CN112884755A - 违禁品的检测方法及装置 - Google Patents

违禁品的检测方法及装置 Download PDF

Info

Publication number
CN112884755A
CN112884755A CN202110266096.6A CN202110266096A CN112884755A CN 112884755 A CN112884755 A CN 112884755A CN 202110266096 A CN202110266096 A CN 202110266096A CN 112884755 A CN112884755 A CN 112884755A
Authority
CN
China
Prior art keywords
feature map
feature
contraband
image
layer
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
Application number
CN202110266096.6A
Other languages
English (en)
Other versions
CN112884755B (zh
Inventor
宋红
杨健
艾丹妮
范敬凡
魏一凡
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202110266096.6A priority Critical patent/CN112884755B/zh
Publication of CN112884755A publication Critical patent/CN112884755A/zh
Application granted granted Critical
Publication of CN112884755B publication Critical patent/CN112884755B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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
    • 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
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
    • G06V10/424—Syntactic representation, e.g. by using alphabets or grammars
    • 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
    • G06T2207/10116—X-ray image
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

违禁品的检测方法与装置，解决了X射线图像中物体互相遮挡、背景杂乱、小物体难以检测的问题。方法包括：(1)对包含违禁物品的X射线图像进行图像随机翻转、归一化的预处理，并将预处理后的数据加载到卷积神经网络模型中；(2)利用卷积神经网络对输入的X射线图像进行特征的提取、融合与增强；(3)对经过处理后得到的特征金字塔每层的特征图，通过两个并行分支的子网络分别计算其中含有违禁物品的类别与位置信息；(4)利用Soft‑NMS算法去除冗余的候选检测框，并对结果进行输出，标出违禁物品具体的类别与位置。

Description

违禁品的检测方法及装置
技术领域
本发明涉及图像检测的技术领域，尤其涉及一种违禁品的检测方法，以及违禁品的检测装置。
背景技术
在安全检查中，通常使用X射线扫描仪来查看行李中是否包含有违禁物品，但现实场景中的行李物品往往是随机摆放的，通常相互重叠，相互遮挡。同时，人工检察员长时间观察X射线图像会导致其出现视觉疲劳，这些因素为安检员的检查工作带来更大的挑战。
传统的X射线检测算法依赖于手工设计的特征进行目标检测，而深度学习神经网络通过学习特定任务的特征克服了传统手工设计特征的依赖性，且使得X射线检测的精度获得了进一步的提升。但是，现有的检测方法仍然对X射线图像中物体互相遮挡，背景杂乱，小物体检测等问题没有彻底的解决方案。
发明内容
为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种违禁品的检测方法，其解决了X射线图像中物体互相遮挡、背景杂乱、小物体难以检测的问题。
本发明的技术方案是：这种违禁品的检测方法，其包括以下步骤：
(1)对包含违禁物品的X射线图像进行图像随机翻转、归一化的预处理，并将预处理后的数据加载到卷积神经网络模型中；
(2)利用卷积神经网络对输入的X射线图像进行特征的提取、融合与增强；
(3)对经过处理后得到的特征金字塔每层的特征图，通过两个并行分支的子网络分别计算其中含有违禁物品的类别与位置信息；
(4)利用Soft-NMS算法去除冗余的候选检测框，并对结果进行输出，标出违禁物品具体的类别与位置。
本发明通过融合高层特征图丰富的语义信息与低层特征图丰富的细节信息，对特征进行集成，获得了平衡的语义与空间信息，利于对各种尺度的目标进行检测，因此解决了X射线图像中物体互相遮挡、背景杂乱、小物体难以检测的问题。
还提供了违禁品的检测装置，其包括：
预处理模块，其配置来对包含违禁物品的X射线图像进行图像随机翻转、归一化的预处理，并将预处理后的数据加载到卷积神经网络模型中；
特征处理模块，其配置来利用卷积神经网络对输入的X射线图像进行特征的提取、融合与增强；
类别与位置信息获取模块，其配置来对经过处理后得到的特征金字塔每层的特征图，通过两个并行分支的子网络分别计算其中含有违禁物品的类别与位置信息；
结果输出模块，其配置来利用Soft-NMS算法去除冗余的候选检测框，并对结果进行输出，标出违禁物品具体的类别与位置。
附图说明
图1是根据本发明的违禁品的检测方法的整体模型图。
图2是根据本发明的违禁品的检测方法的流程图。
具体实施方式
如图2所示，这种违禁品的检测方法，其包括以下步骤：
(1)对包含违禁物品的X射线图像进行图像随机翻转、归一化的预处理，并将预处理后的数据加载到卷积神经网络模型中；
(2)利用卷积神经网络对输入的X射线图像进行特征的提取、融合与增强；
(3)对经过处理后得到的特征金字塔每层的特征图，通过两个并行分支的子网络分别计算其中含有违禁物品的类别与位置信息；
(4)利用Soft-NMS算法去除冗余的候选检测框，并对结果进行输出，标出违禁物品具体的类别与位置。
本发明通过融合高层特征图丰富的语义信息与低层特征图丰富的细节信息，对特征进行集成，获得了平衡的语义与空间信息，利于对各种尺度的目标进行检测，因此解决了X射线图像中物体互相遮挡、背景杂乱、小物体难以检测的问题。
优选地，所述步骤(1)中，将输入的图像在保持原有长宽比的基础上进行尺度的缩放，并填充缩放后的图像，将其填充为32的倍数，目的是在卷积的过程中避免特征的丢失；之后将图像的标注信息与图像一起按照50％的概率进行翻转。
优选地，所述步骤(2)包括以下分步骤：
(2.1)利用ResNet50作为特征提取网络，对输入的图像进行特征提取；
(2.2)利用改进的FPN网络及注意力机制对提取到的特征进行融合和增强。
优选地，所述步骤(2.1)中，利用ResNet50作为特征提取器，对输入的原始图像进行卷积操作，提取输入图像在不同尺度下的原始特征；利用改进后的FPN网络，对ResNet50主干网络卷积操作后得到的不同尺度的特征图通过横向连接和上采样，得到不同尺度和大小的特征图，使其既包含丰富的语义信息利于检测器的分类，又包含丰富的空间信息，利于检测器确定目标的位置。
优选地，所述步骤(2.2)中，首先对特征图做1x1卷积，接着对输入的最高层和最低层特征图分别做双线性插值，将最高层输入的特征图上采样到与最低层特征图大小相同、将最低层输入的特征图下采样到与最高层特征图大小相同，后与1x1卷积后的特征图逐元素相加作为横向连接，接着通过为上层特征图做最近邻插值的上采样使其与当前层特征图具有相同大小，将上采样的结果与当前层特征图进行逐元素相加，生成新的特征图。
优选地，所述步骤(2.2)中，之后利用两个并行的注意力机制网络Non-local和SE分别从空间和通道两个方面进一步对平均后的特征图进行增强，最后将增强后的特征图与输入特征图进行逐元素相加；从空间方面对特征图进行增强是指捕获到非相邻位置远距离的依赖关系，获得更为全局的信息；从通道方面对特征图进行增强是指建模特征图通道之间的相互依赖关系，通过学习的方式获得每个通道的重要程度，由此来提升有用的通道信息并抑制对任务用处不大的通道信息。
优选地，所述步骤(3)中，得到的特征金字塔每层都有分类和定位两个分支，分类分支计算目标出现的概率，边界框回归的定位分支计算anchor与附近标注框的偏移量；两分支网络进行卷积的过程中使用的归一化方法为Group Norm。
优选地，所述步骤(4)中，Soft-NMS算法表示为公式(3)：
Figure BDA0002971973230000041
其中Si为第i个待处理候选框的置信度分数，
Figure BDA0002971973230000051
为当前置信度分数最大的候选框与第i个待处理候选框的IOU，σ为方差。
具体地，本发明的方法包括以下步骤：
步骤一：将待检测的X光安检图像进行预处理后加载至模型中；
在将图像输入到模型前对其进行预处理，具体为将输入的图像在保持原有长宽比的基础上进行尺度的缩放，并填充缩放后的图像，将其填充为32的倍数，目的是在卷积的过程中避免特征的丢失；之后将图像的标注信息与图像一起按照50％的概率进行翻转。
步骤二：利用ResNet50作为特征提取网络，对输入的图像进行特征提取；利用改进的FPN网络及注意力机制对提取到的特征进行融合和增强；
利用ResNet50作为特征提取器，对输入的原始图像进行卷积操作，提取输入图像在不同尺度下的原始特征；利用改进后的FPN网络，对ResNet50主干网络卷积操作后得到的不同尺度的特征图通过横向连接和上采样，得到不同尺度和大小的特征图，使其既包含了丰富的语义信息利于检测器的分类，又包含丰富的空间信息，利于检测器确定目标的位置。改进的FPN具体操作的细节为：首先对特征图做1x1卷积，接着对输入的最高层和最低层特征图分别做双线性插值，将最高层输入的特征图上采样到与最低层特征图大小相同、将最低层输入的特征图下采样到与最高层特征图大小相同，后与1x1卷积后的特征图逐元素相加作为横向连接，接着通过为上层特征图做最近邻插值的上采样使其与当前层特征图具有相同大小，将上采样的结果与当前层特征图进行逐元素相加，生成新的特征图。
在原有FPN上进行双线性插值的目的是在特征金字塔逐级上采样的过程中有信息的丢失，因此最高层特征图的细节信息与最低层特征图语义信息的不足可能会不利于特征图后续的融合操作。因此在构建从顶至下的金字塔路径前，为最高层特征图补充原始的丰富空间信息，为低层特征图补充丰富的语义信息，利于后续检测各种不同尺度目标的，提高其分类和定位的准确性。
将经过改进后的FPN网络输出的特征图进行大小的改变，统一缩放到中间特征图的大小，直接将特征图逐元素相加求平均，表示为公式(1)：
Figure BDA0002971973230000061
其中，C为平均后的特征图，L为做运算时特征金字塔的层数，Cl为当前进行运算的第l层特征图。进行该操作的目的是在保留该层信息的同时获得其他层的特征，进一步对特征进行增强。
之后利用两个并行的注意力机制网络Non-local和SE分别从空间和通道两个方面进一步对平均后的特征图进行增强，最后将增强后的特征图与输入特征图进行逐元素相加。从空间方面对特征图进行增强具体是指可以捕获到非相邻位置远距离的依赖关系，获得更为全局的信息；从通道方面对特征图进行增强具体是指可以建模特征图通道之间的相互依赖关系，通过学习的方式获得每个通道的重要程度，由此来提升有用的通道信息并抑制对任务用处不大的通道信息。
将得到的新的特征图进行反向操作恢复原来的大小，并与改进的FPN网络输出的特征图相加，目的是减少信息在传递过程中的丢失，并且能在一定程度上缓解反向传播中梯度消失的问题。
步骤三：利用处理后的特征图，计算其中含有违禁物品的类别与位置信息；
得到的特征金字塔每层都有分类和定位两个分支，分类分支计算目标出现的概率，边界框回归的定位分支计算anchor与附近标注框的偏移量。两分支网络进行卷积的过程中使用的归一化方法为Group Norm，目的是在加快训练收敛速度的同时避免了较小batch size设置的影响，减少训练时的误差。步骤四：利用Soft-NMS算法去除冗余的候选检测框，并对结果进行输出，标出违禁物品具体的类别与位置。
安检图像有背景杂乱，物体叠放、互相遮挡等特点，原始的NMS算法表示为公式(2)：
Figure BDA0002971973230000071
其中，Si为第i个待处理候选框的置信度分数，
Figure BDA0002971973230000073
为当前置信度分数最大的候选框与第i个待处理候选框的IOU，Nt为设置的IOU阈值。直接使用NMS算法进行候选框的选择时会使得在两个同类违禁物品相互叠放的情况下，计算出的IOU大于设定的阈值Nt。NMS算法会只保留一个候选框，舍弃属于另外一个目标的候选框。
Soft-NMS算法可以表示为公式(3)：
Figure BDA0002971973230000072
其中，σ为方差。Soft-NMS算法不会直接去掉IOU大于某一设定阈值的候选框，而是通过计算IOU重新对其置信度分数进行赋值，对IOU较大的候选框施加较高的惩罚来解决密集物体候选框的后处理问题从而进一步提高检测的准确率。
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步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，而所述的存储介质可以是：ROM/RAM、磁碟、光盘、存储卡等。因此，与本发明的方法相对应的，本发明还同时包括一种违禁品的检测装置。如图1所示，该装置包括：
预处理模块，其配置来对包含违禁物品的X射线图像进行图像随机翻转、归一化的预处理，并将预处理后的数据加载到卷积神经网络模型中；
特征处理模块，其配置来利用卷积神经网络对输入的X射线图像进行特征的提取、融合与增强；
类别与位置信息获取模块，其配置来对经过处理后得到的特征金字塔每层的特征图，通过两个并行分支的子网络分别计算其中含有违禁物品的类别与位置信息；
结果输出模块，其配置来利用Soft-NMS算法去除冗余的候选检测框，并对结果进行输出，标出违禁物品具体的类别与位置。
优选地，所述特征处理模块执行以下步骤：
(2.1)利用ResNet50作为特征提取网络，对输入的图像进行特征提取；
(2.2)利用改进的FPN网络及注意力机制对提取到的特征进行融合和增强。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。

Claims (10)

1.违禁品的检测方法，其特征在于：其包括以下步骤：
(1)对包含违禁物品的X射线图像进行图像随机翻转、归一化的预处理，并将预处理后的数据加载到卷积神经网络模型中；
(2)利用卷积神经网络对输入的X射线图像进行特征的提取、融合与增强；
(3)对经过处理后得到的特征金字塔每层的特征图，通过两个并行分支的子网络分别计算其中含有违禁物品的类别与位置信息；
(4)利用Soft-NMS算法去除冗余的候选检测框，并对结果进行输出，标出违禁物品具体的类别与位置。
2.根据权利要求1所述的违禁品的检测方法，其特征在于：所述步骤(1)中，将输入的图像在保持原有长宽比的基础上进行尺度的缩放，并填充缩放后的图像，将其填充为32的倍数，目的是在卷积的过程中避免特征的丢失；之后将图像的标注信息与图像一起按照50％的概率进行翻转。
3.根据权利要求2所述的违禁品的检测方法，其特征在于：所述步骤(2)包括以下分步骤：
(2.1)利用ResNet50作为特征提取网络，对输入的图像进行特征提取；
(2.2)利用改进的FPN网络及注意力机制对提取到的特征进行融合和增强。
4.根据权利要求1所述的违禁品的检测方法，其特征在于：所述步骤(2.1)中，利用ResNet50作为特征提取器，对输入的原始图像进行卷积操作，提取输入图像在不同尺度下的原始特征；利用改进后的FPN网络，对ResNet50主干网络卷积操作后得到的不同尺度的特征图通过横向连接和上采样，得到不同尺度和大小的特征图，使其既包含丰富的语义信息利于检测器的分类，又包含丰富的空间信息，利于检测器确定目标的位置。
5.根据权利要求4所述的违禁品的检测方法，其特征在于：所述步骤(2.2)中，首先对特征图做1x1卷积，接着对输入的最高层和最低层特征图分别做双线性插值，将最高层输入的特征图上采样到与最低层特征图大小相同、将最低层输入的特征图下采样到与最高层特征图大小相同，后与1x1卷积后的特征图逐元素相加作为横向连接，接着通过为上层特征图做最近邻插值的上采样使其与当前层特征图具有相同大小，将上采样的结果与当前层特征图进行逐元素相加，生成新的特征图。
6.根据权利要求5所述的违禁品的检测方法，其特征在于：所述步骤(2.2)中，之后利用两个并行的注意力机制网络Non-local和SE分别从空间和通道两个方面进一步对平均后的特征图进行增强，最后将增强后的特征图与输入特征图进行逐元素相加；从空间方面对特征图进行增强是指捕获到非相邻位置远距离的依赖关系，获得更为全局的信息；从通道方面对特征图进行增强是指建模特征图通道之间的相互依赖关系，通过学习的方式获得每个通道的重要程度，由此来提升有用的通道信息并抑制对任务用处不大的通道信息。
7.根据权利要求6所述的违禁品的检测方法，其特征在于：所述步骤(3)中，得到的特征金字塔每层都有分类和定位两个分支，分类分支计算目标出现的概率，边界框回归的定位分支计算anchor与附近标注框的偏移量；两分支网络进行卷积的过程中使用的归一化方法为Group Norm。
8.根据权利要求7所述的违禁品的检测方法，其特征在于：所述步骤(4)中，Soft-NMS算法表示为公式(3)：
Figure FDA0002971973220000031
其中Si为第i个待处理候选框的置信度分数，
Figure FDA0002971973220000032
为当前置信度分数最大的候选框与第i个待处理候选框的IOU，σ为方差。
9.违禁品的检测装置，其特征在于：其包括：
预处理模块，其配置来对包含违禁物品的X射线图像进行图像随机翻转、归一化的预处理，并将预处理后的数据加载到卷积神经网络模型中；
特征处理模块，其配置来利用卷积神经网络对输入的X射线图像进行特征的提取、融合与增强；
类别与位置信息获取模块，其配置来对经过处理后得到的特征金字塔每层的特征图，通过两个并行分支的子网络分别计算其中含有违禁物品的类别与位置信息；
结果输出模块，其配置来利用Soft-NMS算法去除冗余的候选检测框，并对结果进行输出，标出违禁物品具体的类别与位置。
10.根据权利要求9所述的违禁品的检测装置，其特征在于：所述特征处理模块执行以下步骤：
(2.1)利用ResNet50作为特征提取网络，对输入的图像进行特征提取；
(2.2)利用改进的FPN网络及注意力机制对提取到的特征进行融合和增强。
CN202110266096.6A 2021-03-11 2021-03-11 违禁品的检测方法及装置 Active CN112884755B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110266096.6A CN112884755B (zh) 2021-03-11 2021-03-11 违禁品的检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110266096.6A CN112884755B (zh) 2021-03-11 2021-03-11 违禁品的检测方法及装置

Publications (2)

Publication Number Publication Date
CN112884755A true CN112884755A (zh) 2021-06-01
CN112884755B CN112884755B (zh) 2023-07-04

Family

ID=76041767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110266096.6A Active CN112884755B (zh) 2021-03-11 2021-03-11 违禁品的检测方法及装置

Country Status (1)

Country Link
CN (1) CN112884755B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723553A (zh) * 2021-09-07 2021-11-30 中国科学院软件研究所 一种基于选择性密集注意力的违禁物品检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109410219A (zh) * 2018-10-09 2019-03-01 山东大学 一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质
CN110097145A (zh) * 2019-06-20 2019-08-06 江苏德劭信息科技有限公司 一种基于cnn和特征金字塔的交通违禁品识别方法
CN110133739A (zh) * 2019-04-04 2019-08-16 南京全设智能科技有限公司 一种x射线安检设备及其自动识图方法
CN111539428A (zh) * 2020-05-06 2020-08-14 中国科学院自动化研究所 基于多尺度特征整合和注意力机制的旋转目标检测方法
CN111815616A (zh) * 2020-07-21 2020-10-23 山西卡斯特网络科技有限公司 一种基于深度学习的x光安检图像中危险品检测方法
CN111860693A (zh) * 2020-07-31 2020-10-30 元神科技(杭州)有限公司 一种轻量级视觉目标检测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109410219A (zh) * 2018-10-09 2019-03-01 山东大学 一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质
CN110133739A (zh) * 2019-04-04 2019-08-16 南京全设智能科技有限公司 一种x射线安检设备及其自动识图方法
CN110097145A (zh) * 2019-06-20 2019-08-06 江苏德劭信息科技有限公司 一种基于cnn和特征金字塔的交通违禁品识别方法
CN111539428A (zh) * 2020-05-06 2020-08-14 中国科学院自动化研究所 基于多尺度特征整合和注意力机制的旋转目标检测方法
CN111815616A (zh) * 2020-07-21 2020-10-23 山西卡斯特网络科技有限公司 一种基于深度学习的x光安检图像中危险品检测方法
CN111860693A (zh) * 2020-07-31 2020-10-30 元神科技(杭州)有限公司 一种轻量级视觉目标检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YONG ZHANG等: "On Using XMC R-CNN Model for Contraband Detection within X-Ray Baggage Security Images" *
王宇石等: "一种基于卷积神经网络的违禁品探测系统及部署方法", 《科技创新与应用》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723553A (zh) * 2021-09-07 2021-11-30 中国科学院软件研究所 一种基于选择性密集注意力的违禁物品检测方法

Also Published As

Publication number Publication date
CN112884755B (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
Wei et al. Toward automatic building footprint delineation from aerial images using CNN and regularization
CN110310264B (zh) 一种基于dcnn的大尺度目标检测方法、装置
CN111652217B (zh) 文本检测方法、装置、电子设备及计算机存储介质
CN106778835B (zh) 融合场景信息和深度特征的遥感图像机场目标识别方法
Wang et al. Tire defect detection using fully convolutional network
CN111814794B (zh) 文本检测方法、装置、电子设备及存储介质
CN111681273B (zh) 图像分割方法、装置、电子设备及可读存储介质
CN110874841A (zh) 参照边缘图像的客体检测方法及装置
CN110119728A (zh) 基于多尺度融合语义分割网络的遥感图像云检测方法
CN109886970B (zh) 太赫兹图像中目标物体的检测分割方法及计算机存储介质
CN110991560B (zh) 一种结合上下文信息的目标检测方法及系统
CN113139543B (zh) 目标对象检测模型的训练方法、目标对象检测方法和设备
CN109919145B (zh) 一种基于3d点云深度学习的矿卡检测方法及系统
CN107784288A (zh) 一种基于深度神经网络的迭代定位式人脸检测方法
CN111539957B (zh) 一种用于目标检测的图像样本生成方法、系统及检测方法
CN111723841A (zh) 文本检测方法、装置、电子设备及存储介质
CN110570442A (zh) 一种复杂背景下轮廓检测方法、终端设备及存储介质
CN111353544A (zh) 一种基于改进的Mixed Pooling-YOLOV3目标检测方法
CN112001403A (zh) 一种图像轮廓检测方法及系统
CN112819796A (zh) 烟丝异物识别方法及设备
CN114627173A (zh) 通过差分神经渲染进行对象检测的数据增强
CN113591719A (zh) 一种自然场景任意形状文本检测方法、装置和训练方法
Wang et al. Deep learning model for target detection in remote sensing images fusing multilevel features
CN112884755A (zh) 违禁品的检测方法及装置
CN114359286A (zh) 一种基于人工智能的绝缘子缺陷识别方法、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
GR01 Patent grant
GR01 Patent grant