CN112712093A - 安检图像识别方法、装置、电子设备及存储介质 - Google Patents
安检图像识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112712093A CN112712093A CN202110029587.9A CN202110029587A CN112712093A CN 112712093 A CN112712093 A CN 112712093A CN 202110029587 A CN202110029587 A CN 202110029587A CN 112712093 A CN112712093 A CN 112712093A
- Authority
- CN
- China
- Prior art keywords
- luggage
- security
- image
- image recognition
- result
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000007689 inspection Methods 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims description 50
- 238000001514 detection method Methods 0.000 claims description 19
- 238000002372 labelling Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 239000002360 explosive Substances 0.000 claims description 4
- 239000007788 liquid Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- G01V5/22—
-
- 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
-
- 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
Abstract
本发明涉及一种安检图像识别方法、装置、电子设备及存储介质,该方法包括:获取行李的X光图像;将行李的X光图像输入预先训练的第一安检图像识别模型,得到第一识别结果;其中,第一安检图像识别模型用于判定行李的危险等级;将行李的X光图像输入预先训练的第二安检图像识别模型,得到第二识别结果;其中,第二安检图像识别模型用于标注行李携带的物品的类别;级联第一识别结果和第二识别结果,生成行李的最终安检结果。本发明通过综合判断得出行李的安监结果,避免漏报误报新型违禁品,减小了漏报误报的概率。此外,将行李的危险等级划分为危险行李、安全行李和待核实行李,工作人员仅需对待核实行李进行详细审核,提升了工作效率。
Description
技术领域
本发明涉及安检技术领域,具体涉及一种安检图像识别方法、装 置、电子设备及存储介质。
背景技术
随着经济快速发展,高铁,飞机等已经成为了人们日常出行必不 可少的交通工具,然而乘客有意或者无意地携带危险品乘坐交通工具 却成了交通运输安全的最大威胁。X光安检机对于危险品安全检测和 保障交通运输工具运行安全方面有着重要的作用。
传统的安检模式是工作人员根据自身工作经验基于行李的X光 图像对其进行危险等级界定,高强度的工作量和人为的主观性,极易 造成工作人员的检测盲区。为此,许多厂家开始致力于智能安检识别 算法的研究,通过机器识别行李X光图像中的关键物品,若出现违禁 品,自动警报提醒工作人员,以提升工作效率。
然而,这些厂家是完全通过目标检测进行智能识别,存在两个主 要问题。第一,目标检测模型需要对目标类别进行学习,然而行李物 品的形状多种多样,违禁品的形状也在不断变化,使得智能安检识别 的误报漏报概率过高,因此工作人员不能完全依赖于智能识别的结果。 第二,不同厂家对关键物品的标注类别不一致,使得工作人员需要适 应各种产品,在一定程度上反而增加了工作复杂性。
发明内容
本发明实施例提供一种安检图像识别方法、装置、电子设备及存 储介质,用以解决现有技术中误报率和漏报率过高的缺陷,实现更高 效、更准确地对行李X光图像的识别。
本发明第一方面实施例提供一种安检图像识别方法,包括:
获取行李的X光图像;
将所述行李的X光图像输入预先训练的第一安检图像识别模型, 得到第一识别结果;其中,所述第一安检图像识别模型用于划分所述 行李的危险等级;
将所述行李的X光图像输入预先训练的第二安检图像识别模型, 得到第二识别结果;其中,所述第二安检图像识别模型用于标注所述 行李中物品的类别;
根据所述第一识别结果和所述第二识别结果,确定对所述行李的 安检结果。
上述技术方案中,根据所述第一识别结果和所述第二识别结果, 确定对所述行李的安检结果,包括:
当所述第一识别结果显示所述行李的危险等级为危险,且所述第 二识别结果显示所述行李中物品的类别包含违禁品,判定安检结果为 危险行李;
或,当所述第一识别结果显示所述行李的危险等级为安全,且所 述第二识别结果显示所述行李中物品的类别均为生活用品,判定安检 结果为安全行李;
或,当所述第一识别结果与所述第二识别结果的显示内容存在冲 突,判定安检结果为待核实。
上述技术方案中,所述第一识别结果与所述第二识别结果的显示 内容存在冲突包括:
当所述第一识别结果显示所述行李的危险等级为危险,但所述第 二识别结果显示所述行李中物品的类别均为生活用品;
或,当所述第一识别结果显示所述行李的危险等级为安全,但所 述第二识别结果显示所述行李中物品的类别包含违禁品。
工作人员针对待核实行李需要进行详细的检查和标注核对,针对 其他两类行李,直接采取相应的处理方式,即针对危险行李直接进行 开箱检查;针对安全行李直接通过。
上述技术方案中,所述第一安检图像识别模型是基于多示例学习 模型训练得到的;
所述第二安检图像识别模型是基于目标检测网络模型训练得到 的。
上述技术方案中,方法还包括:
获取训练图像;
当所述训练图像中的物品包含违禁品时,将所述训练图像划分为 负样本;以及,当所述训练图像中的物品均为生活用品时,将所述训 练图像划分为正样本;
基于所述正样本和所述负样本,训练多示例学习模型,得到所述 第一安检图像识别模型;
对所述训练图像中的物品进行标注;
基于所述训练图像和所述训练图像中物品的标注,对所述目标检 测网络模型进行训练,得到所述第二安检图像识别模型。
上述技术方案中,对所述训练图像中的物品进行标注,包括:
标注出所述正样本中的生活用品;以及
标注出所述负样本中的违禁品,其中,所述违禁品的类别包括: 枪支、刀具、打火机、管制器具、工具、易燃易爆物、液体、电子设 备、充电宝、雨伞。
本发明第二方面实施例提供一种安检图像识别装置,包括:
图像获取模块,用于获取行李的X光图像;
第一图像识别模块,用于将所述行李的X光图像输入预先训练的 第一安检图像识别模型,得到第一识别结果;其中,所述第一安检图 像识别模型用于划分所述行李的危险等级;
第二图像识别模块,用于将所述行李的X光图像输入预先训练的 第二安检图像识别模型,得到第二识别结果;其中,所述第二安检图 像识别模型用于标注所述行李中物品的类别;
处理结果确定模块,根据所述第一识别结果和第二识别结果,确 定对所述行李的安检结果。
本发明第三方面实施例提供一种电子设备,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,所述处理器执 行所述程序时实现如本发明第一方面实施例所述安检图像识别方法 的步骤。
本发明第四方面实施例提供一种非暂态计算机可读存储介质,其 上存储有计算机程序,该计算机程序被处理器执行时实现如本发明第 一方面实施例所述安检图像识别方法的步骤。
本发明实施例提供的安检图像识别方法、装置、电子设备及存储 介质,通过使用所述第一安检图像识别模型和所述第二安检图像识别 模型,综合判断行李的危险等级和行李中包含的物品类别,提醒待核 实行李物品,从而避免漏报误报没有学习过的违禁品,减小漏报误报 的概率。
附图说明
图1是本发明实施例提供的一种安检图像识别方法的流程图;
图2是本发明另一实施例提供的一种安检图像识别方法的流程图;
图3是本发明实施例提供的一种安检图像识别装置的结构示意图;
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发 明中的附图,对本发明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做出创造性劳动前提 下所获得的所有其他实施例,都属于本发明保护的范围。
现有的智能安检识别完全是依赖于目标检测算法完成的,目标检 测的性能是根据训练样本体现的,如果新的目标类别,在没有学习的 情况下,是无法识别的,会出现较高的漏报率;此外样本的类内差异 性和类间多样性,造成不可避免的误报情况。为此现有的智能安检识 别算法误报漏报的概率过高,不能适应更多的智能安检需求。为至少 解决上述部分问题,本发明提供了一种安检图像识别方法、装置、电 子设备及存储介质,下面将通过具体实施例对本发明提供的内容进行 详细解释和说明。
图1示出了本发明实施例提供的安检图像识别方法的流程图。如 图1所示,本发明实施例提供的安检图像识别方法包括如下步骤:
步骤101:获取行李的X光图像;
在本实施例中,可以使用各种形状、各种尺寸的安检X光机获得 行李的X光图像,该安检X光机包括多个探测器,可以自由组合成直 线型、L型或圆形弧形,可以是机场的用于大尺寸货物的大型安检设 备,也可以是地铁站等的用于小尺寸随身行李的小型安检设备。获取 的X光图像可以是未经处理的灰度图像,也可以是处理过的彩色图像。
步骤102:将行李的X光图像输入预先训练的第一安检图像识别 模型,得到第一识别结果;其中,第一安检图像识别模型用于划分所 述行李的危险等级;
在本实施例中,需要说明的是,所述第一安检图像识别模型是基 于多示例学习模型训练得到的。第一安检图像识别模型可以识别行李 的X光图像来判断整个行李的危险等级,而无需表示出行李中违禁品 的具体位置,是对整个行李的危险情况的概率判断,当判断行李的危 险概率大于预设阈值时,将行李的危险等级划分为危险,当判断行李 的危险概率小于预设阈值时,将行李的危险等级划分为安全。
步骤103:将所述行李的X光图像输入预先训练的第二安检图像 识别模型,得到第二识别结果;其中,所述第二安检图像识别模型用 于标注所述行李中物品的类别;
在本实施例中,需要说明的是,所述第二安检图像识别模型是基 于目标检测模型训练得到的。第二安检图像识别模型可以对行李中的 物品进行识别,标注出物品的类别及其在行李箱中的位置,包括违禁 品,所述违禁品的类别包括:枪支、刀具、打火机、管制器具、工具、 易燃易爆物、液体、电子设备、充电宝、雨伞,以及生活用品,如衣 物、鞋帽等。存在第二安检图像识别模型未学习过、不能识别的物品, 如当某件物品的识别概率不足以判定为违禁品,也不足以判定为生活 用品时,可以将该物品标注为待核实,提醒安检人员查看安检图像。 存在第二安检图像识别模型漏报误报的物品,如当某件物品没有学习 过,或分类错误,则还可依赖于第一安检图像识别模型的危险等级评 价,提醒安检人员。
步骤104:根据所述第一识别结果和所述第二识别结果,确定对 所述行李的安检结果。
在本实施例中,需要说明的是,根据所述第一识别结果和所述第 二识别结果,确定对所述行李的安检结果,包括:当所述第一识别结 果显示所述行李的危险等级为危险,且所述第二识别结果显示所述行 李中物品的类别包含违禁品,判定安检结果为危险行李;或,当所述 第一识别结果显示所述行李的危险等级为安全,且所述第二识别结果 显示所述行李中物品的类别均为生活用品,判定安检结果为安全行李; 或,当所述第一识别结果与所述第二识别结果的显示内容存在冲突, 判定安检结果为待核实。
在本实施例中,需要进一步说明的是,所述第一识别结果与所述 第二识别结果的显示内容存在冲突包括:当所述第一识别结果显示所 述行李的危险等级为危险,但所述第二识别结果显示所述行李中物品 的类别均为生活用品;或,当所述第一识别结果显示所述行李的危险 等级为安全,但所述第二识别结果显示所述行李中物品的类别包含违 禁品。这可能是由于第一安检图像识别模型和/或第二安检图像识别 模型的误差,使得判断结果不一致,可以通过提醒安检人员查看安检 图像来排除,安检人员可以通过核实图像和已标注的区域,并将核实 结果反馈给安检图像识别算法。也可能是出现了新的物品,如新型违禁品,需要通过进一步判断,如开箱检查等来避免发生重大失误。
在本发明实施例中,所述核实结果的反馈可以用于第一安检图像 识别模型和第二安检图像识别模型的更新,使得上述安检图像识别方 法在使用中更新完善,提高识别效率和准确度。上述算法可以部署在 云上,接收多个安检设备的反馈,同步或分别更新安检设备上的算法。
图2示出了本发明另一实施例提供的一种安检图像识别方法的另 一流程图;如图2所示,上述方法中应用的第一安检图像识别模型和 第二安检图像识别模型可以通过该方法训练得到,该方法包括:
步骤201:获取训练图像;
在本发明实施例中,训练图像可以从已有的图像集中获取,也可 以根据具体场景所需,采集较新的图像,不同应用场景可以适配不同 的训练图像集。
步骤202:将所述训练图像划分为正样本和负样本,以及对所述 训练图像中的物品进行标注;
在本发明实施例中,需要说明的是,将所述训练图像划分为正样 本和负样本,包括:当所述训练图像中的物品包含违禁品时,将所述 训练图像划分为负样本;以及当所述训练图像中的物品均为生活用品 时,将所述训练图像划分为正样本。对所述训练图像中的物品进行标 注,包括:标注出所述正样本中的生活用品;以及标注出所述负样本 中的违禁品,其中,所述违禁品的类别包括:枪支、刀具、打火机、 管制器具、工具、易燃易爆物、液体、电子设备、充电宝、雨伞。
步骤203:基于所述正样本和所述负样本,训练多示例学习模型, 得到所述第一安检图像识别模型;
步骤204:基于所述训练图像和所述训练图像中物品的标注,对 所述目标检测网络模型进行训练,得到所述第二安检图像识别模型。
在本发明实施例中,目标检测网络模型可以包括特征提取网络、 特征融合网络以及对应物体位置和类别的特征映射层,最终输出 X-ray图像当中待识别物体的位置和类别。
本发明实施例采用DenseNet-121作为目标检测算法的特征提取 网络,并去除原始网络中的全连接层,使其仅完成特征提取的功能。 包括初始卷积层、四层Dense Block(DB1-DB4)以及相应的过渡层, 用于提取物体的多尺度特征。
本发明实施例采用特征金字塔网络作为特征融合网络,使网络对 像素尺度差异较大的物体均有较高的识别精度。特征融合网络包括了 三层特征的融合,其中P4由DB4的输出经过横向链接(1×1卷积)获 得,P3由P4和经横向连接的DB3获得,P2由P3和经横向连接的DB2 获得。其中P4为深层特征,具有突出的语义信息,但对像素尺度较小 物体的定位不准。P2为较浅层的特征,具有突出的空间特征,包含丰 富的物体位置信息,此外,P2接收了来自P3和P4的语义信息,因此 P2具有较强的小尺度物体检测能力。
将P2-P4生成的多尺度特征进行特征映射,与本发明所需识别 X-ray图像当中物体的种类进行关联,最终由特征映射层分别输出物 体的位置和类别。
本发明实施例的目标检测算法分为训练和测试两个步骤。
在训练阶段,首先构建X-ray目标检测数据集,包括收集X-ray图 像以及与每一张图像相对应的标注文件。所有标注工作由安检员手工 标定,即标出X-ray图像当中所有感兴趣类别物体的坐标以及该物体 所属的类别。其次,将训练图像输入所构建的目标检测网络,以生成 网络对应图像上物体的位置与类别,并将其与真实标注数据进行比对, 形成损失值,通过反向传播来更新网络当中的参数。最终经过大量的 训练迭代,网络当中参数逐渐收敛,完成训练。
测试阶段即针对行李X-ray图像,通过所训练的目标检测网络, 提取其多尺度特征并进行融合,形成特征映射,输出图像中物体的位 置和类别。
下面对本发明提供的安检图像识别装置进行描述,下文描述的安 检图像识别装置与上文描述的安检图像识别方法可相互对应参照。
图3为本发明实施例提供的安检图像识别装置的示意图,如图3 所示,本发明实施例提供的安检图像识别装置包括:
图像获取模块301,用于获取行李的X光图像;
第一图像识别模块302,用于将所述行李的X光图像输入预先训 练的第一安检图像识别模型,得到第一识别结果;其中,所述第一安 检图像识别模型用于划分所述行李的危险等级;
第二图像识别模块303,用于将所述行李的X光图像输入预先训 练的第二安检图像识别模型,得到第二识别结果;其中,所述第二安 检图像识别模型用于标注所述行李中物品的类别;
处理结果确定模块304,根据所述第一识别结果和第二识别结果, 确定对所述行李的安检结果。
本发明实施例提供的安检图像识别装置通过使用所述第一安检 图像识别模型和所述第二安检图像识别模型,综合判断行李的危险等 级和行李中包含的物品类别,提醒待核实行李物品,从而避免漏报误 报没有学习过的违禁品,减小漏报误报的概率。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子 设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410, 通信接口420,存储器430通过通信总线440完成相互间的通信。处理 器410可以调用存储器430中的逻辑指令,以执行如下方法:获取行李 的X光图像;将所述行李的X光图像输入预先训练的第一安检图像识 别模型,得到第一识别结果;其中,第一安检图像识别模型用于划分 所述行李的危险等级;将所述行李的X光图像输入预先训练的第二安 检图像识别模型,得到第二识别结果;其中,第二安检图像识别模型 用于标注所述行李中物品的类别;根据第一识别结果和第二识别结果, 确定对所述行李的安检结果。
需要说明的是,本实施例中的电子设备在具体实现时可以为服务 器,也可以为PC机,还可以为其他设备,只要其结构中包括如图4所 示的处理器410、通信接口420、存储器430和通信总线440,其中处理 器410,通信接口420,存储器430通过通信总线440完成相互间的通信, 且处理器410可以调用存储器430中的逻辑指令以执行上述方法即可。 本实施例不对电子设备的具体实现形式进行限定。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的 形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可 读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说 对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品 的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若 干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者 网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而 前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟 或者光盘等各种可以存储程序代码的介质。
进一步地,本发明实施例公开一种计算机程序产品,所述计算机 程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所 述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算 机能够执行上述各方法实施例所提供的方法,例如包括:获取行李的 X光图像;将所述行李的X光图像输入预先训练的第一安检图像识别 模型,得到第一识别结果;其中,第一安检图像识别模型用于划分所 述行李的危险等级;将所述行李的X光图像输入预先训练的第二安检 图像识别模型,得到第二识别结果;其中,第二安检图像识别模型用 于标注所述行李中物品的类别;根据第一识别结果和第二识别结果, 确定对所述行李的安检结果。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质, 其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上 述各实施例提供的方法,例如包括:获取行李的X光图像;将所述行 李的X光图像输入预先训练的第一安检图像识别模型,得到第一识别 结果;其中,第一安检图像识别模型用于划分所述行李的危险等级; 将所述行李的X光图像输入预先训练的第二安检图像识别模型,得到 第二识别结果;其中,第二安检图像识别模型用于标注所述行李中物 品的类别;根据第一识别结果和第二识别结果,确定对所述行李的安 检结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离 部件说明的单元可以是或者也可以不是物理上分开的,作为单元显 示的部件可以是或者也可以不是物理单元,即可以位于一个地方, 或者也可以分布到多个网络单元上。可以根据实际的需要选择其中 的部分或者全部模块来实现本实施例方案的目的。本领域普通技术 人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了 解到各实施方式可借助软件加必需的通用硬件平台的方式来实现, 当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者 说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该 计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、 磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个 人计算机,服务器,或者网络设备等)执行各个实施例或者实施例 的某些部分所述的方法。
最后应说明的是:以上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。
Claims (9)
1.一种安检图像识别方法,其特征在于,包括:
获取行李的X光图像;
将所述行李的X光图像输入预先训练的第一安检图像识别模型,得到第一识别结果;其中,所述第一安检图像识别模型用于划分所述行李的危险等级;
将所述行李的X光图像输入预先训练的第二安检图像识别模型,得到第二识别结果;其中,所述第二安检图像识别模型用于标注所述行李中物品的类别;
根据所述第一识别结果和所述第二识别结果,确定对所述行李的安检结果。
2.根据权利要求1所述的安检图像识别方法,其特征在于,根据所述第一识别结果和所述第二识别结果,确定对所述行李的安检结果,包括:
当所述第一识别结果显示所述行李的危险等级为危险,且所述第二识别结果显示所述行李中物品的类别包含违禁品,判定安检结果为危险行李;
或,当所述第一识别结果显示所述行李的危险等级为安全,且所述第二识别结果显示所述行李中物品的类别均为生活用品,判定安检结果为安全行李;
或,当所述第一识别结果与所述第二识别结果的显示内容存在冲突,判定安检结果为待核实。
3.根据权利要求2所述的安检图像识别方法,其特征在于,所述第一识别结果与所述第二识别结果的显示内容存在冲突包括:
当所述第一识别结果显示所述行李的危险等级为危险,但所述第二识别结果显示所述行李中物品的类别均为生活用品;
或,当所述第一识别结果显示所述行李的危险等级为安全,但所述第二识别结果显示所述行李中物品的类别包含违禁品。
4.根据权利要求1所述的安检图像识别方法,其特征在于,
所述第一安检图像识别模型是基于多示例学习模型训练得到的;
所述第二安检图像识别模型是基于目标检测网络模型训练得到的。
5.根据权利要求1至4任一项所述的安检图像识别方法,其特征在于,方法还包括:
获取训练图像;
当所述训练图像中的物品包含违禁品时,将所述训练图像划分为负样本;以及,当所述训练图像中的物品均为生活用品时,将所述训练图像划分为正样本;
基于所述正样本和所述负样本,训练多示例学习模型,得到所述第一安检图像识别模型;
对所述训练图像中的物品进行标注;
基于所述训练图像和所述训练图像中物品的标注,对所述目标检测网络模型进行训练,得到所述第二安检图像识别模型。
6.根据权利要求5所述的安检图像识别方法,其特征在于,对所述训练图像中的物品进行标注,包括:
标注出所述正样本中的生活用品;以及
标注出所述负样本中的违禁品,其中,所述违禁品的类别包括:枪支、刀具、打火机、管制器具、工具、易燃易爆物、液体、电子设备、充电宝、雨伞。
7.一种安检图像识别装置,其特征在于,包括:
图像获取模块,用于获取行李的X光图像;
第一图像识别模块,用于将所述行李的X光图像输入预先训练的第一安检图像识别模型,得到第一识别结果;其中,所述第一安检图像识别模型用于划分所述行李的危险等级;
第二图像识别模块,用于将所述行李的X光图像输入预先训练的第二安检图像识别模型,得到第二识别结果;其中,所述第二安检图像识别模型用于标注所述行李中物品的类别;
处理结果确定模块,根据所述第一识别结果和第二识别结果,确定对所述行李的安检结果。
8.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述安检图像识别方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述安检图像识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110029587.9A CN112712093B (zh) | 2021-01-11 | 2021-01-11 | 安检图像识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110029587.9A CN112712093B (zh) | 2021-01-11 | 2021-01-11 | 安检图像识别方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112712093A true CN112712093A (zh) | 2021-04-27 |
CN112712093B CN112712093B (zh) | 2024-04-05 |
Family
ID=75548690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110029587.9A Active CN112712093B (zh) | 2021-01-11 | 2021-01-11 | 安检图像识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712093B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113436151A (zh) * | 2021-06-07 | 2021-09-24 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 安检方法、装置、电子设备及存储介质 |
CN113723462A (zh) * | 2021-08-02 | 2021-11-30 | 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 |
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 |
CN114758259A (zh) * | 2022-06-15 | 2022-07-15 | 科大天工智能装备技术(天津)有限公司 | 一种基于x光物体图像识别的包裹检测方法及系统 |
CN117218081A (zh) * | 2023-09-13 | 2023-12-12 | 北京声迅电子股份有限公司 | 快件安检方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5803082A (en) * | 1993-11-09 | 1998-09-08 | Staplevision Inc. | Omnispectramammography |
TW200919210A (en) * | 2007-07-18 | 2009-05-01 | Steven Kays | Adaptive electronic design |
CN106682696A (zh) * | 2016-12-29 | 2017-05-17 | 华中科技大学 | 基于在线示例分类器精化的多示例检测网络及其训练方法 |
US20180137338A1 (en) * | 2016-11-16 | 2018-05-17 | The Governing Council Of The University Of Toronto | System and method for classifying and segmenting microscopy images with deep multiple instance learning |
CN109948522A (zh) * | 2019-03-18 | 2019-06-28 | 浙江工业大学 | 一种基于深度神经网络的x光片手骨成熟度判读方法 |
CN109961029A (zh) * | 2019-03-15 | 2019-07-02 | Oppo广东移动通信有限公司 | 一种危险物品检测方法、装置及计算机可读存储介质 |
CN110991506A (zh) * | 2019-11-22 | 2020-04-10 | 高新兴科技集团股份有限公司 | 一种车辆品牌识别方法、装置、设备及存储介质 |
CN111126447A (zh) * | 2019-11-29 | 2020-05-08 | 中国船舶重工集团公司第七一三研究所 | 一种智能旅客安检行李图像自动识别方法 |
CN111428709A (zh) * | 2020-03-13 | 2020-07-17 | 平安科技(深圳)有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN111462048A (zh) * | 2020-03-09 | 2020-07-28 | 平安科技(深圳)有限公司 | 多标签多示例的图像检测方法、装置、设备及存储介质 |
CN111783899A (zh) * | 2020-07-10 | 2020-10-16 | 安徽启新明智科技有限公司 | 一种自主学习识别新型违禁品的方法 |
US20220157048A1 (en) * | 2019-02-08 | 2022-05-19 | Singapore Health Services Pte Ltd | Method and System for Classification and Visualisation of 3D Images |
-
2021
- 2021-01-11 CN CN202110029587.9A patent/CN112712093B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5803082A (en) * | 1993-11-09 | 1998-09-08 | Staplevision Inc. | Omnispectramammography |
TW200919210A (en) * | 2007-07-18 | 2009-05-01 | Steven Kays | Adaptive electronic design |
US20180137338A1 (en) * | 2016-11-16 | 2018-05-17 | The Governing Council Of The University Of Toronto | System and method for classifying and segmenting microscopy images with deep multiple instance learning |
CN106682696A (zh) * | 2016-12-29 | 2017-05-17 | 华中科技大学 | 基于在线示例分类器精化的多示例检测网络及其训练方法 |
US20220157048A1 (en) * | 2019-02-08 | 2022-05-19 | Singapore Health Services Pte Ltd | Method and System for Classification and Visualisation of 3D Images |
CN109961029A (zh) * | 2019-03-15 | 2019-07-02 | Oppo广东移动通信有限公司 | 一种危险物品检测方法、装置及计算机可读存储介质 |
CN109948522A (zh) * | 2019-03-18 | 2019-06-28 | 浙江工业大学 | 一种基于深度神经网络的x光片手骨成熟度判读方法 |
CN110991506A (zh) * | 2019-11-22 | 2020-04-10 | 高新兴科技集团股份有限公司 | 一种车辆品牌识别方法、装置、设备及存储介质 |
CN111126447A (zh) * | 2019-11-29 | 2020-05-08 | 中国船舶重工集团公司第七一三研究所 | 一种智能旅客安检行李图像自动识别方法 |
CN111462048A (zh) * | 2020-03-09 | 2020-07-28 | 平安科技(深圳)有限公司 | 多标签多示例的图像检测方法、装置、设备及存储介质 |
CN111428709A (zh) * | 2020-03-13 | 2020-07-17 | 平安科技(深圳)有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN111783899A (zh) * | 2020-07-10 | 2020-10-16 | 安徽启新明智科技有限公司 | 一种自主学习识别新型违禁品的方法 |
Non-Patent Citations (2)
Title |
---|
YELLAPRAGADA, MANIKANTA SRIKAR 等: "DEEP LEARNING BASED DETECTION OF ACUTE AORTIC SYNDROME IN CONTRAST CT IMAGES", IEEE 17TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI), pages 1474 - 1477 * |
青晨;禹晶;肖创柏;段娟;: "深度卷积神经网络图像语义分割研究进展", 中国图象图形学报, no. 06, pages 5 - 26 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113436151A (zh) * | 2021-06-07 | 2021-09-24 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 安检方法、装置、电子设备及存储介质 |
CN113723462A (zh) * | 2021-08-02 | 2021-11-30 | 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 |
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 |
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 |
CN114758259A (zh) * | 2022-06-15 | 2022-07-15 | 科大天工智能装备技术(天津)有限公司 | 一种基于x光物体图像识别的包裹检测方法及系统 |
CN114758259B (zh) * | 2022-06-15 | 2022-09-06 | 科大天工智能装备技术(天津)有限公司 | 一种基于x光物体图像识别的包裹检测方法及系统 |
CN117218081A (zh) * | 2023-09-13 | 2023-12-12 | 北京声迅电子股份有限公司 | 快件安检方法 |
CN117218081B (zh) * | 2023-09-13 | 2024-04-09 | 北京声迅电子股份有限公司 | 快件安检方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112712093B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112712093A (zh) | 安检图像识别方法、装置、电子设备及存储介质 | |
WO2020187077A1 (zh) | 一种基于深度神经网络的安检系统及方法 | |
CN110018524B (zh) | 一种基于视觉-属性的x射线安检违禁品识别方法 | |
CN110751079A (zh) | 物品检测方法、装置、系统和计算机可读存储介质 | |
CN105574550B (zh) | 一种车辆识别方法及装置 | |
CN109977877B (zh) | 一种安检智能辅助判图方法、系统以及系统控制方法 | |
CN109522913B (zh) | 检查方法和检查设备以及计算机可读介质 | |
CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
CN105701519A (zh) | 基于超像素的图像的实际货架图景象分析 | |
CN108038424B (zh) | 一种适用于高空作业的视觉自动化检测方法 | |
Sheikh et al. | Traffic sign detection and classification using colour feature and neural network | |
CN109670591A (zh) | 一种神经网络的训练方法及图像匹配方法、装置 | |
CN110488368B (zh) | 一种基于双能x光安检机的违禁品识别方法及装置 | |
CN110765990A (zh) | 一种物品智能检测方法及系统、一种计算设备及存储介质 | |
CN108875805A (zh) | 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 | |
EP3327470A1 (en) | Method of assisting analysis of radiation image and system using the same | |
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 | |
Subhadhira et al. | License plate recognition application using extreme learning machines | |
CN111767902A (zh) | 安检机危险品的识别方法、装置、设备及存储介质 | |
CN115294528A (zh) | 一种行人安全监控方法及装置 | |
CN111178198B (zh) | 一种基于机器视觉的实验室危险品安全隐患自动监测方法 | |
KR20200071021A (ko) | 영상 분석 장치, 영상 분석 방법 및 기록 매체 | |
CN110261923B (zh) | 一种违禁品检测方法及装置 | |
CN115187870B (zh) | 海洋塑料垃圾材质识别方法、系统、电子设备和存储介质 | |
CN113361550A (zh) | 目标检测方法、模型训练方法、装置及设备 |
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 |