检进站也成为轨道交通行业亟待解决的问题。
传统的轨道交通安检缺点如下：
1.一般情况下一个进站出入口设置一个以物品安检机为主的安检区域，一个安检区域设置一台标准物品扫描安检机，安检机输送带的运行速度为0.2米/秒，安检机旁边设置一个安检机判图终端，由判图安检员对乘客随身携带的物品经过X射线安检机扫描到的图像在本地进行判读，另外一侧设置一台人身检查安检门，对旅客进行人身扫描检查。
2.因为物品检查安检机输送带运行速度只有0.2米/秒，安检员还得针对每个物品的扫描图像都得进行确认判读，如发现疑似问题行包图像还得暂停输送带以便进行仔细确认，因此随身携带物品进站旅客稍微多一些就会造成旅客积压排队放置物品的情况，整体上影响旅客进站的通行效率。
3.因为物品安检机的判图终端位于本地，所以需要在本地安检机旁边设置一个供判图安检员判图的工位，这样一个安检区域只能摆放一个安检门进行旅客人身检查，而普通安检门又不能对旅客进行智能人身检查，存在误报警的情况，因此在轨道交通安检过程中安检门一般都形同虚设，无论旅客经过安检门之后安检门是否报警都需要有搜身安检员对着旅客人身进行一定程度的手动搜身安检，这样在一定程度上影响了旅客的通行效率，导致进站旅客稍微多一些，即便旅客都没有随身携带物品不需要经X射线机扫描行包，也会导致旅客积压，排队等待经过安检门检查。
4.因为现有轨道交通安检方法的设置，导致要么旅客随身携带物品检查积压排队，要么旅客人身安检积压排队的情况存在，整体上降低了安检的效率，在很大程度上影响了旅客进站乘车的通行效率。
5.另外因为现有安检模式中，物品安检机的判图安检员需要在本地安检机旁边的判图终端工作，所以一个安检区域就必须设置一个判图员岗位，而实际上一条地铁线路多个站点，每个站点的多个安检区域旅客通行人数是很不均衡的，所以导致有的地铁站和安检区域判图安检员十分繁忙，而有的地铁站和安检区域又很空闲，这样导致判图人员利用率很不均衡，造成一定程度上的人员浪费，而且影响整体安检效果。
6.因为最近几年人工智能的发展，有些地方尝试在物品安检中引入智能判图的方法，但是因为智能判图算法大部分都在致力于物品识别的准确率方面，而且因为公共安全的特殊性，导致虽然有些地方引入智能判图也只是作为辅助提醒，还是需要判图员对每个物品的射线安检图都进行百分之百的判读确认，智能判图的功能的引入既没有提高安检效率也没有降低安检员工作强度的作用。
发明内容
鉴于上述的分析，本发明旨在提供本专利申请公开了一种快速安检行包远程集中判读系统及方法，解决现有安检系统存在的问题。
本发明公开了一种快速安检行包远程集中判读系统，包括X射线检查设备、远程判读工作站以及开包查验工作站；
所述X射线检查设备，用于对行包进行X射线扫描形成X射线图像，并实时对X射线图像进行智能判图，判断行包是否安全，对可疑行包的违禁品进行预分类标注；并将可疑行包的X射线图像、可见光图像和预分类标注信息打包成判读任务发送到远程判读工作站；
所述远程判读工作站，用于接收判读任务，根据可疑行包的X射线图像以及预分类标注信息进行人工判读，确定可疑行包中包含违禁品时，将人工判读结果返回对应的X射线设备进行声光电报警，将可疑行包的X射线图像和可见光图像发送到开包查验工作站；
所述开包查验工作站，用于结合可疑行包的X射线图像和可见光图像，对可疑行包进行开包检验和录入登记。
进一步地，所述X射线检查设备与远程判读工作站的数量为M对N的关系，M大于N。
进一步地，还包括调度服务器，用于调度M台X射线检查设备与N台远程判读工作站之间的对应关系，协调X射线检查设备与远程判读工作站的工作量，实现判读任务的有序执行。
进一步地，所述X射线检查设备为通道式X射线安检仪，包括可见光成像设备、X射线成像设备、图像分包模块和智能判图模块；
所述可见光成像设备，用于拍摄进入设备通道的行包得到可见光外观图像；
所述X射线成像设备，用于扫描进入设备通道的行包得到X射线图像；
所述图像分包模块，用于将行包的X射线图像和可见光外观图像分包建立智能判图任务；
所述智能判图模块，用于利用训练好的判图模型对智能判图任务进行智能判图，提取X射线图像的样本特征；当X射线图像的样本特征符合安全图像特征时直接给出安全结果；当图像不符合安全图像特征时，判断行包为可疑行包，并对可疑行包的X射线图像中可能包含的违禁品种类进行智能识别和预分类标注；将可疑行包的X射线图像、可见光图像和预分类标注信息打包成人工判读任务发送到远程判读工作站。
进一步地，所述智能判图方法包括：
1)制作违禁品射线安检图像数据集；对安检图像数据集进行两级的分类标注；其中，第一级分类标注，将图像进行安全和不安全标注；第二级分类标注，将标注为不安全按类别进行再分类标注；
2)建立用于图像识别的神经网络模型；并根据可见光图像智能识别技术基础和算法框架，调试算法内部参数，优化神经网络模型的网络结构；
3)训练用于图像识别的神经网络模型；利用进行两级分类标注的图像数据集，训练并构建训练后的神经网络模型，采用并行训练方法训练神经网络；
4)对训练好的神经网络模型进行多机型与多场景适配得到智能判图模型；
5)利用智能判图模型，对行包的X射线图像进行判读，判断行包是否可疑，将可疑行包的X射线图像、可见光图像和分类标注信息打包成人工判读任务发送到远程判读工作站。
进一步地，所述并行训练方法包括模型并行化和数据并行化：
所述模型并行化：采用多个GPU进行训练，每个GPU分别持有模型的一个片；
所述数据并行化：在GPU上持有的模型的片结构参数相同，分配不同的训练数据进行训练；每个GPU上模型训练最后的loss计算得到梯度之后，再把梯度进行参数平均梯度，然后再根据平均梯度更新神经网络模型的参数。
进一步地，神经网络模型的多机型适配包括在X射线图像训练过程中，对输入样本进行多尺度的缩放图像输入，然后将其结果进行融合，用于适配不同机型产生的不同尺寸的图像识别；
神经网络模型的多场景适配包括对不同场景下不同危险品类别的报警阈值分别设置，以实现多场景的应用需求。
本发明还公开了一种快速安检行包远程集中判读方法，包括以下步骤：
步骤S1、X射线检查设备对行包进行X射线扫描形成的X射线图像，并实时对X射线图像进行智能判图，判断行包是否安全，对可疑行包的违禁品进行预分类标注；并将可疑行包的X射线图像、可见光图像和预分类标注信息打包成判读任务发送到远程判读工作站；
步骤S2、远程判读工作站接收判读任务，根据可疑行包的X射线图像以及预分类标注信息进行人工判读，确定可疑行包中包含违禁品时，将人工判读结果返回对应的X射线设备进行声光电报警，将可疑行包的X射线图像和可见光图像发送到开包查验工作站；
步骤S3、安检人员在X射线检查设备进行声光电报警提醒下，到X射线检查设备找到可疑行包送至开包查验工作站，结合可疑行包的X射线图像和可见光图像，对可疑行包进行开包检验和录入登记。
进一步地，所述步骤S1中包括：
1)旅客携带的随身行包通过X射线检查设备，由X射线检查设备自动采集行包的X射线图像和可见光图像；
2)将行包的X射线图像和可见光外观图像分包建立智能判图任务；
3)通过智能判图模型对智能判图任务进行智能判图，对识别为安全行包的任务放行，将可疑行包的X射线图像、可见光图像和预分类标注信息打包成人工判读任务，通过调度服务器的调度发送到对应的远程判读工作站；
所述调度服务器根据包括X射线检查设备所在位置、图像采集时间以及远程判读工作站状态在内的匹配条件，给X射线检查设备匹配对应的远程判读工作站，以实现将人工判读任务发送给最早空闲的远程判读工作站。
进一步地，所述步骤S2中，远程判读工作站从调度服务器收到人工判读任务之后，将X射线图像和可见光图像打卡显示在主要工作区域，显示的内容包括图像来源、预分类标注信息、采集时间和人工判读按钮；安检员通过人工判读按钮选择判读任务，依据自身经验，结合智能判读结果的预分类标注信息，对判图工作站上面显示的图像进行人工判读，给出最终的判读结果；如果最终的判断结果为安全行包，则不返回信息到X射线检查设备，对行包放行；如果最终的判断结果为包含有违禁品的行包，则将人工判读结果返回对应的X射线检查设备进行声光电报警，将可疑行包的X射线图像和可见光图像发送到开包查验工作站。
本发明至少可实现以下有益效果之一：
1.通过物品安检机输送带速的提高，结合智能判图和远程集中判图的合理使用，可以大幅度的提高旅客乘坐轨道交通进站时随身携带物品的安检效率；
2.通过整个地铁线路多个站点，多个出入口安检区域的物品安检机都进行远程集中判图综合调度和管理，可以大幅度的优化和提高轨道交通安检员工作效率和安检效果，在很大程度上缩减轨道交通安检的人工费用和开支，从而在根本上解决目前轨道交通安检中的痛点问题。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本实施例中的行包远程集中判读系统组成连接原理示意图；
图2为本实施例中的行包远程集中判读方法流程图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。
本实施例公开了一种快速安检行包远程集中判读系统，如图1所示，包括X射线检查设备、远程判读工作站、开包查验工作站以及调度服务器；
所述X射线检查设备，用于对旅客携带的行包进行X射线扫描形成的X射线图像，并实时对X射线图像进行智能判图；确定安全行包和可疑行包，对可疑行包中包含的疑似违禁品进行预分类标注；将可疑行包的X射线图像、可见光图像和预分类标注信息打包成人工判读任务发送到远程判读工作站；
所述远程判读工作站，采用集中判读的方式(也称之为远程集中判图工作站)，接收X射线检查设备发送的人工判读任务，根据可疑行包的X射线图像以及预分类标注信息进行人工判读，当人工判读确定可疑行包中包含违禁品时，将人工判读结果返回对应的X射线设备进行声光电报警，将可疑行包的X射线图像和可见光图像发送到开包查验工作站；
所述开包查验工作站，用于结合可疑行包的X射线图像和可见光图像，对可疑行包进行开包检验和录入登记。
其中，所述X射线检查设备与远程判读工作站的数量为M对N的关系；不是传统的检查与判读1对1的关系；M大于N。
所述调度服务器，用于调度X射线检查设备与远程判读工作站之间的对应关系，按照需要任意的划分为对应的组合，协调X射线检查设备与远程判读工作站的工作量，实现判读任务的有序执行。
例如，一条地铁线路多个站点，每个站点的多个安检区域旅客通行人数是很不均衡的，有的地铁站和安检区域旅客通行人数多，有的地铁站和安检区域又很空闲；每个远程判读工作站处理人工判读任务的数量、时机和速度也不相同，有的远程判读工作站任务繁忙，有的相对空闲；通过调度服务器，及时掌握调度X射线检查设备与远程判读工作站的工作情况，协调X射线检查设备与远程判读工作站的工作量，实现判读任务的有序执行，减少人工判读任务的积压。
本实施例的系统还包括与X射线检查设备配合的不少于2台智能安检门，用于对旅客进行人身安检，实现全面的安检。
智能安检门具备智能识别功能；智能识别报警的旅客进行搜身安检，智能识别无报警旅客无需搜身检查快速通行。
具体的，X射线检查设备为通道式X射线安检仪，包括可见光成像设备、X射线成像设备、图像分包模块和智能判图模块；
所述可见光成像设备，用于拍摄进入设备通道的行包得到可见光外观图像；
所述X射线成像设备，用于扫描进入设备通道的行包得到X射线图像；
所述图像分包模块，用于将行包的X射线图像和可见光外观图像分包建立智能判图任务；
所述智能判图模块，用于智能判图任务，利用训练好的判图模型对X射线图像进行智能检测和分析，自动提取样本特征，实现高质量的检测准确率和高实时性识别效率，当X射线图像符合安全图像特征时直接给出安全结果，判断行包为安全行包；当图像不符合安全图像特征时，判断行包为可疑行包，对可以行包X射线图像中可能包含的违禁品种类进行智能识别和分类标注后；将可疑行包的X射线图像、可见光图像和分类标注信息打包成人工判读任务发送到远程判读工作站；
更具体的，智能判图功能模块的智能判图方法包括：
1)制作违禁品射线安检图像数据集；对安检图像数据集进行两级的分类标注；
数据集是机器学习技术的基础要素，数据集质量直接决定系统的工作能力，本实施例通过采集大量的地铁、铁路、民航等地真实场景中的X射线图像，并根据现场实际人工判读结果对图像进行两级分类标注；
第一级分类标注，将图像进行安全和不安全标注；
第二级分类标注，将标注为不安全的图像再做详细分类标注，具体的详细分类包括管制刀具、斧头、锤子、扳手、指扣/指虎、剪刀/钳子、玻璃瓶/酒瓶、液体的塑料瓶、金属瓶/保温杯、压力容器罐、枪支、子弹或枪支零部件、电池/移动电源、手机/平板电脑等小型电子设备、笔记本电脑等大型电子产品、铁壳打火机、塑料打火机等16种子类，随后将标注完的图像进行图形学预处理创建样本库。
2)建立用于图像识别的神经网络模型；
根据深度学习前沿的可见光图像智能识别技术基础和算法框架，通过调试算法内部参数，优化神经网络模型的网络结构；
本实施例的神经网络模型采用mmdetection的Cascade R-CNN算法，基于pytorch实现的。
通过选取backbone，设置anchor参数，训练/验证数据集的设置，包括optimizer参数，迭代次数，学习率，优化策略，iou/nms等设置参数。
将深度学习方法迁移到针对射线图像中的违禁品识别功能，针对具体的场景特征开展研究开发工作将识别准确率最高化，
并通过重新模块化编写程序代码，提高运行效率，保证结构完整的同时提升计算速度。
具体的，为了提高运行效率，首先用主程序、子程序、子过程等框架把软件的主要结构和流程描述出来，并定义和调试好各个框架之间的输入、输出链接关系逐步求精的结果是得到一系列以功能块为单位的算法。以功能块为单位进行程序设计，实现其求解算法。
3)训练用于图像识别的神经网络模型；
使用样本库中设置不同类别标签的样本，训练并构建训练后的神经网络模型，样本训练采用并行程序设计以提高训练效率，并将特征向量样本库上传至后台数据存储网络。
具体的将样本库中第一类分类标注图像作为训练网络模型的负样本，第二类详细标注的16类违禁品图像作为不同类别的正样本，分batch作为训练模型的输入，选择框架、算法、模型，根据上述的设置参数进行调试，训练生成神经网络模型。
通过并行程序提高训练效率的方法包括：
模型并行化：采用多个GPU进行训练，每个GPU分别持有模型的一个片。
数据并行化：每个GPU上面跑一个模型，模型与模型之间结构参数相同，只是训练的数据不一样，每个模型通过最后的loss计算得到梯度之后，再把梯度进行参数平均梯度，然后再根据平均梯度更新模型的参数。
具体我们是单机多卡训练：比如一台机器上装有4个GPU卡，以cpu做为保存一下参数和变量，进行梯度平均。其余4个GPU训练模型(worker)，进行一些计算量比加大的操作。
1)本地对数据切分为一个一个的batch；
2)把数据分别放到送到四个GPU进行模型训练，每个GPU拿到数据不一样；
3)四个GPU训练，求loss得到梯度，并把梯度送回到CPU进行模型平均。
4)CPU接收四个GPU传来的梯度，进行梯度平均。
5)四个GPU更新参数；
6)重复2)～5)直到模型收敛。
4)对训练好的神经网络模型进行多机型与多场景适配；
多机型适配：在X射线图像训练过程中，对输入样本进行多尺度的缩放图像输入(图像金字塔)，然后将其结果进行融合，因而适配不同机型产生的不同尺寸的图像识别；
多场景适配：对不同场景下不同危险品类别的报警阈值分别设置，满足不同场景的应用需求。多机型与多场景适配：
针对最小的机型为5030型安检机，最大适用于150180型安检机，同时兼容单双视角安检机和CT安检机，适配于不同机型的高、低速安检时，产生的图像尺寸不同，相同的违禁品在不同机型上的呈现尺寸、成像角度和染色有所差异。为满足不同场景下的成本，功耗，速度稳定性等需求，综合目前基于深度卷积神经网络技术的目标识别方法中，对高速轻量的网络模型与准确率高的大型网络模型进行分步融合，对违禁品图像实现多种类、高速度、高精度的检测识别。同时对图像尺寸、成像角度和染色的差异，模型具有较好的跨机型适应能力。
构建两个卷积神经网络模型，然后使用我们的训练数据集分别对这两个模型进行训练和对参数进行优化，使用优化后的模型对验证集进行预测，并将各模型的预测结果进行加权平均以作为最后的输出结果，通过对输出结果和真实结果的对比，来完成对融合模型准确率的计算。多模型融合能够能提高训练准确率，降低过拟合。
5)利用适配好的智能判图模型，对行包的X射线图像进行判图；
a.判断X射线图像的特征是否符合安全图像特征，如果符合则直接给出安全结果，判断行包为安全行包；
b.当X射线图像的特征不符合安全图像特征时，将X射线图像判定为可疑图像；判断行包为可疑行包；
c.对于安全行包的不进行进一步分类，对于可疑行包的X射线图像进一步判断图像特征是否符合16种子类违禁品图像特征中的一种，进行可疑图像分类，并进行分类标注；
d.对不能分类到16种子类违禁品的可疑图像，标注为未完成分类。
将可疑行包的X射线图像、可见光图像和分类标注信息打包成人工判读任务发送到远程判读工作站，进行人工判读。
进一步地，为保证在旅客从X射线检查设备出口端拿走物品之前X射线机收到判图工作站的判图结果，需要将X射线机出口端的口通道做适当延长，整体长度以从X射线机出口机身到通道末端算中长度不大于2米为宜。
进一步地，另为保证每幅图像给安检员留出至少5秒钟的判图时间，图像采集识别完成之后再通过集中调度到达判图工作站的过程时间不能超过1.5秒钟。
本实施例还公开了利用上述系统的快速安检行包远程集中判读方法，如图2所示，包括以下步骤：
步骤S1、X射线检查设备对旅客携带的行包进行X射线扫描形成的X射线图像，并实时对X射线图像进行智能判图，确定安全行包和可疑行包，对可疑行包中包含的疑似违禁品进行预分类标注；将可疑行包的X射线图像、可见光图像和预分类标注信息打包成人工判读任务发送到远程判读工作站；
步骤S2、远程判读工作站接收人工判读任务，根据可疑行包的X射线图像以及预分类标注信息进行人工判读，当人工判读确定可疑行包中包含违禁品时，将人工判读结果返回对应的X射线检查设备进行声光电报警，将可疑行包的X射线图像和可见光图像发送到开包查验工作站；
步骤S3、安检人员在X射线检查设备进行声光电报警提醒下，到X射线检查设备找到可疑行包送至开包查验工作站进行开包检查和录入登记。
所述开包查验工作站，用于结合可疑行包的X射线图像和可见光图像，对可疑行包进行开包检验和录入登记。
具体的，步骤S1中包括
1)旅客携带的随身行包通过X射线检查设备由X射线检查设备自动采集物品的X射线图像和可见光图像；
2)将行包的X射线图像和可见光外观图像分包建立智能判图任务；
3)通过智能判图模型对智能判图任务进行识别和判图，对识别为安全行包的任务放行，将可疑行包的X射线图像、可见光图像和预分类标注信息打包成人工判读任务，通过调度服务器的调度发送到远程判读工作站；
所述调度服务器根据X射线检查设备所在位置、图像采集时间等条件匹配对应的远程判读工作站，根据远程判读工作站状态找到符合条件的最早空闲的远程判读工作站，并将图像发送过去。
具体的。步骤S2中远程判读工作站从调度服务器收到人工判读任务之后，将X射线图像和可见光图像打卡并显示在主要工作区域，显示的内容包括图像来源、预分类标注信息、采集时间等，并显示人工判读按钮。安检员通过人工判读按钮选择判读任务，依据自身经验，结合智能判读结果的预分类标注信息，对判图工作站上面显示的图像给出最终的判读结果，如果最终的判断结果为安全行包，则不返回信息到X射线检查设备，对行包放行；如果最终的判断结果为包含有违禁品的行包，将人工判读结果返回对应的X射线检查设备进行声光电报警，将可疑行包的X射线图像和可见光图像发送到开包查验工作站；
具体的，步骤S3中X射线检查设备点亮设备的声光报警装置，提示安检人员行包包含违禁品，现场处置安检员收到声光报警提示信息之后，从开包查验工作站获得该行包的可见光图像，按照该可见光图像从X射线设备出口找到对应的行包，送到开包处理工作站对其实施开包处理。并根据检查结果对旅客和行包实施放行或者移交公安等处理。
为进行整体的进站安检，本实施例还包括旅客人身检查；
步骤1、旅客在将随身携带的行包放置到X射线安全检查设备上之后，随即行走通过位于X射线安检设备旁边的安检门，在X射线机两侧分别都有安检门，旅客可以根据现场实际情况选择合适的安检门通过；
步骤2、旅客通过安检门时安检门对旅客人身进行智能检测，如发现旅客随身携带疑似违禁物品则安检门发出报警，否则不报警。
步骤3、对安检门发出报警的旅客由搜身员对旅客进行搜身检查，并根据搜身检查结果对旅客实施放行或者移交公安等处理，没有报警的旅客直接通过安检门。
步骤4、旅客通过安检门后无报警或者报警并经过安检仪搜身检查无异常的旅客从X射线机出口处找到自己的随身物品拿好后进站乘车。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种快速安检行包远程集中判读系统，其特征在于，包括X射线检查设备、远程判读工作站以及开包查验工作站；
所述X射线检查设备，用于对行包进行X射线扫描形成X射线图像，并实时对X射线图像进行智能判图，判断行包是否安全，对可疑行包的违禁品进行预分类标注；并将可疑行包的X射线图像、可见光图像和预分类标注信息打包成判读任务发送到远程判读工作站；
所述远程判读工作站，用于接收判读任务，根据可疑行包的X射线图像以及预分类标注信息进行人工判读，确定可疑行包中包含违禁品时，将人工判读结果返回对应的X射线设备进行声光电报警，将可疑行包的X射线图像和可见光图像发送到开包查验工作站；
所述开包查验工作站，用于结合可疑行包的X射线图像和可见光图像，对可疑行包进行开包检验和录入登记。
2.根据权利要求1所述的行包远程集中判读系统，其特征在于，所述X射线检查设备与远程判读工作站的数量为M对N的关系，M大于N。
3.根据权利要求2所述的行包远程集中判读系统，其特征在于，还包括调度服务器，用于调度M台X射线检查设备与N台远程判读工作站之间的对应关系，协调X射线检查设备与远程判读工作站的工作量，实现判读任务的有序执行。
4.根据权利要求1所述的行包远程集中判读系统，其特征在于，所述X射线检查设备为通道式X射线安检仪，包括可见光成像设备、X射线成像设备、图像分包模块和智能判图模块；
所述可见光成像设备，用于拍摄进入设备通道的行包得到可见光外观图像；
所述X射线成像设备，用于扫描进入设备通道的行包得到X射线图像；
所述图像分包模块，用于将行包的X射线图像和可见光外观图像分包建立智能判图任务；
所述智能判图模块，用于利用训练好的判图模型对智能判图任务进行智能判图，提取X射线图像的样本特征；当X射线图像的样本特征符合安全图像特征时直接给出安全结果；当图像不符合安全图像特征时，判断行包为可疑行包，并对可疑行包的X射线图像中可能包含的违禁品种类进行智能识别和预分类标注；将可疑行包的X射线图像、可见光图像和预分类标注信息打包成人工判读任务发送到远程判读工作站。
5.根据权利要求4所述的行包远程集中判读系统，其特征在于，
所述智能判图方法包括：
1)制作违禁品射线安检图像数据集；对安检图像数据集进行两级的分类标注；其中，第一级分类标注，将图像进行安全和不安全标注；第二级分类标注，将标注为不安全按类别进行再分类标注；
2)建立用于图像识别的神经网络模型；并根据可见光图像智能识别技术基础和算法框架，调试算法内部参数，优化神经网络模型的网络结构；
3)训练用于图像识别的神经网络模型；利用进行两级分类标注的图像数据集，训练并构建训练后的神经网络模型，采用并行训练方法训练神经网络；
4)对训练好的神经网络模型进行多机型与多场景适配得到智能判图模型；
5)利用智能判图模型，对行包的X射线图像进行判读，判断行包是否可疑，将可疑行包的X射线图像、可见光图像和分类标注信息打包成人工判读任务发送到远程判读工作站。
6.根据权利要求5所述的行包远程集中判读系统，其特征在于，
所述并行训练方法包括模型并行化和数据并行化：
所述模型并行化：采用多个GPU进行训练，每个GPU分别持有模型的一个片；
所述数据并行化：在GPU上持有的模型的片结构参数相同，分配不同的训练数据进行训练；每个GPU上模型训练最后的loss计算得到梯度之后，再把梯度进行参数平均梯度，然后再根据平均梯度更新神经网络模型的参数。
7.根据权利要求5所述的行包远程集中判读系统，其特征在于，
神经网络模型的多机型适配包括在X射线图像训练过程中，对输入样本进行多尺度的缩放图像输入，然后将其结果进行融合，用于适配不同机型产生的不同尺寸的图像识别；
神经网络模型的多场景适配包括对不同场景下不同危险品类别的报警阈值分别设置，以实现多场景的应用需求。
8.一种快速安检行包远程集中判读方法，其特征在于，包括以下步骤：
步骤S1、X射线检查设备对行包进行X射线扫描形成的X射线图像，并实时对X射线图像进行智能判图，判断行包是否安全，对可疑行包的违禁品进行预分类标注；并将可疑行包的X射线图像、可见光图像和预分类标注信息打包成判读任务发送到远程判读工作站；
步骤S2、远程判读工作站接收判读任务，根据可疑行包的X射线图像以及预分类标注信息进行人工判读，确定可疑行包中包含违禁品时，将人工判读结果返回对应的X射线设备进行声光电报警，将可疑行包的X射线图像和可见光图像发送到开包查验工作站；
步骤S3、安检人员在X射线检查设备进行声光电报警提醒下，到X射线检查设备找到可疑行包送至开包查验工作站，结合可疑行包的X射线图像和可见光图像，对可疑行包进行开包检验和录入登记。
9.根据权利要求8所述的行包远程集中判读方法，其特征在于，所述步骤S1中包括：
1)旅客携带的随身行包通过X射线检查设备，由X射线检查设备自动采集行包的X射线图像和可见光图像；
2)将行包的X射线图像和可见光外观图像分包建立智能判图任务；
3)通过智能判图模型对智能判图任务进行智能判图，对识别为安全行包的任务放行，将可疑行包的X射线图像、可见光图像和预分类标注信息打包成人工判读任务，通过调度服务器的调度发送到对应的远程判读工作站；
所述调度服务器根据包括X射线检查设备所在位置、图像采集时间以及远程判读工作站状态在内的匹配条件，给X射线检查设备匹配对应的远程判读工作站，以实现将人工判读任务发送给最早空闲的远程判读工作站。
10.根据权利要求9所述的行包远程集中判读方法，其特征在于，所述步骤S2中，远程判读工作站从调度服务器收到人工判读任务之后，将X射线图像和可见光图像打卡显示在主要工作区域，显示的内容包括图像来源、预分类标注信息、采集时间和人工判读按钮；安检员通过人工判读按钮选择判读任务，依据自身经验，结合智能判读结果的预分类标注信息，对判图工作站上面显示的图像进行人工判读，给出最终的判读结果；如果最终的判断结果为安全行包，则不返回信息到X射线检查设备，对行包放行；如果最终的判断结果为包含有违禁品的行包，则将人工判读结果返回对应的X射线检查设备进行声光电报警，将可疑行包的X射线图像和可见光图像发送到开包查验工作站。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011269722.9A CN112444889A (zh) | 2020-11-13 | 2020-11-13 | 一种快速安检行包远程集中判读系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011269722.9A CN112444889A (zh) | 2020-11-13 | 2020-11-13 | 一种快速安检行包远程集中判读系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112444889A true CN112444889A (zh) | 2021-03-05 |
Family
ID=74738233
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011269722.9A Pending CN112444889A (zh) | 2020-11-13 | 2020-11-13 | 一种快速安检行包远程集中判读系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112444889A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113139950A (zh) * | 2021-05-08 | 2021-07-20 | 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 |
| CN113341474A (zh) * | 2021-05-31 | 2021-09-03 | 上海英曼尼安全装备有限公司 | 一种辅助判别危险品方法和装置 |
| CN114113164A (zh) * | 2021-12-08 | 2022-03-01 | 北京航星机器制造有限公司 | 一种用于安检设备的图像集中判读方法 |
| CN114113165A (zh) * | 2021-12-08 | 2022-03-01 | 北京航星机器制造有限公司 | 一种用于安检设备的行包判读方法 |
| CN114814973A (zh) * | 2022-03-28 | 2022-07-29 | 北京中盾安民分析技术有限公司 | 一种人机混合决策的智能安检系统及方法 |
| WO2023207308A1 (zh) * | 2022-04-29 | 2023-11-02 | 同方威视技术股份有限公司 | 用于在线训练辐射图像识别模型的方法、辐射图像识别方法和装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003029844A2 (en) * | 2001-10-01 | 2003-04-10 | L-3 Communications Security & Detection Systems | Remote data access |
| US20030085163A1 (en) * | 2001-10-01 | 2003-05-08 | Chan Chin F. | Remote data access |
| US20060274916A1 (en) * | 2001-10-01 | 2006-12-07 | L-3 Communications Security And Detection Systems | Remote data access |
| US9014425B2 (en) * | 2010-04-21 | 2015-04-21 | Optosecurity Inc. | Method and system for use in performing security screening |
| CN107346539A (zh) * | 2016-05-06 | 2017-11-14 | 同方威视技术股份有限公司 | 用于判图任务分配的方法、系统和设备 |
| CN108229449A (zh) * | 2018-02-23 | 2018-06-29 | 华讯方舟科技有限公司 | 一种并行式人体安检系统 |
| CN109030524A (zh) * | 2018-09-04 | 2018-12-18 | 广州地铁设计研究院有限公司 | 一种城市轨道交通安检集中判图系统 |
| CN110163179A (zh) * | 2019-05-29 | 2019-08-23 | 浙江啄云智能科技有限公司 | 一种基于深度学习的违禁品检测识别方法、系统、设备及其存储介质 |
| CN110749934A (zh) * | 2019-10-15 | 2020-02-04 | 北京中盾安民分析技术有限公司 | 一种旅检智能通道自动匹配远程集中判读系统及方法 |
| CN111443100A (zh) * | 2020-05-12 | 2020-07-24 | 北京声迅电子股份有限公司 | 一种基于智能识别技术安检集中判图系统 |
| CN111680729A (zh) * | 2020-05-30 | 2020-09-18 | 中国船舶重工集团公司第七一三研究所 | 基于x光机图像机场旅客安检危险品实时高识别率方法 |
| WO2020187077A1 (zh) * | 2019-03-21 | 2020-09-24 | 长安大学 | 一种基于深度神经网络的安检系统及方法 |
-
2020
- 2020-11-13 CN CN202011269722.9A patent/CN112444889A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003029844A2 (en) * | 2001-10-01 | 2003-04-10 | L-3 Communications Security & Detection Systems | Remote data access |
| US20030085163A1 (en) * | 2001-10-01 | 2003-05-08 | Chan Chin F. | Remote data access |
| US20060274916A1 (en) * | 2001-10-01 | 2006-12-07 | L-3 Communications Security And Detection Systems | Remote data access |
| US9014425B2 (en) * | 2010-04-21 | 2015-04-21 | Optosecurity Inc. | Method and system for use in performing security screening |
| CN107346539A (zh) * | 2016-05-06 | 2017-11-14 | 同方威视技术股份有限公司 | 用于判图任务分配的方法、系统和设备 |
| CN108229449A (zh) * | 2018-02-23 | 2018-06-29 | 华讯方舟科技有限公司 | 一种并行式人体安检系统 |
| CN109030524A (zh) * | 2018-09-04 | 2018-12-18 | 广州地铁设计研究院有限公司 | 一种城市轨道交通安检集中判图系统 |
| WO2020187077A1 (zh) * | 2019-03-21 | 2020-09-24 | 长安大学 | 一种基于深度神经网络的安检系统及方法 |
| CN110163179A (zh) * | 2019-05-29 | 2019-08-23 | 浙江啄云智能科技有限公司 | 一种基于深度学习的违禁品检测识别方法、系统、设备及其存储介质 |
| CN110749934A (zh) * | 2019-10-15 | 2020-02-04 | 北京中盾安民分析技术有限公司 | 一种旅检智能通道自动匹配远程集中判读系统及方法 |
| CN111443100A (zh) * | 2020-05-12 | 2020-07-24 | 北京声迅电子股份有限公司 | 一种基于智能识别技术安检集中判图系统 |
| CN111680729A (zh) * | 2020-05-30 | 2020-09-18 | 中国船舶重工集团公司第七一三研究所 | 基于x光机图像机场旅客安检危险品实时高识别率方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113139950A (zh) * | 2021-05-08 | 2021-07-20 | 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 |
| 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 |
| CN113341474A (zh) * | 2021-05-31 | 2021-09-03 | 上海英曼尼安全装备有限公司 | 一种辅助判别危险品方法和装置 |
| CN114113164A (zh) * | 2021-12-08 | 2022-03-01 | 北京航星机器制造有限公司 | 一种用于安检设备的图像集中判读方法 |
| CN114113165A (zh) * | 2021-12-08 | 2022-03-01 | 北京航星机器制造有限公司 | 一种用于安检设备的行包判读方法 |
| CN114113165B (zh) * | 2021-12-08 | 2023-08-08 | 北京航星机器制造有限公司 | 一种用于安检设备的行包判读方法 |
| CN114113164B (zh) * | 2021-12-08 | 2023-08-08 | 北京航星机器制造有限公司 | 一种用于安检设备的图像集中判读方法 |
| CN114814973A (zh) * | 2022-03-28 | 2022-07-29 | 北京中盾安民分析技术有限公司 | 一种人机混合决策的智能安检系统及方法 |
| CN114814973B (zh) * | 2022-03-28 | 2024-03-08 | 北京中盾安民分析技术有限公司 | 一种人机混合决策的智能安检系统及方法 |
| WO2023207308A1 (zh) * | 2022-04-29 | 2023-11-02 | 同方威视技术股份有限公司 | 用于在线训练辐射图像识别模型的方法、辐射图像识别方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112444889A (zh) | 一种快速安检行包远程集中判读系统及方法 | |
| EP3349048A1 (en) | Inspection devices and methods for detecting a firearm in a luggage | |
| EP3899508A1 (en) | Automated inspection system and associated method for assessing the condition of shipping containers | |
| CN110390691A (zh) | 一种基于深度学习的矿石尺度测量方法及应用系统 | |
| CN107607562A (zh) | 一种违禁物品识别设备及方法、x光行李安检系统 | |
| 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 | |
| CN108038424B (zh) | 一种适用于高空作业的视觉自动化检测方法 | |
| CN113115225B (zh) | 基于危险源监测与人员定位的电子围栏区域生成系统 | |
| CN110264440B (zh) | 基于深度学习的大规模列车移位故障检测方法及系统 | |
| CN111860510B (zh) | 一种x光图像目标检测方法及装置 | |
| CN110569843B (zh) | 一种矿井目标智能检测与识别方法 | |
| CN113792826B (zh) | 基于神经网络和多源数据的双视角关联安检方法及系统 | |
| CN110263623B (zh) | 列车攀爬监测方法、装置、终端及存储介质 | |
| CN109145843A (zh) | 一种卡口高清相机全车信息识别系统及方法 | |
| CN112967289A (zh) | 安检包裹匹配方法、系统、设备及存储介质 | |
| CN111310635B (zh) | 基于TensorFlow的安检违禁品识别系统及方法 | |
| CN115294528A (zh) | 一种行人安全监控方法及装置 | |
| CN109469507A (zh) | 一种煤矿运销系统 | |
| CN111126112A (zh) | 候选区域确定方法和装置 | |
| CN116206155A (zh) | 基于YOLOv5网络的废钢分类识别方法 | |
| CN211905739U (zh) | 安检设备 | |
| CN114782411A (zh) | 一种基于神经网络的危险品识别方法及识别系统 | |
| CN114581803A (zh) | 一种物品识别处理方法和装置 | |
| Xiao et al. | Monitoring the Abnormal Human Behaviors in Substations based on Probabilistic Behaviours Prediction and YOLO-V5 | |
| CN113533382A (zh) | 一种快速高效的客运站房数据共享安检系统及方法 |
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 |