CN113326753A - 一种针对重叠问题的x射线安检违禁品检测方法 - Google Patents
一种针对重叠问题的x射线安检违禁品检测方法 Download PDFInfo
- Publication number
- CN113326753A CN113326753A CN202110551186.XA CN202110551186A CN113326753A CN 113326753 A CN113326753 A CN 113326753A CN 202110551186 A CN202110551186 A CN 202110551186A CN 113326753 A CN113326753 A CN 113326753A
- Authority
- CN
- China
- Prior art keywords
- network
- prediction
- feature map
- label
- iou
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000007689 inspection Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 2
- 230000003313 weakening effect Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
-
- 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
- G06F18/24—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
- 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
-
- 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
- G06V2201/05—Recognition of patterns representing particular kinds of hidden objects, e.g. weapons, explosives, drugs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- High Energy & Nuclear Physics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Image Analysis (AREA)
Abstract
本发明针对现有X射线安检违禁品检测存在的X射线图像的重叠问题,提出了一种针对重叠问题的X射线安检违禁品检测方法,可以部署到安检机上进行使用。本发明通过以下技术方案来实现:步骤一,将训练集图像输入网络中进行训练;步骤二,将测试集图像输入训练后网络中进行测试。与现有技术相比,本发明具有以下优点:一、本发明采用了端到端的深度学习网络,检测速度快,易于部署。二、本发明仅需使用X射线安检系统生成的图像即可进行预测,和其他方法相比,不需要以额外的物理器材,方法简单易行,可以快速部署到安检机上,投入到实际应用当中。
Description
技术领域
本发明涉及计算机视觉领域。
背景技术
随着公共交通枢纽人群的增加,安全检查在保护公共安全方面变得越来越重要。X光行李安检系统通常由人类检察员操作,但单纯的依赖人眼搜索X光图像中危险品的方法有很大的不稳定性。当密封包裹中的危险品因为遮挡、旋转而在X 光图像中呈现出难以识别的视图时,将使检测任务变得十分艰难。尤其在应对海量安检图片的情况下,工作人员只有几秒钟判断袋子中是否装有威胁品。而在大量不包含威胁品的各种形状和材质的物品检查过程中,持续集中的注意力是难以保持的,疲劳带来的误判和漏判成为安检过程中不容忽视的问题,一次不小心的漏检就可能对公众造成严重的危害。因此,需要一种快速,准确和自动的方法来协助甚至代替检察员检测X光安检图像中的违禁物品。
目前,基于传统计算机视觉的目标检测方法早先已被实验证明能有效的检测X 光安检图像中的违禁物品,近年来迅速发展并在照片图像上取得巨大成功的深度学习目标检测算法也被应用于X光安检图像,同样在X光安检图像检测上取得了巨大的性能提升。
专利CN 106250936 A提出了一种基于机器学习的多特征多线程安检违禁品识别方法,使用Adaboost分类器结合LBP+HOG特征提取对人工识别方法进行了改进,克服了人工检测的低效和出错率。但是训练前期的预处理和特征提取过程过于复杂,并且输出结果仅仅是违禁品的分类,没有实现违禁品的定位,这种分两步走的方法缺少端到端的能力,难以部署到安检机上。
专利CN 108519625 A提出了一种基于射线技术与深度学习的安检违禁品识别方法,引入了深度学习的概念,能够使用更简单有效的网络来实现违禁品识别。但是整个方法需要基于大量物理条件,比如核密度计、光谱分析仪等,训练过程复杂,当类别增加时需要重新训练整个分类器并修改网络,这种每类单独训练分类器的方法在实际运用过程中不易实现。
除了上述问题,X射线安检违禁品检测所面临的更重要的问题是X射线图像的重叠问题,而现有技术没有涉及这个问题。此前研究使用的数据是通过模拟实验采集的,因而重叠现象较少,背景较为简单,目标特征显著。而真实场景中的X射线安检图像往往包含多个大小不一、形状各异的物品,具有更复杂的背景和相互重叠的前景。因此,在真实场景中,能否正确检测出重叠区域的违禁物对检测效果有着较大的影响。
发明内容
本发明的目的是在克服上述现有技术缺陷的基础上,提供一种针对重叠问题的 X射线安检违禁品检测方法,可以部署到安检机上进行使用。
本发明的目的可以通过以下技术方案来实现:
步骤一:将训练集图像输入网络中进行训练
网络分为特征提取网络和检测网络两个子网络;
特征提取网络负责输入的图像到特征图谱的转化,采用ResNet-50-FPN网络作为特征提取网络;
检测网络负责特征图谱到对边界框的预测转化以及训练阶段中损失函数的求取;
在检测网络中,特征图谱经过ATSS层的回归和分类得到第一次预测结果,特征图谱上不同位置的采样点负责对不同位置的目标进行预测,将标签通过ATSS层的标签分配策略为特征图谱上的每一个采样点赋予对应的标签信息;预测的结果分为分类预测和回归预测,其中分类预测是多个类别对应的预测概率值;将预测得到的多类别概率值和标签分配获得的正确类别信息输入到OB模块中,用于生成第二次预测所使用的特征图谱;
在OB模块中,假定重叠的物体不属于同一类别,因此重叠区域的同一采样点所包含的源自不同物体的特征对应不同的类别,求所有采样点预测的多类别概率值对于正确类别的梯度,并反向传播到特征图谱所在的网络层;由于反向传播获取的梯度大小反应了特征图谱的特征与正确目标的相关程度,因此可以作为权重对特征图谱重新加权;采用Sigmoid函数,将权重变换到0到1之间,Sigmoid函数如下:
使用权重对原特征图谱进行加权来增强相关特征,减弱无关特征,生成新的特征图谱xnew如下:
进一步采用相同方式求取梯度,根据求取的梯度,在原公式中添加一项,用来进一步减弱无关特征:
其中y*表示除正确类别外预测概率最高的类别;
从OB模块输出得到新的特征图谱后,重新输入ATSS层,得到新的预测结果并计算新的预测结果与目标之间的损失函数,损失函数如下:
回归损失Lreg:
Lreg=Giou*LGIoU(Preg,Greg)
边界框质量预测损失LIOU:
LIOU=Ciou*LBCE(Piou,Giou)
分类损失Lcls:
Lcls=LFL_loss(Pcls,Gcls)
其中,LGIoU为GIoU损失函数,LBCE为二元交叉熵损失函数,LFL_loss为Focal loss损失函数;Preg,Greg,Piou,Giou分别为对应标签为前景的采样点的回归预测、实际回归目标、边界框质量预测、边界框实际质量,其中而边界框质量的含义为预测的边界框与实际的边界框的相交区域与合并区域的比值,Pcls和Gcls分别为所有采样点(包含标签为背景)的分类预测和实际类别;总的损失函数L如下:
其中,A为正样本(标签为前景的样本)数量,B为所有正样本的Giou之和;
通过损失函数和梯度下降算法对网络参数进行优化,经过多次迭代后获得最终可用于检测的网络;
步骤二:将测试集图像输入训练后网络中进行测试:
测试阶段的OB模块输入只有类别的预测;OB模块设计了一个判断是否有输入的标签的环节,如果没有输入的标签,就用预测的类别概率值中最大的类别代替真实标签进行标签分配,其他的步骤则与训练阶段一致;
假设了网络经过训练后已经能正确预测类别,第二次预测的结果通过后处理得到最终的预测的边界框,使用真实的边界框标签与最终的预测的边界框计算mAP用以评价网络性能。
本发明采用深度学习技术,使用端到端的深度神经网络对X射线图像进行训练,实现对违禁品的分类和准确定位。本发明结合X射线图像中物体重叠的特点和深度学习技术基于提取的特征图谱来预测目标的方式,首次提出一个从预测目标到特征图谱的反向网络模块。该网络模块首先根据重叠区域中不同采样点所要预测的目标和首次预测的结果,寻找目标在特征图谱所对应的相关特征以及对预测结果产生干扰的无关特征,然后通过对相关特征和无关特征加权,在原有特征图谱上生成新的特征图谱,最后送回检测网络中重新进行预测。由于新的特征图谱消除了重叠区域特征之间的纠缠状态,降低了重叠物体之间干扰,因此相比原有的特征图谱更易于网络的检测,继而提升了检测的性能。该技术方案设计的反向网络模块不依赖于特定网络,只增加了少量网络参数和计算量,且对真实场景中的X射线安检图像的重叠问题有针对性的解决,因此本发明技术方案具有通用性强,易于实现,精度高。此外,本发明技术方案还为携带物安检的智能化和算法落地提供了理论指导和技术支持。
与现有技术相比,本发明具有以下优点:
一、本发明采用了端到端的深度学习网络,检测速度快,易于部署。
二、本发明仅需使用X射线安检系统生成的图像即可进行预测,和其他方法相比,不需要以额外的物理器材为前提,方法简单易行,可以快速部署到安检机上,投入到实际应用当中。
三、本发明针对X射线图像的重叠问题,设计了一个通用的网络模块。该网络模块可以去除重叠物体之间的特征纠缠状态,降低重叠物体之间的干扰,在牺牲少量存储空间和计算速度的情况下能够提升网络的整体性能。
附图说明
图1为本发明算法流程图。
图2为本发明的网络结构图
图3为OB模块的结构示意图
图4为本发明进行违禁物检测的输出图像。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例:
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,具体如图1所示算法流程图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,但并不限定本发明。
步骤一:将训练集图像输入网络中进行训练
图2为整体网络的结构图,整体网络可分为特征提取网络和检测网络两个子网络。特征提取网络负责输入的图像到特征图谱的转化。这里选择业内目前通用的 ResNet-50-FPN网络作为特征提取网络,并使用Pytorch官方提供的预训练权重初始化网络,用以节省训练时间,提高检测精度。检测网络负责特征图谱到对边界框的预测转化以及训练阶段中损失函数的求取。在检测网络中,特征图谱经过ATSS 层的回归和分类得到第一次预测结果,特征图谱上不同位置的采样点负责对不同位置的目标进行预测,将标签通过ATSS层的标签分配策略为特征图谱上的每一个采样点赋予对应的标签信息。由于重叠区域中同一个采样点受到源自不同物体的特征的干扰,第一次预测结果较差。预测的结果又分为分类预测和回归预测,其中分类预测是多个类别对应的预测概率值。我们将预测得到的多类别概率值和标签分配获得的正确类别信息输入到OB模块中,用于生成第二次预测所使用的特征图谱。OB 模块的结构示意图见图3。在OB模块中,我们假定重叠的物体不属于同一类别,因此重叠区域的同一采样点所包含的源自不同物体的特征对应不同的类别,求所有采样点预测的多类别概率值对于正确类别的梯度,并反向传播到特征图谱所在的网络层。这一过程通过Pytorch内置的Autograd方法完成。由于反向传播获取的梯度大小反应了特征图谱的特征与正确目标的相关程度,因此可以作为权重对特征图谱重新加权。这里用到了Sigmoid函数,将权重变换到0到1之间。Sigmoid函数如下:
使用权重对原特征图谱进行加权来增强相关特征,减弱无关特征。生成新的特征图谱xnew如下:
此外,由于重叠区域的特征纠缠状态,正确类别以外的类别往往预测出较高的概率值。将除正确类别以外的类别中预测概率值最高的类别作为易错类别,采用相同方式求取梯度。根据求取的梯度,在原公式中添加一项,用来进一步减弱无关特征:
其中y*表示除正确类别外预测概率最高的类别。
得到新的特征图谱后,重新输入ATSS层,得到新的预测结果并计算新的预测结果与目标之间的损失函数,损失函数如下:
回归损失Lreg:
Lreg=Giou*LGIoU(Preg,Greg)
边界框质量预测损失LIOU:
LIOU=Giou*LBCE(Piou,Giou)
分类损失Lcls:
Lcls=LFL_loss(Pcls,Gcls)
其中,LGIoU为GIoU损失函数,LBCE为二元交叉熵损失函数,LFL_loss为Focal loss损失函数。Preg,Greg,Piou,Giou分别为对应标签为前景的采样点的回归预测、实际回归目标、边界框质量预测、边界框实际质量。其中而边界框质量的含义为预测的边界框与实际的边界框的相交区域与合并区域的比值。Pcls和Gcls分别为所有采样点(包含标签为背景)的分类预测和实际类别。总的损失函数L如下:
其中,A为正样本(标签为前景的样本)数量,B为所有正样本的Giou之和。
通过损失函数和梯度下降算法对网络参数进行优化,经过多次迭代后获得最终可用于检测的网络。
步骤二:将测试集图像输入训练后网络中进行测试:
由于测试的时候,真实标签只能用于评价网络预测的性能,不能输入到网络中,测试阶段的网络没有ATSS层标签分配这一步骤,因此测试阶段的OB模块输入只有类别的预测。OB模块设计了一个判断是否有输入的标签的环节,如果没有输入的标签,就用预测的类别概率值中最大的类别代替真实标签进行标签分配,其他的步骤则与训练阶段一致。这里,假设了网络经过训练后已经能正确预测类别。第二次预测的结果通过后处理(采用非极大值抑制对同一个预测对象保留质量最高的预测的边界框,去除重复预测的边界框)得到最终的预测的边界框。使用真实的边界框标签与最终的预测的边界框计算mAP(业内普遍采用的检测性能评价标准)用以评价网络性能。
上述流程可简化为:
(1)首先使用基于ResNet-50-FPN(本领域已有网络)的卷积网络进行特征提取,生成特征图谱。其中网络的权重使用Pytorch预训练的ResNet50 权重。
(2)将特征图谱输入ATSS层进行目标边界框预测和标签分配。
(3)OB模块通过如下公式生成新的特征图谱:
(4)新的特征图谱重新送入ATSS层进行目标边界框预测。
(5)计算预测结果和目标的损失函数,采用梯度下降算法对网络参数进行迭代优化。
(6)对训练好的网络进行测试。
Claims (1)
1.一种针对重叠问题的X射线安检违禁品检测方法,其特征在于,包括
步骤一:将训练集图像输入网络中进行训练:
网络分为特征提取网络和检测网络两个子网络;特征提取网络负责输入的图像到特征图谱的转化,采用ResNet-50-FPN网络作为特征提取网络;
检测网络负责特征图谱到对边界框的预测转化以及训练阶段中损失函数的求取;
在检测网络中,特征图谱经过ATSS层的回归和分类得到第一次预测结果,特征图谱上不同位置的采样点负责对不同位置的目标进行预测,将标签通过ATSS层的标签分配策略为特征图谱上的每一个采样点赋予对应的标签信息;预测的结果分为分类预测和回归预测,其中分类预测是多个类别对应的预测概率值;将预测得到的多类别概率值和标签分配获得的正确类别信息输入到OB模块中,用于生成第二次预测所使用的特征图谱;
在OB模块中,假定重叠的物体不属于同一类别,因此重叠区域的同一采样点所包含的源自不同物体的特征对应不同的类别,求所有采样点预测的多类别概率值对于正确类别的梯度,并反向传播到特征图谱所在的网络层;由于反向传播获取的梯度大小反应了特征图谱的特征与正确目标的相关程度,因此可以作为权重对特征图谱重新加权;采用Sigmoid函数,将权重变换到0到1之间,Sigmoid函数如下:
使用权重对原特征图谱进行加权来增强相关特征,减弱无关特征,生成新的特征图谱xnew如下:
进一步采用相同方式求取梯度,根据求取的梯度,在原公式中添加一项,用来进一步减弱无关特征:
其中y*表示除正确类别外预测概率最高的类别;
从OB模块输出得到新的特征图谱后,重新输入ATSS层,得到新的预测结果并计算新的预测结果与目标之间的损失函数,损失函数如下:
回归损失Lreg:
Lreg=Giou*LGIoU(Preg,Greg)
边界框质量预测损失LIOU:
LIOU=Giou*LBCE(Piou,Giou)
分类损失Lcls:
Lcls=LFL_loss(Pcls,Gcls)
其中,LGIoU为GIoU损失函数,LBCE为二元交叉熵损失函数,LFL_loss为Focal loss损失函数;Preg,Greg,Piou,Giou分别为对应标签为前景的采样点的回归预测、实际回归目标、边界框质量预测、边界框实际质量,其中而边界框质量的含义为预测的边界框与实际的边界框的相交区域与合并区域的比值,Pcls和Gcls分别为所有采样点(包含标签为背景)的分类预测和实际类别;总的损失函数L如下:
其中,A为正样本(标签为前景的样本)数量,B为所有正样本的Giou之和;
通过损失函数和梯度下降算法对网络参数进行优化,经过多次迭代后获得最终可用于检测的网络;
步骤二:将测试集图像输入训练后网络中进行测试:
测试阶段的OB模块输入只有类别的预测;OB模块设计了一个判断是否有输入的标签的环节,如果没有输入的标签,就用预测的类别概率值中最大的类别代替真实标签进行标签分配,其他的步骤则与训练阶段一致;
假设了网络经过训练后已经能正确预测类别,第二次预测的结果通过后处理得到最终的预测的边界框,使用真实的边界框标签与最终的预测的边界框计算mAP用以评价网络性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110551186.XA CN113326753B (zh) | 2021-05-20 | 2021-05-20 | 一种针对重叠问题的x射线安检违禁品检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110551186.XA CN113326753B (zh) | 2021-05-20 | 2021-05-20 | 一种针对重叠问题的x射线安检违禁品检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113326753A true CN113326753A (zh) | 2021-08-31 |
CN113326753B CN113326753B (zh) | 2022-04-19 |
Family
ID=77416118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110551186.XA Active CN113326753B (zh) | 2021-05-20 | 2021-05-20 | 一种针对重叠问题的x射线安检违禁品检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113326753B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118351490A (zh) * | 2024-06-17 | 2024-07-16 | 浙江大华技术股份有限公司 | 图像检测方法、装置和存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008118568A2 (en) * | 2007-02-22 | 2008-10-02 | General Electric Company | In-line high-throughput contraband detection system |
US20170316285A1 (en) * | 2016-04-28 | 2017-11-02 | International Business Machines Corporation | Detection of objects in images using region-based convolutional neural networks |
CN108446729A (zh) * | 2018-03-13 | 2018-08-24 | 天津工业大学 | 基于卷积神经网络的鸡蛋胚胎分类方法 |
US20190005360A1 (en) * | 2017-07-01 | 2019-01-03 | Algolux Inc. | Method and apparatus for joint image processing and perception |
CN109145816A (zh) * | 2018-08-21 | 2019-01-04 | 北京京东尚科信息技术有限公司 | 商品识别方法和系统 |
CN110018524A (zh) * | 2019-01-28 | 2019-07-16 | 同济大学 | 一种基于视觉-属性的x射线安检违禁品识别方法 |
CN110543857A (zh) * | 2019-09-05 | 2019-12-06 | 安徽启新明智科技有限公司 | 基于图像分析的违禁物识别方法、装置、系统和存储介质 |
CN110717553A (zh) * | 2019-06-20 | 2020-01-21 | 江苏德劭信息科技有限公司 | 一种基于自衰减权重和多局部约束的交通违禁品识别方法 |
CN111126238A (zh) * | 2019-12-19 | 2020-05-08 | 华南理工大学 | 一种基于卷积神经网络的x光安检系统及方法 |
CN112069907A (zh) * | 2020-08-11 | 2020-12-11 | 盛视科技股份有限公司 | 基于实例分割的x光机图像识别方法、装置及系统 |
CN112149720A (zh) * | 2020-09-09 | 2020-12-29 | 南京信息工程大学 | 一种细粒度车辆类型识别方法 |
CN112464750A (zh) * | 2020-11-11 | 2021-03-09 | 南京邮电大学 | 一种基于深度学习的车牌特征点检测方法 |
-
2021
- 2021-05-20 CN CN202110551186.XA patent/CN113326753B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008118568A2 (en) * | 2007-02-22 | 2008-10-02 | General Electric Company | In-line high-throughput contraband detection system |
US20100277312A1 (en) * | 2007-02-22 | 2010-11-04 | Peter Michael Edic | In-line high-throughput contraband detection system |
US20170316285A1 (en) * | 2016-04-28 | 2017-11-02 | International Business Machines Corporation | Detection of objects in images using region-based convolutional neural networks |
US20190005360A1 (en) * | 2017-07-01 | 2019-01-03 | Algolux Inc. | Method and apparatus for joint image processing and perception |
CN108446729A (zh) * | 2018-03-13 | 2018-08-24 | 天津工业大学 | 基于卷积神经网络的鸡蛋胚胎分类方法 |
CN109145816A (zh) * | 2018-08-21 | 2019-01-04 | 北京京东尚科信息技术有限公司 | 商品识别方法和系统 |
CN110018524A (zh) * | 2019-01-28 | 2019-07-16 | 同济大学 | 一种基于视觉-属性的x射线安检违禁品识别方法 |
CN110717553A (zh) * | 2019-06-20 | 2020-01-21 | 江苏德劭信息科技有限公司 | 一种基于自衰减权重和多局部约束的交通违禁品识别方法 |
CN110543857A (zh) * | 2019-09-05 | 2019-12-06 | 安徽启新明智科技有限公司 | 基于图像分析的违禁物识别方法、装置、系统和存储介质 |
CN111126238A (zh) * | 2019-12-19 | 2020-05-08 | 华南理工大学 | 一种基于卷积神经网络的x光安检系统及方法 |
CN112069907A (zh) * | 2020-08-11 | 2020-12-11 | 盛视科技股份有限公司 | 基于实例分割的x光机图像识别方法、装置及系统 |
CN112149720A (zh) * | 2020-09-09 | 2020-12-29 | 南京信息工程大学 | 一种细粒度车辆类型识别方法 |
CN112464750A (zh) * | 2020-11-11 | 2021-03-09 | 南京邮电大学 | 一种基于深度学习的车牌特征点检测方法 |
Non-Patent Citations (4)
Title |
---|
MATHEUS GOMES等: ""Mapping Utility Poles in Aerial Orthoimages Using"", 《SENSORS》 * |
SHIFENG ZHANG等: ""Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection"", 《ARXIV》 * |
卢修生: ""基于特征编码与池化的动作识别方法研究"", 《中国博士论文电子期刊网》 * |
车翔玖等: ""基于多标签特征融合的实例分割网络框架"", 《吉林大学学报(工学版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118351490A (zh) * | 2024-06-17 | 2024-07-16 | 浙江大华技术股份有限公司 | 图像检测方法、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113326753B (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717553B (zh) | 一种基于自衰减权重和多局部约束的交通违禁品识别方法 | |
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
CN112308019B (zh) | 基于网络剪枝和知识蒸馏的sar舰船目标检测方法 | |
CN111563557B (zh) | 一种电力电缆隧道内目标检测的方法 | |
Deng et al. | Vision based pixel-level bridge structural damage detection using a link ASPP network | |
CN109784203B (zh) | 基于分层传播和激活的弱监督x光图像违禁品检查方法 | |
CN109117836A (zh) | 一种基于焦点损失函数的自然场景下文字检测定位方法和装置 | |
CN108182454A (zh) | 安检识别系统及其控制方法 | |
EP3067823A1 (en) | Detection method and device | |
CN111507370A (zh) | 获得自动标注图像中检查标签的样本图像的方法和装置 | |
CN106355188A (zh) | 图像检测方法及装置 | |
CN114841972A (zh) | 基于显著性图和语义嵌入特征金字塔的输电线路缺陷识别方法 | |
CN116612120B (zh) | 一种针对数据不平衡的两阶段式道路缺陷检测方法 | |
CN106127198A (zh) | 一种基于多分类器集成的图像文字识别方法 | |
CN112465057B (zh) | 一种基于深度卷积神经网络的目标检测识别方法 | |
CN114170531B (zh) | 基于困难样本迁移学习的红外图像目标检测方法和装置 | |
KR20200123537A (ko) | 딥러닝 및 데이터 결합을 이용한 싱크홀 탐지방법 및 이를 이용한 싱크홀 탐지시스템 | |
CN110516700A (zh) | 基于度量学习的细粒度图像分类方法 | |
CN112766344A (zh) | 一种基于YOLOv5优化器改进的违禁物品检测方法 | |
CN113326753B (zh) | 一种针对重叠问题的x射线安检违禁品检测方法 | |
CN113807231B (zh) | 基于unet下采样卷积神经网络的x光违禁物检测方法 | |
CN117437555A (zh) | 一种基于深度学习的遥感影像目标提取处理方法及装置 | |
CN110163081A (zh) | 基于ssd的实时区域入侵检测方法、系统及存储介质 | |
Xu et al. | Compressed YOLOv5 for oriented object detection with integrated network slimming and knowledge distillation | |
Awwad et al. | Self-supervised deep learning for vehicle detection in high-resolution satellite imagery |
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 |