CN113435543A - 一种基于传送带标识的可见光和x光图像匹配方法及装置 - Google Patents
一种基于传送带标识的可见光和x光图像匹配方法及装置 Download PDFInfo
- Publication number
- CN113435543A CN113435543A CN202110832768.5A CN202110832768A CN113435543A CN 113435543 A CN113435543 A CN 113435543A CN 202110832768 A CN202110832768 A CN 202110832768A CN 113435543 A CN113435543 A CN 113435543A
- Authority
- CN
- China
- Prior art keywords
- image
- visible light
- ray
- conveyor belt
- article
- 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 19
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000007689 inspection Methods 0.000 claims abstract description 18
- 239000010410 layer Substances 0.000 claims description 15
- 239000002184 metal Substances 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 239000013589 supplement Substances 0.000 claims description 6
- 239000011229 interlayer Substances 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 239000011241 protective layer Substances 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 239000012780 transparent material Substances 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 239000007769 metal material Substances 0.000 abstract description 3
- 238000003384 imaging method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004040 coloring Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明为了解决安检机场景可见光拍摄物品图像和X光扫描物品图像匹配问题，提出了一种基于传送带标识的可见光和X光图像匹配方法及装置。在X光安检机入口上方安装网络高清摄像机模组，在传送带两侧安装金属材质的数字标识条。用深度聚焦卷积残差网络对可见光抓拍图像和X光扫描图像进行物品检测，用以残差网络为模型的卷积神经网络对图像上的数字进行自动识别。利用检测出的可见光抓拍图像和X光扫描图像上物品坐标，通过投影计算出物品相对应的标识条上的数字。接着通过可见光抓拍图像上的数字和X光扫描图像上的数字匹配来实现可见光和X光物品图像的匹配，从而让安检员能更便捷得确认X光物品图像对应的可见光物品图像，提高安检效率。
Description
技术领域
本发明属于安防中的安检领域，涉及可见光成像、X光成像、图形图像处理、计算机视觉等技术，在传送带上设置标识，使可见光采集的物品图像和X光采集的物品图像能够匹配，提高安检效率。
背景技术
安检在日常生活中已经很常见，比如在地铁口、机场和重要场馆等场景，都会配备安检机。安检机通常利用主动X光技术，通过传送带将被检测的物品(通常是包裹)送入扫描区，接着通过X光对物品进行扫描得到X光图像(透视图像)，进而对物品里是否包含禁限带品进行判别，如果有疑似禁限带品，则需要对物品进行人工复核，此时则需要通过X光图像去搜索对应的物品(包裹)。安检员通常是根据物品的特征，比如物品的大小、拉链或者装饰物的形状等去判断，这种方法取决于安检员的辨识能力，效率很低。因此，需要图像自动匹配的方法，最基本的想法就是在X光扫描物品时，抓拍一张可见光的图像，然而，由于X光有辐射，安检机扫描模块在机器内部，在里面安装可见光摄像机有难度，而且很难补光，X光对摄像机也有干扰导致成像不佳。所以，通常在安检机的传送带物品入口处上方安装可见光摄像机，在物品被放置到传送带上或者物品即将经过安检机铅帘时，对物品进行抓拍，这就存在一个问题：物品的可见光图片先被抓拍，过了一段时间才是X光机扫描出物品的X光图像，这两张图像如何进行对应匹配呢？有厂家基于传送带是匀速运行的假设，所以物品可见光抓拍时刻和X光扫描时刻之间是固定的时间差，通过时间差来进行搜索匹配，这种方法无法解决传送带调速的场景，而且传送带有时需要暂停用于复查物品，这会导致可见光抓拍时刻和X光扫描时刻的时间差不确定；还有厂家通过轮廓匹配的方法，事实上，由于X光扫描是透视，会导致很多情况下物品的轮廓线非常模糊，如图1和图2所示，图1是摄像机抓拍的可见光图像，显示一个塑料购物袋，图2是图1物品对应的X光扫描图像，里面装着鞭炮，塑料袋的边缘在X光扫描下已经非常模糊，这种情况下通过轮廓匹配已不可行。
发明内容
本发明为了解决安检机场景可见光拍摄物品图像和X光扫描物品图像匹配问题，提出了一种基于传送带标识的可见光和X光图像匹配方法及装置。如图3所示，在已有安检机主体301，基座302和传送带308基础上，本发明装置包括顶部箱体支撑板303、两侧支撑板304、网络高清摄像机模组305、可见光采集补光灯板306、传送带标识条307。物品通过传送带往前运动，物品和传送带保持相对静止。网络高清摄像机模组对传送带上的物品进行拍摄，输出的视频流通过网络传输到图像匹配服务模块，图像匹配服务模块对视频流进行解码输出一帧帧可见光图像，然后在可见光图像上检测是否有物品，检测到物品存在，则启动抓拍，抓拍的可见光图像放入可见光图像队列中，同时记录可见光图像的抓拍时间和物品在可见光抓拍图像上的图像坐标。安检机X光扫描模块对传送带上的物品进行扫描，扫描出的X光图像通过网络传输到图像匹配服务模块，图像匹配服务模块在X光图像上检测是否有物品，检测到物品存在，则把该X光图像放入X光图像队列，同时记录X光图像的扫描时间和物品在X光图像上的图像坐标。从X光图像队列中取出一张X光图像，以此X光图像抓拍时间为起始点，向前推移一段时间dt得到时刻t，dt通常是物品由可见光摄像机位置通过传送带移动到X光扫描点的时间，以时刻t为基准，从可见光图像队列中取出t前后一段时间内的可见光图像。将取出的X光图像和可见光图像，通过事先标定标识条检测区域，对传送带标识条检测区域内图像，利用以残差网络为模型的卷积神经网络进行数字识别，识别出每个数字，同时可以得到每个数字的图像坐标。把X光图像上物品根据坐标在传送带前进方向(标识条数字前进方向)上进行垂直投影，计算出投影左侧离得最近的数字、投影右侧离得最近的数字、投影中心离得最近的数字，即X光图像上物品左侧坐标对应的标识条上数字NUMXL、物品右侧坐标对应的标识条上数字NUMXR和物品中心坐标对应的标识条上数字NUMXC。把从可见光图像队列中取出的图像上物品根据坐标在传送带前进方向(标识条数字前进方向)上进行垂直投影，计算出投影左侧离得最近的数字、投影右侧离得最近的数字、投影中心离得最近的数字，即可见光图像上物品左侧坐标对应的标识条上数字NUMCL、物品右侧坐标对应的标识条上数字NUMCR和物品中心坐标对应的标识条上数字NUMCC。计算NUMXL和NUMCL的距离DL，NUMXR和NUMCR的距离DR，NUMXC和的NUMCC距离Dc，如果DL、DR、Dc之和小于设定的阈值，则认为X光图像中物品和可见光图像中物品匹配。
X光图像和可见光图像上物品检测算法都采用基于深度聚焦卷积残差网络，如图8所示。输入图像通过聚焦结构把图像各颜色通道子图分成切片(Slice)，然后经过张量拼接(Concat)和卷积模块(Conv)生成特征图，经过BN(Batch Normalization)和Leaky ReLU激活函数等之后输出给跨阶段局部网络，此跨阶段局部网络由Conv、BN、Leaky ReLU、ResNet(残差网络模块)、Concat、合并后BN、合并后LeakyReLU等模块组成，包括两个路径的特征图生成过程。紧接着通过空间金字塔池化模块(SPP:Spatial Pyramid Pooling)，最终输入到FPN(feature pyramid networks)和PAN(Path Aggregation Network)相结合的结构中，采用自顶向下和自底向上的特征金字塔，通过PAN结构从不同的特征层进行特征信息传输和聚合。最终通过预测层(Prediction)进行物品检测。X光图像和可见光图像在成像原理上有很大的不同，这就导致同样类别的物品在X光图像和可见光图像上的特征表现有很大的区别，因此，本发明用X光图像的样本训练X光物品检测模型，用可见光图像的样本训练可见光物品检测模型。
传送带检测区域内图像上数字识别算法采用以残差网络为模型的卷积神经网络，如图9所示。该卷积神经网络以残差网络模块为核心，将卷积层(Conv)、激活层(ReLU)、池化层(Pooling)、残差网络模块(Res Net)和全连接层(Full Connection)等组合起来，最终识别出数字。
顶部箱体支撑板303为透明亚格力材质，位于可见光装置顶层，与X光机机身固定，补光灯板发出的光可透过支撑板303照射到传送带物品上。
支撑板304，与顶部箱体支撑板303和X光机底部固定连接，保证可见光采集装置稳固。
网络高清摄像机模组305位于顶部箱体支撑板303中心，通过定位孔固定，垂直向下照射，采集传送带上的物品的图像。
可见光采集补光灯板306由柔和的LED灯板组成，光线亮度可以根据环境光照强度自动调节。
传送带标识条307为固定于传送带308上表面，位于两侧外边缘的细条，尽量保证不被传送带的包裹遮挡，长度与传送带长度一致，用于标识送带的位置。传送带标识条307由夹层金属标识条401和传送带标识条保护层402组成，如图4所示。夹层金属标识条401长度与传送带长度相同，由金属构成连续的数字，数字之间有固定间隔，方便图像识别，金属数字在X光探测中可见，呈现X光图像。传送带标识条保护层402由透明材质的橡胶或者塑料制作，X光线可穿透材质，可见光摄像机可拍摄到金属数字，不影响夹层金属标志的识别，同时耐磨性强。
附图说明
图1是本发明可见光摄像机对物品的抓拍图例。
图2是本发明安检机对物品进行X光扫描图例。
图3是本发明装置图。
图4是本发明传送带标识条组成示意图。
图5是本发明可见光抓拍图像示意图。
图6是本发明X光扫描图像示意图。
图7是本发明流程图。
图8是本发明X光图像和可见光图像上物品检测算法网络结构图。
图9是本发明数字识别算法网络结构图。
具体实施方式
下面结合附图和具体实例对本发明进行进一步解释。应该指出的是，下文所描述的实例旨在更好的理解本发明，只是本发明中的一部分，并不因此而限制本发明的保护范围。
如图3和图7所示，本发明在已有安检机主体301，基座302和传送带308基础上，加装顶部箱体支撑板303、两侧支撑板304、网络高清摄像机模组305、可见光采集补光灯板306、传送带标识条307，在不同的时刻，用可见光对传送带上的物品进行拍摄，用X光对传送带上的物品进行扫描，对拍摄到的可见光图像和扫描到的X光图像，用基于深度聚焦卷积残差网络的物品检测算法进行检测，在检测到传送带上有物品时，启动可见光图像和X光图像匹配过程。匹配用传送带标识条上的数字进行，可见光图像和X光图像上的数字识别采用以残差网络为模型的卷积神经网络。
步骤701中，安检机传送带将被检测物品送入安检通道，由控制单元触发射线光源发出X射线，射线穿过传送带上的物品，落到双能探测器上，探测器把接收到的信号转换为电信号，再通过模拟到数字的信号转换，形成数字信号，传送到安检机内嵌的计算单元，由计算单元进行图像去噪、锐化、上色等处理，最终生成高质量的X光扫描图像。安检机X光在扫描物品的同时，也会扫描传送带上的数字标识条，因为标识条是金属材质，所以在X光扫描图像上清晰可见，上色后通常是蓝色，即X光扫描图像上带有标识条上的数字。
步骤702中，在安检机入口，垂直正对着传送带的网络高清摄像机模组对传送带上的物品进行拍摄。因此，对于同一个物品，摄像机拍摄的可见光图像在时间上要早于X光扫描图像。摄像机拍摄时，可见光采集补光灯板根据环境光照强度自动调节补光强度。摄像机拍摄过程中，物品跟随传送带处于运动中，因此采用较短的曝光时间和较大的光圈，以减少运动模糊。摄像机在拍摄物品的同时，也会拍摄到传送带上的数字标识条，即可见光视频和图像上带有标识条上的数字。
步骤703、步骤704、步骤705和步骤706，可见光视频流和X光扫描图像序列通过网络传输到图像匹配服务模块，将可见光视频流解码成图像，图像匹配服务模块对可见光图像和X光图像进行物品检测，X光图像和可见光图像上物品检测算法都采用基于深度聚焦卷积残差网络，可见光图像物品检测采用的是可见光图像样本训练的模型，X光图像物品检测采用的是X光图像样本训练的模型。在训练图片输入时，采用随机缩放、随机裁剪、随机组合等将几张图片组成一张图片以扩大样本量。训练样本分辨率统一到640x640像素。
步骤707、步骤708、步骤709和步骤710，可见光图像上检测到物品存在后，则将该图像作为抓拍图像放入可见光图像队列中，同时记录可见光图像的抓拍时间和物品在可见光抓拍图像上的图像坐标，抓拍时间精确到毫秒。X光图像上检测物品存在后，则将则把该X光图像放入X光图像队列，同时记录X光图像的扫描时间和物品在X光图像上的图像坐标。可见光图像队列和X光图像队列中的图片按时间先后进行存放，以方便后续匹配时读取使用。队列的长度通常以物品从传送带入口运行到出口的时间的两倍时间来计算，即在这两倍时间范围外的图像将被新的图像替代。
步骤711和步骤712，从X光图像队列中取出一张X光图像，以此X光图像抓拍时间为起始点，向前推移一段时间dt得到时刻t，以时刻t为基准，从可见光图像队列中取出t前后一段时间内的可见光图像。dt通常是物品由可见光摄像机位置通过传送带移动到X光扫描点的时间，传输带的速度和传送带运动的距离是确定的，因此距离除以速度可以得到运动时间dt，这是个估算值，不能通过dt精确索引哪张可见光图像和X光图像匹配。将取出的X光图像和可见光图像，通过事先标定标识条检测区域，对传送带标识条检测区域内图像，利用以残差网络为模型的卷积神经网络进行数字识别，识别出每个数字，同时可以得到每个数字的图像坐标。标识条中的数字采用印刷体字体，由0到9组成，卷积神经网络模型的训练样本也采用印刷体数字生成的图像样本，而不是手写体数字图像样本。
步骤713、步骤714、步骤715、步骤716和步骤717，以传送带前进方向为坐标横轴，以垂直于前进方向为坐标纵轴，X光图像上物品和可见光图像上物品的坐标包含外围矩形框的左上角坐标、右下角坐标和中心坐标。把X光图像上物品根据坐标在传送带前进方向(标识条数字前进方向)上进行垂直投影，计算出投影左侧离得最近的数字、投影右侧离得最近的数字、投影中心离得最近的数字，即X光图像上物品左侧坐标对应的标识条上数字NUMXL、物品右侧坐标对应的标识条上数字NUMXR和物品中心坐标对应的标识条上数字NUMXC。把从可见光图像队列中取出的图像上物品根据坐标在传送带前进方向(标识条数字前进方向)上进行垂直投影，计算出投影左侧离得最近的数字、投影右侧离得最近的数字、投影中心离得最近的数字，即可见光图像上物品左侧坐标对应的标识条上数字NUMCL、物品右侧坐标对应的标识条上数字NUMCR和物品中心坐标对应的标识条上数字NUMCC。计算NUMXL和NUMCL的距离DL，NUMXR和NUMCR的距离DR，NUMXC和的NUMCC距离Dc，如果DL、DR、Dc之和小于设定的阈值，则认为X光图像中物品和可见光图像中物品匹配。
本发明一种基于传送带标识的可见光和X光图像匹配方法及装置，在X光安检机入口上方安装网络高清摄像机模组，在传送带两侧安装金属材质的数字标识条，用深度聚焦卷积残差网络对可见光抓拍图像和X光扫描图像进行物品检测，用以残差网络为模型的卷积神经网络对图像上的数字进行自动识别，接着通过可见光抓拍图像和X光扫描图像的数字匹配来实现可见光和X光物品图像的匹配，从而让安检员能更便捷得确认X光物品图像对应的可见光物品图像，提高安检效率。
Claims (6)
1.一种基于传送带标识的可见光和X光图像匹配方法及装置，其特征在于：包括顶部箱体支撑板(303)、两侧支撑板(304)、网络高清摄像机模组(305)、可见光采集补光灯板(306)、传送带标识条(307)；网络高清摄像机模组对传送带上的物品进行拍摄，输出的视频流通过网络传输到图像匹配服务模块，图像匹配服务模块在可见光图像上检测到物品存在后进行抓拍，放入可见光图像队列，同时记录可见光图像的抓拍时间和物品在可见光抓拍图像上的图像坐标；安检机X光扫描模块对传送带上的物品进行扫描，扫描出的X光图像通过网络传输到图像匹配服务模块，图像匹配服务模块在X光图像上检测到物品存在，则把该X光图像放入X光图像队列，同时记录X光图像的扫描时间和物品在X光图像上的图像坐标；X光图像和可见光图像上物品检测算法采用基于深度聚焦卷积残差网络；从X光图像队列中取出一张X光图像，以此X光图像抓拍时间为起始点，向前推移一段时间得到时刻t，以时刻t为基准，从可见光图像队列中取出t前后一段时间内的可见光图像；取出的X光图像和可见光图像，通过事先标定标识条检测区域，对传送带标识条检测区域内图像，利用以残差网络为模型的卷积神经网络进行数字识别，识别出每个数字，同时得到每个数字的图像坐标；把X光图像上物品根据坐标在传送带前进方向上进行垂直投影，计算出X光图像上物品左侧坐标对应的标识条上数字NUMXL、物品右侧坐标对应的标识条上数字NUMXR和物品中心坐标对应的标识条上数字NUMXC；从可见光图像队列中取出的图像上物品根据坐标在传送带前进方向上进行垂直投影，计算出可见光图像上物品左侧坐标对应的标识条上数字NUMCL、物品右侧坐标对应的标识条上数字NUMCR和物品中心坐标对应的标识条上数字NUMCC；计算NUMXL和NUMCL的距离DL，NUMXR和NUMCR的距离DR，NUMXC和的NUMCC距离Dc，如果DL、DR、Dc之和小于设定的阈值，则认为X光图像中物品和可见光图像中物品匹配。
2.根据权利要求1所述的一种基于传送带标识的可见光和X光图像匹配方法及装置，其特征在于，X光图像和可见光图像上物品检测算法采用基于深度聚焦卷积残差网络，输入图像通过聚焦结构把图像各颜色通道子图分成切片Slice，然后经过张量拼接Concat和卷积模块Conv生成特征图，经过BN，Batch Normalization和Leaky ReLU激活函数等之后输出给跨阶段局部网络，此跨阶段局部网络由Conv、BN、Leaky ReLU、残差网络模块ResNet、Concat、合并后BN、合并后LeakyReLU等模块组成，包括两个路径的特征图生成过程；紧接着通过空间金字塔池化模块SPP，Spatial Pyramid Pooling，最终输入到FPN，featurepyramid networks和PAN，Path Aggregation Network相结合的结构中，采用自顶向下和自底向上的特征金字塔，通过PAN结构从不同的特征层进行特征信息传输和聚合，最终通过预测层Prediction进行物品检测；用X光图像的样本训练X光物品检测模型，用可见光图像的样本训练可见光物品检测模型。
3.根据权利要求1所述的一种基于传送带标识的可见光和X光图像匹配方法及装置，其特征在于，传送带检测区域内图像上数字识别算法采用以残差网络为模型的卷积神经网络，以残差网络模块为核心，将卷积层Conv、激活层ReLU、池化层Pooling、残差网络模块ResNet和全连接层Full Connection等组合起来，最终识别出数字；标识条中的数字采用印刷体字体，由0到9组成，卷积神经网络模型的训练样本也采用印刷体数字生成的图像样本。
4.根据权利要求1所述的一种基于传送带标识的可见光和X光图像匹配方法及装置，其特征在于，顶部箱体支撑板(303)为透明亚格力材质，位于可见光装置顶层，与X光机机身加固，补光灯板发出的光可透过支撑板(303)照射到传送带物品上；支撑板(304)，与顶部箱体支撑板(303)和X光机底部固定连接，保证可见光采集装置稳固。
5.根据权利要求1所述的一种基于传送带标识的可见光和X光图像匹配方法及装置，其特征在于，网络高清摄像机模组(305)位于顶部箱体支撑板(303)中心，通过定位孔固定，垂直向下照射，采集传送带上的物品的图像；可见光采集补光灯板(306)由柔和的LED灯板组成，光线亮度可以根据环境光照强度自动调节。
6.根据权利要求1所述的一种基于传送带标识的可见光和X光图像匹配方法及装置，其特征在于，传送带标识条(307)为固定于传送带(308)上表面，位于两侧外边缘的细条，安装时不被传送带的包裹遮挡，长度与传送带长度一致，用于标识送带的位置；传送带标识条(307)由夹层金属标识条(401)和传送带标识条保护层(402)组成；夹层金属标识条(401)长度与传送带长度相同，由金属构成连续的数字，数字之间有固定间隔，方便图像识别，金属数字在X光探测中可见，呈现X光图像；传送带标识条保护层(402)由透明材质制作，X光线可穿透的材质，可见光摄像机可拍摄到金属数字。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110832768.5A CN113435543B (zh) | 2021-07-22 | 2021-07-22 | 一种基于传送带标识的可见光和x光图像匹配方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110832768.5A CN113435543B (zh) | 2021-07-22 | 2021-07-22 | 一种基于传送带标识的可见光和x光图像匹配方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113435543A true CN113435543A (zh) | 2021-09-24 |
| CN113435543B CN113435543B (zh) | 2024-04-09 |
Family
ID=77761447
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110832768.5A Active CN113435543B (zh) | 2021-07-22 | 2021-07-22 | 一种基于传送带标识的可见光和x光图像匹配方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113435543B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114882446A (zh) * | 2022-07-08 | 2022-08-09 | 安徽启新明智科技有限公司 | 图像关联方法、装置、设备和介质 |
| CN115494556A (zh) * | 2022-08-18 | 2022-12-20 | 成都智元汇信息技术股份有限公司 | 一种基于段落法模糊匹配的包包关联方法 |
| CN115496889A (zh) * | 2022-08-18 | 2022-12-20 | 成都智元汇信息技术股份有限公司 | 基于rgb图像提取x光图片中包裹图片的方法、设备及介质 |
| CN117611524A (zh) * | 2023-10-26 | 2024-02-27 | 北京声迅电子股份有限公司 | 基于多源图像的快件安检方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020037935A1 (zh) * | 2018-08-23 | 2020-02-27 | 深圳码隆科技有限公司 | 一种安检过程中液体识别方法及其装置 |
| CN111612020A (zh) * | 2019-02-22 | 2020-09-01 | 杭州海康威视数字技术股份有限公司 | 一种异常被检物的定位方法以及安检分析设备、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 |
| CN112364903A (zh) * | 2020-10-30 | 2021-02-12 | 盛视科技股份有限公司 | 基于x光机的物品分析及多维图像关联方法与系统 |
| CN112949577A (zh) * | 2021-03-29 | 2021-06-11 | 杭州海康威视数字技术股份有限公司 | 信息关联方法、装置、服务器及存储介质 |
-
2021
- 2021-07-22 CN CN202110832768.5A patent/CN113435543B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020037935A1 (zh) * | 2018-08-23 | 2020-02-27 | 深圳码隆科技有限公司 | 一种安检过程中液体识别方法及其装置 |
| CN111612020A (zh) * | 2019-02-22 | 2020-09-01 | 杭州海康威视数字技术股份有限公司 | 一种异常被检物的定位方法以及安检分析设备、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 |
| CN112364903A (zh) * | 2020-10-30 | 2021-02-12 | 盛视科技股份有限公司 | 基于x光机的物品分析及多维图像关联方法与系统 |
| CN112949577A (zh) * | 2021-03-29 | 2021-06-11 | 杭州海康威视数字技术股份有限公司 | 信息关联方法、装置、服务器及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 刘颖;王伊琳;王倩;侯祥玮;: "基于有偏彩色纹理字典的X光安检图像检测", 西安邮电大学学报, no. 06, 10 November 2017 (2017-11-10) * |
| 王宇石;王晓侃;: "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, no. 23, 31 July 2020 (2020-07-31) * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114882446A (zh) * | 2022-07-08 | 2022-08-09 | 安徽启新明智科技有限公司 | 图像关联方法、装置、设备和介质 |
| CN114882446B (zh) * | 2022-07-08 | 2022-10-04 | 安徽启新明智科技有限公司 | 图像关联方法、装置、设备和介质 |
| CN115494556A (zh) * | 2022-08-18 | 2022-12-20 | 成都智元汇信息技术股份有限公司 | 一种基于段落法模糊匹配的包包关联方法 |
| CN115496889A (zh) * | 2022-08-18 | 2022-12-20 | 成都智元汇信息技术股份有限公司 | 基于rgb图像提取x光图片中包裹图片的方法、设备及介质 |
| CN115494556B (zh) * | 2022-08-18 | 2023-09-12 | 成都智元汇信息技术股份有限公司 | 一种基于段落法模糊匹配的包包关联方法 |
| CN115496889B (zh) * | 2022-08-18 | 2023-09-22 | 成都智元汇信息技术股份有限公司 | 基于rgb图像提取x光图片中包裹图片的方法、设备及介质 |
| CN117611524A (zh) * | 2023-10-26 | 2024-02-27 | 北京声迅电子股份有限公司 | 基于多源图像的快件安检方法 |
| CN117611524B (zh) * | 2023-10-26 | 2024-05-31 | 北京声迅电子股份有限公司 | 基于多源图像的快件安检方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113435543B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113435543A (zh) | 一种基于传送带标识的可见光和x光图像匹配方法及装置 | |
| CN208672539U (zh) | 一种基于图像采集的片状玻璃边缘瑕疵检测装置 | |
| US11087484B2 (en) | Camera apparatus and method of detecting a stream of objects | |
| US7372556B2 (en) | Apparatus and methods for inspecting a composite structure for inconsistencies | |
| CN103443802B (zh) | 用于读取光学代码的系统和方法 | |
| US8179434B2 (en) | System and method for imaging of curved surfaces | |
| CN104729426B (zh) | 基于机器视觉的角钢自动在线检测系统及方法 | |
| CN114140461B (zh) | 基于边缘识图盒子的切图方法、电子设备及介质 | |
| US10482347B2 (en) | Inspection of the contoured surface of the undercarriage of a motor vehicle | |
| CN109816697B (zh) | 一种无人模型车建立地图的系统及方法 | |
| US20220210375A1 (en) | Method and system for optical monitoring of unmanned aerial vehicles based on three-dimensional light field technology | |
| CN104123779A (zh) | 硬币隐形图案检测方法及其检测装置 | |
| CN111239142A (zh) | 膏体外观缺陷检测设备及方法 | |
| CN116363691A (zh) | 安检信息绑定方法、装置、电子设备及可读存储介质 | |
| CN111103309A (zh) | 用于检测透明材质物体瑕疵的方法 | |
| CN107661862B (zh) | 快递自动分拣阵列式照相机系统 | |
| CN207397296U (zh) | 一种基于背影成像的物体识别装置 | |
| CN109671121A (zh) | 一种控制器及其可见光定位视觉检测方法 | |
| CN108036778A (zh) | 集装箱自动识别系统和识别方法以及港口设施 | |
| CN207816267U (zh) | 集装箱自动识别系统和港口设施 | |
| CN111239145A (zh) | 膏体表面气孔自动检测设备及方法 | |
| JP3945931B2 (ja) | 物体輪郭検出方法および物体識別方法 | |
| CN117611524B (zh) | 基于多源图像的快件安检方法 | |
| Wang et al. | Longitudinal tear detection of conveyor belt based on improved YOLOv7 | |
| CN116360002A (zh) | 安检设备 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231123 Address after: Room 609-1, 6th Floor, Import and Export Exhibition and Trading Center, Huanghua Comprehensive Bonded Zone, Huanghua Town, Lingkong Block, Changsha Area, Changsha Free Trade Zone, Hunan Province, 410137 Applicant after: Hunan Shengxun Technology Co.,Ltd. Address before: Room 412, 4th Floor, Building 6, No. 13 North Ertiao, Zhongguancun, Haidian District, Beijing, 100190 Applicant before: BEIJING BRAVEVIDEO TECHNOLOGY CO.,LTD. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |