CN113781426B - 一种识别液体成分的智能安检方法 - Google Patents
一种识别液体成分的智能安检方法 Download PDFInfo
- Publication number
- CN113781426B CN113781426B CN202111042720.0A CN202111042720A CN113781426B CN 113781426 B CN113781426 B CN 113781426B CN 202111042720 A CN202111042720 A CN 202111042720A CN 113781426 B CN113781426 B CN 113781426B
- Authority
- CN
- China
- Prior art keywords
- liquid
- atomic number
- ray
- equivalent atomic
- identifying
- 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
- 239000007788 liquid Substances 0.000 title claims abstract description 85
- 238000007689 inspection Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000005315 distribution function Methods 0.000 claims description 14
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000010521 absorption reaction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 239000007787 solid Substances 0.000 abstract description 4
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 239000004744 fabric Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000006467 substitution reaction 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
Abstract
本发明属于液体成分安检技术领域，尤其是一种识别液体成分的智能安检方法，解决了现有技术中安检图像识别技术是通过采集X光图中物品的形状和颜色信息进行识别，只能识别刀具、枪支等固体物品，不能识别液体成分的问题。所述识别液体成分的智能安检方法，包括以下步骤：拍摄物品的X光图，找出X光图中的液体瓶，找出液体瓶内部受前背景遮挡较少的部分a和液体瓶外部与部分a相邻的部分b，计算得出液体瓶内液体的等效原子序数，最后得出液体瓶内液体的成分。本发明克服了前背景遮挡对液体成分识别的影响，能高效准确地识别液体成分，大大提高了液体成分安检的准确度和效率，减轻了安检员的工作难度。
Description
技术领域
本发明涉及液体成分安检技术领域，尤其涉及一种识别液体成分的智能安检方法。
背景技术
社会的高速发展对安检的准确度和效率提出越来越高的要求，而传统的X光安检机行包检测一直依赖于人工判图，其准确性取决于安检员自身的经验，检测速度受限于安检员的工作负荷，行业内人工安检的违禁品误报和漏报率超过30％。
近年来，基于深度学习的图像识别技术被引入安检行业，采用智能安检识别算法对X光安检图像进行检测和识别，若识别出违禁品则标记出其位置和名称以提醒安检员，从而能够提高违禁品检测准确率和安检通行效率。
然而，现有的安检图像识别技术是通过采集X光图中物品的形状和颜色信息进行识别，只能识别刀具、枪支等固体物品，不能识别液体成分。同类液体的X光图之间颜色差异小，如油漆、胶水等同为绿色，水、酒精、汽油等同为黄色，无法根据颜色信息区分不同液体。基于上述陈述，本发明提出了一种识别液体成分的智能安检方法。
发明内容
本发明的目的是为了解决现有技术中安检图像识别技术是通过采集X光图中物品的形状和颜色信息进行识别，只能识别刀具、枪支等固体物品，不能识别液体成分的问题，而提出的一种识别液体成分的智能安检方法。
一种识别液体成分的智能安检方法，用于对X光图进行违禁品的检测识别，包括以下步骤：
S1、利用X光机拍摄物品的X光图，输出高能能谱灰度图和低能能谱灰度图；
S2、采用实例分割算法对步骤S1中拍摄的X光图进行分析，找出X光图中的液体瓶；
S3、在步骤S2中找出的液体瓶内部，找出受前背景遮挡较少的部分a，部分a满足如下条件：(1)等效原子序数在预设的液体等效原子序数范围之内；(2)X光吸收率大于半瓶液体的X光吸收率；
S4、在步骤S2中找出的液体瓶外部，找出与步骤S3中部分a相邻的部分b，部分b满足以下条件之一：(1)等效原子序数在预设的等效原子序数范围之内，且X光吸收率小于部分a的X光吸收率的一半；(2)无前背景遮挡；
S5、根据步骤S3中找出的部分a和步骤S4中找出的部分b的高低能信息和等效原子序数信息，计算得出步骤S2中找出的液体瓶内液体的等效原子序数；
S6、根据步骤S5中计算得出的等效原子序数，得出步骤S2中找出的液体瓶内液体的成分。
优选的，所述步骤S1中X光机为双源X光机。
优选的，所述步骤S2中实例分割算法为Mask R-CNN框架。
优选的，所述步骤S3和步骤S4中的前背景指步骤S2中找出的液体瓶部分及其相邻部分所受到的遮挡。
优选的，所述步骤S5中计算得出步骤S2中找出的液体瓶内液体的等效原子序数的具体计算方法为：
假设Hx,y,Lx,y是步骤S1中输出的高能能谱灰度图和低能能谱灰度图在像素位置(x,y)对应的值；
(Rx,y，Gx,y，Bx,y)对应(x,y)位置的RGB值；
Zx，y对应(x,y)位置的等效原子序数；
分别对所述部分a、部分b作(Rx，y，Gx，y，Bx，y，Hx，y，Lx，y，Zx，y)统计并归一化处理，得到部分a的分布函数和部分b的分布函数i为整数；将所述两组分布函数作为全连接深度神经网络(fc)的输入，得到所述液体的比例α，α∈(0，1)；
计算所述液体的等效原子序数的公式为：
(Z为统计均值)；
所述全连接深度神经网络(fc)的输入为所述两组分布函数,输出为所述液体比例；其训练数据为不同类别、不同X光吸收率的液体(如水，酒精等)与不同材质、不同X光吸收率的物体(如布料、纸张等)，用上述方法得到的分布函数及对应的液体比例。
本发明提出的一种识别液体成分的智能安检方法，具有以下有益效果：
本发明解决了现有技术中安检图像识别技术是通过采集X光图中物品的形状和颜色信息进行识别，只能识别刀具、枪支等固体物品，不能识别液体成分的问题，且本发明克服了前背景遮挡对液体成分识别的影响，本发明能高效准确地识别液体成分，大大提高了液体成分安检的准确度和效率，减轻了安检员的工作难度。
附图说明
图1为本发明提出的一种识别液体成分的智能安检方法中部分a和部分b的示意图。
具体实施方式
下面结合具体实施例对本发明作进一步解说。
实施例一
本发明提出的一种识别液体成分的智能安检方法用于对X光图进行违禁品的检测识别，包括以下步骤：
S1、利用X光机拍摄物品的X光图，输出高能能谱灰度图和低能能谱灰度图；
S2、采用实例分割算法对步骤S1中拍摄的X光图进行分析，找出X光图中的液体瓶；
S3、在步骤S2中找出的液体瓶内部，找出受前背景遮挡较少的部分a，部分a满足如下条件：(1)等效原子序数在预设的液体等效原子序数范围之内；(2)X光吸收率大于半瓶液体的X光吸收率；
S4、在步骤S2中找出的液体瓶外部，找出与步骤S3中部分a相邻的部分b，部分b满足以下条件之一：(1)等效原子序数在预设的等效原子序数范围之内，且X光吸收率小于部分a的X光吸收率的一半；(2)无前背景遮挡；
S5、根据步骤S3中找出的部分a和步骤S4中找出的部分b的高低能信息和等效原子序数信息，计算得出步骤S2中找出的液体瓶内液体的等效原子序数；
S6、根据步骤S5中计算得出的等效原子序数，得出步骤S2中找出的液体瓶内液体的成分。
进一步的，步骤S3和步骤S4中的前背景指步骤S2中找出的液体瓶部分及其相邻部分所受到的遮挡。
进一步的，步骤S5中计算得出步骤S2中找出的液体瓶内液体的等效原子序数的具体计算方法为：
假设Hx,y,Lx,y是步骤S1中输出的高能能谱灰度图和低能能谱灰度图在像素位置(x,y)对应的值；
(Rx,y，Gx,y，Bx,y)对应(x,y)位置的RGB值；
Zx，y对应(x,y)位置的等效原子序数；
分别对所述部分a、部分b作(Rx，y，Gx，y，Bx，y，Hx，y，Lx，y，Zx，y)统计并归一化处理，得到部分a的分布函数和部分b的分布函数/>i为整数；将所述两组分布函数作为全连接深度神经网络(fc)的输入，得到所述液体的比例α，α∈(0，1)；
计算所述液体的等效原子序数的公式为：
(Z为统计均值)；
所述全连接深度神经网络(fc)的输入为所述两组分布函数,输出为所述液体比例；其训练数据为不同类别、不同X光吸收率的液体(如水，酒精等)与不同材质、不同X光吸收率的物体(如布料、纸张等)用上述方法得到的分布函数及对应的液体比例。
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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种识别液体成分的智能安检方法，用于对X光图进行违禁品的检测识别，其特征在于，包括以下步骤：
S1、利用X光机拍摄物品的X光图，输出高能能谱灰度图和低能能谱灰度图；
S2、采用实例分割算法对步骤S1中拍摄的X光图进行分析，找出X光图中的液体瓶；
S3、在步骤S2中找出的液体瓶内部，找出受前背景遮挡较少的部分a，部分a满足如下条件：(1)等效原子序数在预设的液体等效原子序数范围之内；(2)X光吸收率大于半瓶液体的X光吸收率；
S4、在步骤S2中找出的液体瓶外部，找出与步骤S3中部分a相邻的部分b，部分b满足以下条件之一：(1)等效原子序数在预设的等效原子序数范围之内，且X光吸收率小于部分a的X光吸收率的一半；(2)无前背景遮挡；
S5、根据步骤S3中找出的部分a和步骤S4中找出的部分b的高低能信息和等效原子序数信息，计算得出步骤S2中找出的液体瓶内液体的等效原子序数；
S6、根据步骤S5中计算得出的等效原子序数，得出步骤S2中找出的液体瓶内液体的成分，所述步骤S5中计算得出步骤S2中找出的液体瓶内液体的等效原子序数的具体计算方法为：
假设Hx,y,Lx,y是步骤S1中输出的高能能谱灰度图和低能能谱灰度图在像素位置(x,y)对应的值；
(Rx,y，Gx,y，Bx,y)对应(x,y)位置的RGB值；
Zx，y对应(x,y)位置的等效原子序数；
分别对所述部分a、部分b作(Rx，y，Gx，y，Bx，y，Hx，y，Lx，y，Zx，y)统计并归一化处理，得到部分a的分布函数{fRa(i),fGa(i),fBa(i),fHa(i),fLa(i),fZa(i)}和部分b的分布函数{fRb(i),fGb(i),fBb(i),fHb(i),fLb(i),fZb(i)}，i∈(0，255)，i为整数；将所述两组分布函数作为全连接深度神经网络(fc)的输入，得到所述液体的比例α，α∈(0，1)；
计算所述液体的等效原子序数的公式为：
Z为统计均值；
所述全连接深度神经网络(fc)的输入为所述两组分布函数,输出为所述液体比例；其训练数据为不同类别、不同X光吸收率的液体与不同材质、不同X光吸收率的物体用上述方法得到的分布函数及对应的液体比例。
2.根据权利要求1所述的一种识别液体成分的智能安检方法，其特征在于，所述步骤S1中X光机为双源X光机。
3.根据权利要求1所述的一种识别液体成分的智能安检方法，其特征在于，所述步骤S2中实例分割算法为Mask R-CNN框架。
4.根据权利要求1所述的一种识别液体成分的智能安检方法，其特征在于，所述步骤S3和步骤S4中的前背景指步骤S2中找出的液体瓶部分及其相邻部分所受到的遮挡。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111042720.0A CN113781426B (zh) | 2021-09-07 | 2021-09-07 | 一种识别液体成分的智能安检方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111042720.0A CN113781426B (zh) | 2021-09-07 | 2021-09-07 | 一种识别液体成分的智能安检方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113781426A CN113781426A (zh) | 2021-12-10 |
| CN113781426B true CN113781426B (zh) | 2024-02-13 |
Family
ID=78841468
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111042720.0A Active CN113781426B (zh) | 2021-09-07 | 2021-09-07 | 一种识别液体成分的智能安检方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113781426B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115078414B (zh) * | 2022-08-18 | 2022-11-04 | 湖南苏科智能科技有限公司 | 基于多能量x射线的液体成分抗干扰智能检测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102162798A (zh) * | 2007-10-05 | 2011-08-24 | 清华大学 | 液态物品检查方法和设备 |
| EP2405260A1 (en) * | 2010-07-09 | 2012-01-11 | Alta Lab S.r.l. | Method and apparatus for performing non-invasive x-ray inspections of objects |
| CN102928448A (zh) * | 2012-10-30 | 2013-02-13 | 公安部第一研究所 | 通道式四视角x射线液态物品安全检查方法及检查装置 |
| CN104181178A (zh) * | 2014-08-18 | 2014-12-03 | 公安部第一研究所 | 一种通道式双视角x射线液态物品安全检查系统 |
| 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 |
| CN110488368A (zh) * | 2019-07-26 | 2019-11-22 | 中控智慧科技股份有限公司 | 一种基于双能x光安检机的违禁品识别方法及装置 |
| CN111539251A (zh) * | 2020-03-16 | 2020-08-14 | 重庆特斯联智慧科技股份有限公司 | 一种基于深度学习的安检物品识别方法和系统 |
| CN211979223U (zh) * | 2019-12-30 | 2020-11-20 | 北京航星机器制造有限公司 | 一种组合检测装置 |
| CN112162324A (zh) * | 2020-09-02 | 2021-01-01 | 海深智能科技(上海)有限公司 | 一种有效提高违禁品识别率的智能安检方法 |
| CN113159110A (zh) * | 2021-03-05 | 2021-07-23 | 安徽启新明智科技有限公司 | 一种基于x射线液体智能检测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009024818A1 (en) * | 2007-08-17 | 2009-02-26 | Durham Scientific Crystals Limited | Method and apparatus for identification and detection of liquids |
| CN101403711B (zh) * | 2007-10-05 | 2013-06-19 | 清华大学 | 液态物品检查方法和设备 |
| CN104089944A (zh) * | 2014-07-21 | 2014-10-08 | 同方威视技术股份有限公司 | 对液体物品进行安全检查的方法和设备 |
-
2021
- 2021-09-07 CN CN202111042720.0A patent/CN113781426B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102162798A (zh) * | 2007-10-05 | 2011-08-24 | 清华大学 | 液态物品检查方法和设备 |
| EP2405260A1 (en) * | 2010-07-09 | 2012-01-11 | Alta Lab S.r.l. | Method and apparatus for performing non-invasive x-ray inspections of objects |
| CN102928448A (zh) * | 2012-10-30 | 2013-02-13 | 公安部第一研究所 | 通道式四视角x射线液态物品安全检查方法及检查装置 |
| 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 |
| CN104181178A (zh) * | 2014-08-18 | 2014-12-03 | 公安部第一研究所 | 一种通道式双视角x射线液态物品安全检查系统 |
| CN110488368A (zh) * | 2019-07-26 | 2019-11-22 | 中控智慧科技股份有限公司 | 一种基于双能x光安检机的违禁品识别方法及装置 |
| CN211979223U (zh) * | 2019-12-30 | 2020-11-20 | 北京航星机器制造有限公司 | 一种组合检测装置 |
| CN111539251A (zh) * | 2020-03-16 | 2020-08-14 | 重庆特斯联智慧科技股份有限公司 | 一种基于深度学习的安检物品识别方法和系统 |
| CN112162324A (zh) * | 2020-09-02 | 2021-01-01 | 海深智能科技(上海)有限公司 | 一种有效提高违禁品识别率的智能安检方法 |
| CN113159110A (zh) * | 2021-03-05 | 2021-07-23 | 安徽启新明智科技有限公司 | 一种基于x射线液体智能检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| Li Zhang et al.Determination of liquid's molecular interference function based on X-ray diffraction and dual-energy CT in security screening.《Applied Radiation and Isotopes》.2016,第114卷179-187. * |
| Systematic implementation of spectral CT with a photon counting detector for liquid security inspection;Xiaofei Xu et al;《Nuclear Instruments and Methods in Physics Research Section A：Accelerators，Spectrometers，Detectors and Associated Equipment》;第893卷;99-108 * |
| X射线危险品智能检测算法研究;李萌萌;《中国优秀硕士学位论文全文数据库（基础科学辑）》(第6期);A005-39 * |
| 基于双能X射线的液体危险品识别分类方法;胡紫薇等;《无损检测》;第42卷(第9期);63-68 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113781426A (zh) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106568783B (zh) | 一种五金零件缺陷检测系统及方法 | |
| WO2020253308A1 (zh) | 矿井下皮带运输人员人机交互行为安全监控与预警方法 | |
| CN110018524B (zh) | 一种基于视觉-属性的x射线安检违禁品识别方法 | |
| CN104198497B (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
| CN105279772B (zh) | 一种红外序列图像的可跟踪性判别方法 | |
| CN112330693B (zh) | 一种煤矸石检测方法及系统 | |
| CN104537651B (zh) | 一种路面图像中裂缝比例检测方法及系统 | |
| CN103390164A (zh) | 基于深度图像的对象检测方法及其实现装置 | |
| CN104834942A (zh) | 基于掩膜分类的遥感影像变化检测方法及系统 | |
| CN106128022A (zh) | 一种智慧金睛识别暴力动作报警方法和装置 | |
| CN103955940A (zh) | 一种基于x射线背散射图像的人体隐藏物的检测方法 | |
| CN106643965B (zh) | 一种利用模板匹配精确识别液位的方法 | |
| CN110490842A (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
| CN104182985A (zh) | 遥感图像变化检测方法 | |
| CN113781426B (zh) | 一种识别液体成分的智能安检方法 | |
| CN107220664A (zh) | 一种基于结构化随机森林的油瓶装箱清点方法 | |
| CN107240112A (zh) | 一种复杂场景下个体x角点提取方法 | |
| CN109978940A (zh) | 一种sab安全气囊尺寸视觉测量方法 | |
| CN110211116A (zh) | 一种基于深度学习网络和浅层纹理特征融合的甲状腺超声图像结节分析方法 | |
| CN101013126A (zh) | 用计算机预测木质人造板强度的方法 | |
| CN105760828A (zh) | 一种基于视觉的静态手势识别方法 | |
| CN105809092A (zh) | 人群目标检测方法及其装置 | |
| CN106404893A (zh) | 一种轴向漏磁缺陷信号自动检测方法 | |
| CN107369163A (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
| CN106203349A (zh) | 基于稀疏误差矩阵的人脸识别方法 |
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 |