CN112581467B - 一种基于疑似危险品评价的智能安检方法 - Google Patents
一种基于疑似危险品评价的智能安检方法 Download PDFInfo
- Publication number
- CN112581467B CN112581467B CN202011599942.8A CN202011599942A CN112581467B CN 112581467 B CN112581467 B CN 112581467B CN 202011599942 A CN202011599942 A CN 202011599942A CN 112581467 B CN112581467 B CN 112581467B
- Authority
- CN
- China
- Prior art keywords
- dangerous goods
- data
- dangerous
- article
- independent
- 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
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 51
- 238000011156 evaluation Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 59
- 238000011176 pooling Methods 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000005251 gamma ray Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30112—Baggage; Luggage; Suitcase
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及一种基于疑似危险品评价的智能安检方法，属于安检技术领域，该方法包括以下步骤：通过安检CT设备获取过包物体的体数据，对分割出的独立物品进行特征值提取，获取物品的危险品相似率向量，使用危险品识别模块获取物品的危险品分类识别概率向量，进而对物品进行危险品综合评估，并基于评估结果判断是否进行告警。本方法对疑似危险物识别全面，能减少漏检事件发生，在确保安检质量的同时还能大大提高安检效率，对需要高精度安检的应用场景提供了有效保障。
Description
技术领域
本发明属于安检技术领域，尤其涉及一种基于疑似危险品评价的智能安检方法。
背景技术
日常安检中，X射线物品安检机，是当前应用最广的主力安检设备，广泛应用于公安、交通、政府、大型活动现场等场合，主要针对刀具，枪支，液体容器等，具有典型形状特征的危险品进行排查。近年来，国内外厂商和科研机构，基于深度学习技术，探索开发了的危险品智能识别功能，并且建立了成熟的被检物风险智能评价方法与系统。
在民航、海关等要求更高的安检场合，安检CT设备已经得到了快速推广。目前主流的安检CT采用双能技术，不仅能够获得被检物的三维形态数据，还能进一步得到各点的电子密度和有效原子序数数据，所以，具有较为准确地分辨物质种类的能力。相比于普通X射线安检机，安检CT设备对于检测毒品、爆炸物和生物组织具有非常突出的优势。
但由于安检场景中要求过包速度较快，导致CT设备获得的扫描切片数据分辨率较低，现有基于X射线的智能评价方法不能应用在CT安检中。而且危险品在过包安检时可能以不可预期的角度与形态出现，尤其是对疑似危险品，仅仅依靠安检人员的主观判断会产生误差和错判，这就需要量化的评价标准给予安检人员作为判别是否需要开包检查的依据
在安检量巨大的场景中，对CT智能安检的需求极为迫切，但是目前缺少一种有效的基于CT的智能安检方法。
发明内容
鉴于以上现有技术的不足，本发明旨在提供一种基于疑似危险品评价的智能安检方法，用以解决现有CT安检方法误差较大、智能程度低、工作效率低等问题。
一种基于疑似危险品评价的智能安检方法，包括以下步骤：
通过安检CT设备获取过包物体的体数据；
基于所述过包物体的体数据，分割得到m个独立物品的体数据，对各独立物品进行特征值提取；其中，m为分割得到的独立物品的数量；
依次将m个独立物品的所述特征值与危险品数据库中的数据进行比对，获取每一物品的危险品相似率向量；
基于所述过包物品的体数据，进行多角度再投影获得二维投影数据；
使用危险品识别模块对所述二维投影数据进行智能识别，获取物品的危险品分类识别概率向量；
基于所述危险品相似率向量和所述危险品分类识别概率向量，对物品进行危险品综合评估，基于评估结果判断是否进行告警。
进一步地，所述过包物体的体数据，包括物体空间点的三维坐标数据、RGB三通道色彩数据、等效原子序数和电子密度。
进一步地，通过对过包物体的所述体数据进行区域边缘检测，分割得到m个独立物品的体数据。
进一步地，所述特征值，包括元素分布百分比、相对电子密度和形体特征率；对各独立物品进行特征值提取，包括：
依据所述物品各空间点的等效原子序数，得到该物品各成分元素占该物品总元素的分布比率，提取得到所述元素分布百分比；
依据CT值与相对电子密度转换关系，得到该物品的相对电子密度；
依据该物品通过边缘检测得到的形体数据与危险品形体模型数据的拟合关系，提取得到该物品的形体特征率。
进一步地，所述危险品数据库，具有n类危险品的物品特征值数据，包括危险品的名称、元素分布百分比数据、相对电子密度数据、相似率阈值α、以及由所述n类危险品的相似率阈值组成的危险品相似率阈值向量W1(α1,α2,…,αn)。
进一步地，所述获取每一物品的危险品相似率向量，是将所述物品特征值与所述危险品数据库中的数据进行比较，得到该物品的所述危险品相似率向量Ki(h1,h2,…,hn)，其中Ki为所述m个独立物品中序号为i的物品代号，h1至hn为物品Ki相对于n类不同危险品的相似率。
进一步地，对所述物体的体数据进行多角度再投影，对所得投影图进行图像增强处理，得到所述二维投影数据，所述二维投影数据包括二维坐标数据和坐标点对应的归一化至[0,1]区间的RGB三通道值数据。
进一步地，所述危险品识别模块，包括：输入层、隐藏层和输出层，所述隐藏层包含卷积层、池化层和全连接层；其中，
所述输入层的输入数据为所述二维投影数据；
所述卷积层，卷积核个数为25，卷积核大小为3×3，步长为1，并用ReLU作为激活函数；用于对来自所述输入层的输入数据进行特征提取，对于每一张输入图片可以提取出25个特征图；
所述池化层采用步长为2的最大池化；
所述全连接层用于对所述卷积层和池化层提取的特征进行加权求和，以获得对所述二维投影数据进行识别分类的结果；
所述输出层为全连接层的末端神经元，神经元总数等于危险品类别总数n；每个输出层神经元代表一个危险品种类，其输出值为归一化分类概率值；
所述危险品识别模块在应用前使用反向传播算法对网络参数进行训练，训练集为包括所述n类危险品的名称标签的危险品图像数据集；对训练后的识别结果进行统计，得到n类危险品的分类识别阈值β1至βn，组成危险品的分类识别阈值向量W2(β1,β2,…,βn)。
进一步地，所述获取物品的危险品分类识别概率向量，包括：通过将所述二维投影数据输入到所述危险品识别模块后，获得相对于每一类危险品的识别概率p1至pn，组成该物品的危险品分类识别概率向量T(p1,p2,…,pn)。
进一步地，所述对物品进行危险品综合评估，包括：
对所述m个独立物品，依次进行比较评估，并对评估结果进行排序列表；其中，对物品Ki的评估方法为：
将物品Ki的危险品相似率向量Ki(h1,h2,…,hn)与所述危险品相似率阈值向量W1(α1,α2,…,αn)比较，将h1至hn中小于对应的λ×α向量的h项值设为0，代表不含该类危险品；λ为物品Ki的形体特征率；
将所述危险品分类识别概率向量T(p1,p2,…,pn)与所述危险品的分类识别阈值向量W2(β1,β2,…,βn)比较，将p1至pn中小于β向量的p项值设为0，代表不包含该项危险品。
经上述处理后，将Ki(h1,h2,…,hn)与T(p1,p2,…,pn)做向量加法运算，再与评估阈值W3(γ1,γ2,…,γn)做向量减法运算，得到评估结果F(f1,f2,…,fn)；其中，
γ1至γn为所述n类危险品的疑似危险品评估阈值；
f1至fn为该物品相对于每一类危险品的疑似程度；对f1至fn中大于0的项，将物品Ki评估为疑似该项所代表的危险品；对其中小于等于0的项，评估为不含该项所代表的危险品；
对评估出来的疑似危险品结果按f值的高低进行排序列表。
本发明有益效果如下：
本发明利用安检CT在立体成像和成分探测方面的优势，对疑似危险品进行智能分类和特征比对，进而通过综合评估，量化了评估标准，实现了对疑似危险品的高精度识别，给予安检人员精确的判断依据。本方法对疑似危险物识别全面，能减少漏检事件发生，在确保安检质量的同时还能大大提高安检效率，对需要高精度安检的应用场景提供了有效保障。
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。
图1为本发明实施例基于疑似危险品评价的智能安检方法的流程图。
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，并非用于限定本发明的范围。
本发明提出了一种基于疑似危险品评价的智能安检方法，能对被测物品进行综合评估，提高安检工作效率和可靠率。
方法实施例
如图1所示的流程图，一种基于疑似危险品评价的智能安检方法：
步骤S1：通过安检CT设备获取过包物体的体数据。
具体的，过包物体的体数据，包括物体空间点的三维坐标数据、RGB三通道色彩数据、等效原子序数和电子密度。
双能CT安检设备运行时，通过对过包物体进行CT扫描，得到过包物体的原始CT切片数据，基于原始CT切片数据，利用滤波反投影重建算法，通过计算得到过包物体空间切片上各点材质的等效原子序数和电子密度。
对所述切片数据按立体空间位置叠加成为物体的空间三维体坐标数据，并将所述空间切片上各点材质的等效原子序数和电子密度作为物体空间向量数据的另两个向量，组合成物体的体数据矩阵L(t)。
式中，L(t)为t时刻过包的物体的体数据矩阵；l000至lxyz为物体空间点；x、y、z为物体空间点的三维坐标数据；r、g、b为RGB三色通道色彩值，每通道取值范围为0至255；a为物体空间点的等效原子序数；b为物体空间点的电子密度。
步骤S2：基于获取的过包物体的体数据，分割得到m个独立物品的体数据，对各独立物品进行特征值提取。
通过对物体的体数据进行区域边缘检测的方法，分割出独立物品的体数据。分割出m个物品K1至Km时，分别得到物品K1至Km的体数据。
基于每个物品的体数据对每个物品进行特征值提取，所述特征值包括元素分布百分比、相对电子密度和形体特征率。
所述元素分布百分比，是依据物品各空间点的等效原子序数向量，得到该物品各成分元素占该物品总元素的分布比率；
相对电子密度，是依据CT数据与相对电子密度的转换关系得出；
所述形体特征率，是依据对该物品的边缘检测，得到该物品形体数据，再与危险品形体模型数据进行拟合，对拟合误差做均值，得到该物品的形体特征率λ；其中，形体特征率λ为大于0的一个数值，λ越小，代表该物品越形似危险品，如当该物品为片状物品时，该物品的形体特征率λ小于1。
步骤S3：依次对分割出来的m个物品的特征值与危险品数据库中的数据进行比对，获取m个物品的危险品相似率向量。
所述危险品数据库包含了n类危险品的物品特征值数据，包括危险品的名称、元素分布百分比数据、相对电子密度数据以及相似率阈值α。n类危险品的相似率阈值组成危险品相似率阈值向量W1(α1,α2,…,αn)，α1至αn为根据测试实验数据得出的实验值，并可以根据不同的安检应用场景进行相应的调整。
基于特征值数据，对第i个物品的特征值与n种危险品数据进行比较，得到该物品与n种危险品相似程度的危险品相似率向量Ki(h1,h2,…,hn)，其中h1至hn为物品Ki相对于n类不同危险品的相似率。
步骤S4：基于所述过包物体的体数据，获取二维投影数据。
需要说明的是，该步骤S4与步骤S2～S3可以顺序进行，也可以并行进行。
对步骤S1获得的过包物体的体数据进行多角度投影，对所得投影图进行图像增强处理，获得二维投影数据。所述二维投影数据实质为安检物品的平面投影图片，包含二维坐标数据和坐标点对应的归一化至[0,1]区间的RGB三通道值数据。
所述图像增强处理，是由于大螺距CT得到的图像清晰度较低，通过卷积自编码器算法，将所述投影图进行清晰度补充增强，得到更高分辨率的图像，从而获得包含更多的图像特征的信息。
所述卷积自编码器算法，包括基于卷积神经网络的编码器网络和解码器网络。将投影图输入编码器网络，得到一组编码数据，将编码数据输入解码器网络，得到图像增强的二维投影数据。
步骤S5：使用危险品识别模块对所述二维投影数据进行智能识别，获取危险品分类识别概率向量。
采用危险品识别模块对步骤S4中得到的二维投影数据进行识别。
所述危险品识别模块，为一种卷积神经网络，用于对输入安检图片数据进行特征提取，并通过自身的神经网络对图像特征进行分类，分类结果表现在输出层。
危险品识别模块包括输入层、隐藏层和输出层。其中隐藏层包含卷积层、池化层和全连接层。其中，
输入层：输入层的输入数据为步骤S4得到的二维投影数据。
卷积层：在卷积层，设定卷积核个数为25，卷积核大小为3×3，步长为1，并用ReLU作为激活函数。卷积层的功能是对来自输入层的输入数据进行特征提取，对于每一张输入图片可以提取出25个特征图。
池化层：在池化层采用步长为2的最大池化。池化层的功能是将特征图中的单个点结果替换为其相邻区域的特征图统计量，从而达到保留特征并减少训练参数的目的。
全连接层：全连接层的作用是对卷积层和池化层得到的特征进行加权求和以得到对输入图片进行识别分类的目的。
输出层：为全连接层的末端神经元，神经元总数等于危险品类别总数。每个输出层神经元代表一个危险品种类，其输出值为归一化分类概率值。
训练过程：卷积神经网络使用反向传播算法对网络参数进行训练，训练集为包括n类危险品名称标签的危险品图像数据集。对训练后的识别结果进行统计，得到n类危险品的分类识别阈值β1至βn，组成分类识别阈值向量W2(β1,β2,…,βn)。
采用危险品识别模块对所述二维投影数据进行识别过程为：将需要识别的二维投影数据T，输入到训练好的危险品识别模块中，得到T对应n种危险品的危险品分类识别概率向量T(p1,p2,…,pn)。
步骤S6：基于步骤S3得到的危险品相似率向量和步骤S5得到的危险品分类识别概率向量，对物品进行危险品综合评估。
具体的，对m个物品，依次进行比较评估，并对评估结果进行排序列表。
其中，对物品Ki的评估方法为：
将物品Ki的危险品相似率向量Ki(h1,h2,…,hn)与危险品相似率阈值向量W1(α1,α2,…,αn)比较，将h1至hn中小于λ×α的h项值设为0，代表不含该类危险品。其中λ为物品Ki的形体特征率。
对二维投影数据T的危险品分类识别概率向量T(p1,p2,…,pn)与危险品的分类识别阈值向量W2(β1,β2,…,βn)比较，将p1至pn中小于β的p项值设为0,代表不包含该项危险品。
经上述处理后，将Ki(h1,h2,…,hn)与T(p1,p2,…,pn)做向量加法运算，再与评估阈值W3(γ1,γ2,…,γn)做向量减法运算，得到评估结果F(f1,f2,…,fn)。
所述评估阈值W3(γ1,γ2,…,γn)为经验阈值，其中γ1至γn为所述n类危险品的疑似危险品评估阈值。
f1至fn为该物品相对于每一类危险品的疑似程度；对f1至fn中大于0的项，将物品Ki评估为疑似该项所代表的危险品；对其中小于等于0的项，评估为不含该项所代表的危险品。
对评估出来的疑似危险品结果按f值的高低进行排序列表，在显示终端进行告警，以此作为量化的评估指标，给予安检人员作为是否需要开包检查的判别依据。
本发明涉及的方法能对危险品进行较高精度的识别评估，相较于目前同行业的其它基于CT的安检方法，本方法对疑似危险物识别全面，在确保安检质量的同时还能大大提高安检效率，对需要高精度安检的应用场景提供了有效保障。
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 (6)
1.一种基于疑似危险品评价的智能安检方法，其特征在于，包括以下步骤：
通过安检CT设备获取过包物品的体数据；
基于所述过包物品的体数据，分割得到m个独立物品的体数据，基于所述体数据对各独立物品进行特征值提取；其中，m为分割得到的独立物品的数量；
依次将m个独立物品的所述特征值与危险品数据库中的数据进行比对，获取每一独立物品的危险品相似率向量，其中：所述危险品数据库，具有n类危险品的物品特征值数据，包括危险品的名称、元素分布百分比数据、相对电子密度数据、相似率阈值α以及由所述n类危险品的相似率阈值α组成的危险品相似率阈值向量W1(α1,α2,…,αn)；
所述获取每一独立物品的危险品相似率向量，是将第i个独立物品特征值与所述危险品数据库中的数据进行比较，得到第i个独立物品的所述危险品相似率向量为Ki(h1,h2,…,hn)，h1至hn为第i个独立物品相对于n类不同危险品的相似率；
基于所述过包物品的体数据，进行多角度再投影获得二维投影数据；
使用危险品识别模块对所述二维投影数据进行智能识别，获取独立物品的危险品分类识别概率向量，其中：获得该独立物品相对于每一类危险品的识别概率p1至pn，组成该独立物品的危险品分类识别概率向量T(p1,p2,…,pn)；
所述危险品识别模块为卷积神经网络，所述危险品识别模块在应用前使用反向传播算法对网络参数进行训练，训练集为包括所述n类危险品的名称标签的危险品图像数据集；对训练后的识别结果进行统计，得到n类危险品的分类识别阈值β1至βn，组成危险品的分类识别阈值向量W2(β1,β2,…,βn)；
基于所述危险品相似率向量Ki(h1,h2,…,hn)和所述危险品分类识别概率向量T(p1,p2,…,pn)，对独立物品进行危险品综合评估，基于评估结果判断是否进行告警，包括：对所述m个独立物品，依次进行比较评估，并对评估结果进行排序列表；其中，对第i个独立物品的评估方法为：
将第i个独立物品的危险品相似率向量Ki(h1,h2,…,hn)与危险品相似率阈值向量W1(α1,α2,…,αn)比较，将h1至hn中小于对应的λ×α向量的h项值设为0，代表不含该类危险品；λ为第i个独立物品的形体特征率；所述形体特征率，是依据对该独立物品的边缘检测，得到该独立物品形体数据，再与危险品形体模型数据进行拟合，对拟合误差做均值，得到该独立物品的形体特征率λ；
将所述危险品分类识别概率向量T(p1,p2,…,pn)与所述危险品的分类识别阈值向量W2(β1,β2,…,βn)比较，将p1至pn中小于β向量的p项值设为0，代表不包含该项危险品；
经上述处理后，将所述危险品相似率向量Ki(h1,h2,…,hn)与所述危险品分类识别概率向量T(p1,p2,…,pn)做向量加法运算，再与评估阈值W3(γ1,γ2,…,γn)做向量减法运算，得到评估结果F(f1,f2,…,fn)；其中：γ1至γn为所述n类危险品的疑似危险品评估阈值；f1至fn为该独立物品相对于每一类危险品的疑似程度；对f1至fn中大于0的项，将第i个独立物品评估为疑似该项所代表的危险品；对其中小于等于0的项，评估为不含该项所代表的危险品；
对评估出来的疑似危险品结果按f1至fn值的高低进行排序列表。
2.根据权利要求1所述的一种基于疑似危险品评价的智能安检方法，其特征在于，所述过包物品的体数据，包括物体空间点的三维坐标数据、RGB三通道色彩数据、等效原子序数和电子密度。
3.根据权利要求2所述的一种基于疑似危险品评价的智能安检方法，其特征在于通过对过包物品的所述体数据进行区域边缘检测，分割得到m个独立物品的体数据。
4.根据权利要求3所述的一种基于疑似危险品评价的智能安检方法，其特征在于，所述特征值，包括元素分布百分比、相对电子密度和形体特征率；对各独立物品进行特征值提取，包括：
依据所述独立物品各空间点的等效原子序数，得到该独立物品各成分元素占该物品总元素的分布比率，提取得到所述元素分布百分比；
依据CT值与相对电子密度转换关系，得到该独立物品的相对电子密度。
5.根据权利要求4所述的一种基于疑似危险品评价的智能安检方法，其特征在于，对所述独立物品的体数据进行多角度再投影，对所得投影图进行图像增强处理，得到所述二维投影数据，所述二维投影数据包括二维坐标数据和坐标点对应的归一化至[0,1]区间的RGB三通道值数据。
6.根据权利要求5所述的一种基于疑似危险品评价的智能安检方法，其特征在于，所述危险品识别模块，包括：输入层、隐藏层和输出层，所述隐藏层包含卷积层、池化层和全连接层；其中，
所述输入层的输入数据为所述二维投影数据；
所述卷积层，卷积核个数为25，卷积核大小为3×3，步长为1，并用ReLU作为激活函数；用于对来自所述输入层的输入数据进行特征提取，对于每一张输入图片提取出25个特征图；
所述池化层采用步长为2的最大池化；
所述全连接层用于对所述卷积层和池化层提取的特征进行加权求和，以获得对所述二维投影数据进行识别分类的结果；
所述输出层为全连接层的末端神经元，神经元总数等于危险品类别总数n；每个输出层神经元代表一个危险品种类，其输出值为归一化分类概率值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011599942.8A CN112581467B (zh) | 2020-12-25 | 2020-12-25 | 一种基于疑似危险品评价的智能安检方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011599942.8A CN112581467B (zh) | 2020-12-25 | 2020-12-25 | 一种基于疑似危险品评价的智能安检方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112581467A CN112581467A (zh) | 2021-03-30 |
| CN112581467B true CN112581467B (zh) | 2023-11-07 |
Family
ID=75144217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011599942.8A Active CN112581467B (zh) | 2020-12-25 | 2020-12-25 | 一种基于疑似危险品评价的智能安检方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112581467B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114113172B (zh) * | 2021-12-23 | 2024-01-09 | 北京航星机器制造有限公司 | 一种ct安检方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105068134A (zh) * | 2015-07-29 | 2015-11-18 | 公安部第一研究所 | 一种利用x射线多视角图像探测鞋中藏匿危险品的方法 |
| JP2016008966A (ja) * | 2014-06-25 | 2016-01-18 | 同方威視技術股▲フン▼有限公司 | セキュリティーチェックｃｔシステム及びその方法 |
| CN108182454A (zh) * | 2018-01-18 | 2018-06-19 | 苏州大学 | 安检识别系统及其控制方法 |
| CN111667464A (zh) * | 2020-05-21 | 2020-09-15 | 平安科技（深圳）有限公司 | 危险品三维图像检测方法、装置、计算机设备及存储介质 |
-
2020
- 2020-12-25 CN CN202011599942.8A patent/CN112581467B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016008966A (ja) * | 2014-06-25 | 2016-01-18 | 同方威視技術股▲フン▼有限公司 | セキュリティーチェックｃｔシステム及びその方法 |
| CN105068134A (zh) * | 2015-07-29 | 2015-11-18 | 公安部第一研究所 | 一种利用x射线多视角图像探测鞋中藏匿危险品的方法 |
| CN108182454A (zh) * | 2018-01-18 | 2018-06-19 | 苏州大学 | 安检识别系统及其控制方法 |
| CN111667464A (zh) * | 2020-05-21 | 2020-09-15 | 平安科技（深圳）有限公司 | 危险品三维图像检测方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| Explosives detection systems (EDS) for aviation security;Sameer Singh;《Signal Processing》;第83卷(第1期);第31-55页 * |
| 危险品实时检测定位的Faster RCNN算法研究;邱钊鹏 等;《电子器件》;第43卷(第2期);第386-390段 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112581467A (zh) | 2021-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111145177B (zh) | 图像样本生成方法、特定场景目标检测方法及其系统 | |
| CN108765412B (zh) | 一种带钢表面缺陷分类方法 | |
| CN105095856B (zh) | 基于掩模的有遮挡人脸识别方法 | |
| CN112967243A (zh) | 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法 | |
| CN110533606B (zh) | 基于生成式对抗网络的安检x光违禁品图像数据增强方法 | |
| CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
| CN113920107A (zh) | 一种基于改进yolov5算法的绝缘子破损检测方法 | |
| CN111860171A (zh) | 一种大规模遥感图像中不规则形状目标的检测方法及系统 | |
| CN108108751A (zh) | 一种基于卷积多特征和深度随机森林的场景识别方法 | |
| CN104636707A (zh) | 自动检测香烟的方法 | |
| CN114565594B (zh) | 基于软掩膜对比损失的图像异常检测方法 | |
| CN109948527B (zh) | 基于集成深度学习的小样本太赫兹图像异物检测方法 | |
| CN110197259A (zh) | 基于小批量数据集与深度学习算法的晶圆缺陷检测方法 | |
| CN113095404B (zh) | 基于前后背景分卷积神经网络的x光违禁物品检测方法 | |
| CN115797970B (zh) | 基于YOLOv5模型的密集行人目标检测方法及系统 | |
| CN115170529A (zh) | 基于注意力机制的多尺度微小瑕疵检测方法 | |
| CN112581467B (zh) | 一种基于疑似危险品评价的智能安检方法 | |
| CN110728214B (zh) | 一种基于尺度匹配的弱小人物目标检测方法 | |
| CN115266732A (zh) | 基于机器视觉的碳纤维丝束缺陷检测方法 | |
| CN115035381A (zh) | 一种SN-YOLOv5的轻量化目标检测网络及农作物采摘检测方法 | |
| CN112633286B (zh) | 一种基于危险品相似率和识别概率的智能安检系统 | |
| Zhu et al. | AMOD-net: Attention-based multi-scale object detection network for X-ray baggage security inspection | |
| CN112183640B (zh) | 一种基于不规则物体的检测和分类方法 | |
| CN113838040A (zh) | 一种针对彩色纹理织物缺陷区域的检测方法 | |
| CN110992324B (zh) | 一种基于x射线图像的智能危险品检测方法及系统 |
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 |