CN115331092B - 基于神经网络的违禁品位置探测方法、装置、设备及介质 - Google Patents
基于神经网络的违禁品位置探测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115331092B CN115331092B CN202211240107.4A CN202211240107A CN115331092B CN 115331092 B CN115331092 B CN 115331092B CN 202211240107 A CN202211240107 A CN 202211240107A CN 115331092 B CN115331092 B CN 115331092B
- Authority
- CN
- China
- Prior art keywords
- contraband
- neural network
- characteristic data
- detected
- induction area
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Abstract
本申请公开了一种基于神经网络的违禁品位置探测方法、装置、设备及介质。方法包括:根据发射线圈和接收线圈形成感应区域,所述感应区域包含区域位置标识;当待检测目标通过所述感应区域时,获取待检测目标的特征数据;将特征数据输入预训练的第一神经网络模型,得到待检测目标中是否包含违禁品的探测结果;当待检测目标包含违禁品时,将特征数据输入预训练的第二神经网络模型,得到探测的违禁品在感应区域内的位置。其中,违禁品包括手机、智能手表、对讲机等电子设备以及管制刀具的一种或多种。该方法基于预训练的神经网络模型,不仅可以探测出待检测目标是否包含违禁品,还可以识别出违禁品的位置,大大提高了违禁品探测的准确度和效率。
Description
技术领域
本发明涉及智能检测技术领域,特别涉及一种基于神经网络的违禁品位置探测方法、装置、设备及介质。
背景技术
随着电子设备的普及,人们很容易使用电子设备进行通话、录音、拍照、拍摄视频等,这些具有录音、拍摄功能的电子设备在提升人们生活便利性的同时,也带来了一定的信息泄露的风险。在重要场所或秘密环境中,携带或使用电子设备如手机、录音笔、摄像机等,会造成场所内的秘密信息泄露。为了有效的降低涉密场所内由于电子设备而引发的信息泄露,需要在涉密场所外有效探测电子设备。传统的人工排查方法不但效率低,而且容易造成对被检查人群的“冒犯”。对于排队入场的考生或者参加具有保密等级的与会人员,快速准确而且不失礼貌的进行违禁品检测是尤为必要的。
例如,目前对手机的探测,较为广泛采用的三种探测方法包括:手机信号探测法、半导体非线性结点探测法和磁性检测法。其中,手机信号探测法在实际应用中往往无法精确到携带手机的个人,并且对处于关机状态的手机也没有检测能力。半导体非线性结点探测法理论上可以检测到含有半导体器件的设备,但是由于很多微小金属物品也会表现出半导体非线性结点的特征,因此这一类检测方法的准确程度难以满足市场需求。磁性检测法主要以手机内部的磁性物质作为检测特征,因此这一类检测方法在技术上很难排除磁性饰品的干扰,误报率较高。
发明内容
本申请实施例提供了一种基于神经网络的违禁品位置探测方法、装置、设备及介质。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
第一方面,本申请实施例提供了一种基于神经网络的违禁品位置探测方法,包括:
根据发射线圈和接收线圈形成感应区域,所述感应区域包含区域位置标识;
当待检测目标通过感应区域时,获取待检测目标的特征数据;
将特征数据输入预训练的第一神经网络模型,得到待检测目标中是否包含违禁品的探测结果;
当待检测目标包含违禁品时,将特征数据输入预训练的第二神经网络模型,得到探测的违禁品在感应区域内的位置。
在一个可选地实施例中,根据发射线圈和接收线圈形成感应区域之后,还包括:
计算感应区域的边长信息,根据感应区域的边长信息以及预设的区域划分规则,将感应区域划分为多个子区域;
为每个子区域添加区域位置标识。
在一个可选地实施例中,当待检测目标通过感应区域时,获取待检测目标的特征数据,包括:
当待检测目标通过感应区域时,通过接收线圈获取发射线圈辐射的电磁信号和待检测目标辐射的电磁信号的叠加信号;
通过模数转换器对叠加信号进行量化,并提取量化后数据的频率信息、相位信息以及幅度信息;
将频率信息、相位信息、幅度信息以及频率、相位、幅度的组合信息作为待检测目标的特征数据。
在一个可选地实施例中,将特征数据输入预训练的第一神经网络模型之前,还包括:
在感应区域内没有放置标定物时,获取感应区域对应的无标定物特征数据;
在感应区域内放置违禁品标定物时,获取感应区域对应的违禁品标定物特征数据;
在感应区域内放置伪违禁品标定物时,获取感应区域对应的伪违禁品标定物特征数据;
对无标定物特征数据、违禁品标定物特征数据以及伪违禁品标定物特征数据进行标注,将所述无标定物特征数据和伪违禁品标定物特征数据添加不包含违禁品标签,将违禁品标定物特征数据添加包含违禁品标签,得到第一训练数据集;
根据第一训练数据集训练第一神经网络模型,得到训练好的第一神经网络模型。
在一个可选地实施例中,将特征数据输入预训练的第二神经网络模型之前,还包括:
在感应区域内的不同区域位置处放置违禁品标定物,并获取不同区域位置对应的多个特征数据;
对多个特征数据分别添加区域位置标签,得到第二训练数据集;
根据第二训练数据集训练第二神经网络模型,得到训练好的第二神经网络模型。
在一个可选地实施例中,第一神经网络模型和第二神经网络模型为BP神经网络模型。
在一个可选地实施例中,得到探测的违禁品在感应区域内的位置之后,还包括:
通过语音进行预警提示,并播报违禁品的区域位置信息,和/或,
在显示屏上显示违禁品的区域位置信息。
第二方面,本申请实施例提供的一种基于神经网络的违禁品位置探测装置,包括:
设置模块,用于根据发射线圈和接收线圈形成感应区域,所述感应区域包含区域位置标识;
数据采集与处理模块,用于当待检测目标通过感应区域时,获取待检测目标的特征数据;
第一探测模块,用于将特征数据输入预训练的第一神经网络模型,得到待检测目标中是否包含违禁品的探测结果;
第二探测模块,用于当待检测目标包含违禁品时,将特征数据输入预训练的第二神经网络模型,得到探测的违禁品在感应区域内的位置。
第三方面,本申请实施例提供了一种电子设备,包括处理器和存储有程序指令的存储器,处理器被配置为在执行程序指令时,执行上述实施例提供的基于神经网络的违禁品位置探测方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机可读指令,计算机可读指令被处理器执行以实现上述实施例提供的一种基于神经网络的违禁品位置探测方法。
本申请实施例提供的技术方案可以包括以下有益效果:
本申请实施例提供的一种违禁品位置探测方法,通过发射线圈和接收线圈构成感应区域,感应区域包含划分的区域位置标识,当待检测目标通过感应区域时进行探测,可以基于预训练的神经网络模型识别采样的特征数据是否包含违禁品,若包含违禁品,还可以进一步根据预训练的神经网络模型识别违禁品在感应区域内的位置,不仅大大提高了违禁品探测的准确率,还可以输出探测违禁品的位置信息,辅助检测人员进一步确认违禁品或查取违禁品,提高检测效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种基于神经网络的违禁品位置探测方法的流程示意图;
图2是根据一示例性实施例示出的一种神经网络模型的训练方法示意图;
图3是根据一示例性实施例示出的一种基于神经网络的违禁品位置探测方法的另一流程示意图;
图4是根据一示例性实施例示出的一种违禁品探测器的示意图;
图5是根据一示例性实施例示出的一种违禁品探测器的结构示意图;
图6是根据一示例性实施例示出的一种违禁品探测装置的结构示意图;
图7是根据一示例性实施例示出的一种基于神经网络的违禁品位置探测装置的结构示意图;
图8是根据一示例性实施例示出的一种电子设备的结构示意图;
图9是根据一示例性实施例示出的一种计算机存储介质的示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。
应当明确,所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的系统和方法的例子。
本申请实施例提供的违禁品探测方法,可以应用于多个场景,例如,在考生考试时,探测考生是否携带能作弊的电子设备,例如,手机、对讲机、智能手表、耳机等违禁品。还可以应用与安检领域,例如,检测进入医院的人员是否携带管制刀具等违禁品。
下面以手机为例,结合附图对本申请实施例提供的基于神经网络的违禁品位置探测方法进行详细介绍。参见图1,该方法具体包括以下步骤。
S101根据发射线圈和接收线圈形成感应区域,所述感应区域包含区域位置标识。
在一种实施方式中,设置探测器,探测器包括发射线圈和接收线圈,发射线圈和接收线圈之间可以形成感应区域。其中,探测器可为门式探测器,如图5所示,发射线圈沿门框方向缠绕,接收线圈与发射线圈的朝向一致,该缠绕方式可以减少探测器的体积。还可以设置为手持式探测器。通过设置的探测器对感应区域内的待检测目标进行探测。
具体地,探测器中的信号发生器生成固定参数的正弦波信号,由功率放大器放大后,经发射线圈向空间辐射电磁信号。其中,辐射的电磁信号可为低频电磁信号,例如,辐射的电磁信号频率在200kHz-300kHz。接收线圈接收辐射的电磁信号,发射线圈和接收线圈之间可以形成感应区域。
进一步地,发射线圈和接收线圈之间形成感应区域之后,还包括:计算感应区域的边长信息,根据感应区域的边长信息以及预设的区域划分规则,将感应区域划分为多个子区域。
例如,计算形成的感应区域的长度信息、宽度信息、高度信息,根据计算的感应区域的大小数据,对感应区域进行分区划分。在一种可能的实现方式中,可以将感应区域根据高度信息划分为若干等份,也可以根据感应区域的长度信息将感应区域划分为若干等份,也可以根据感应区域的宽度信息将感应区域划分为若干份,每份的长度可以不相等。本申请实施例对具体的划分规则不做限定,得到划分的若干个子区域,为每个子区域添加区域位置标识。
如图4左部分所示,可以根据高度将感应区域划分为三个子区域,分别为V1、V2、V3,如图4右部分所示,还可以根据长度将感应区域划分为三个子区域。划分子区域后,为每个子区域添加区域位置标识。
S102当待检测目标通过感应区域时,获取待检测目标的特征数据。
其中,待检测目标可为用户,在一个示例性场景中,检测进入考场的学生是否携带手机,则待检测目标为进入考场的学生,检测进入会议室的参会人员是否携带手机,则待检测目标为进入会议室的参会人员。
进一步地,当待检测目标进入感应区域时,获取待检测目标的特征数据。具体地,当待检测目标通过探测器形成的感应区域时,一方面,发射线圈会向空间辐射电磁信号,例如辐射频率在80kHz-800kHz的低频电磁信号,实际研发过程中,这个频率和不同的金属反映的效果有关,工作频率越接近80kHz对铁元素的金属检测灵敏度最高,效果也最好,而当金属检测器的把工作频率调整到靠近800kHz的时候对高碳钢的检测效果最好,可以在实际应用中根据不同的检测对象,确定精确的频率。
另一方面,待检测目标内部含有的金属器件和电介质器件在外界电磁场的激发下,其内部等效的磁偶极子和电偶极子也会向空间辐射具有一定特征的电磁信号。通过接收线圈获取发射线圈辐射的电磁信号和待检测目标辐射的电磁信号的叠加信号。提取叠加信号的相位、幅度、频率特征,得到提取的特征数据。
具体地,对叠加信号进行特征提取,包括:
在一种可能的实现方式中,通过DFT算法提取,首先计算:
得到提取的三组频率、相位和幅度。进一步地,对提取的特征参数进行组合,包括将频率和相位相乘、将频率和幅度相乘、将相位和幅度相乘、将频率、相位、幅度相乘。得到组合后的特征向量。将频率信息、相位信息、幅度信息以及频率、相位、幅度的组合信息作为待检测目标的特征数据。例如,得到的特征数据如下形式:
本申请实施例通过接收线圈获取发射线圈辐射的电磁信号和待检测目标辐射的电磁信号的叠加信号,提取叠加信号的相位、幅度、频率特征,得到提取的特征数据的方案,与现有技术中采用高频基波的非线性节点探测方法相比,可以降低生产成本,便于推广使用。
S103将特征数据输入预训练的第一神经网络模型,得到待检测目标中是否包含违禁品的探测结果。
在一个可选地实施例中,将特征数据输入预训练的第一神经网络模型之前,还包括:训练第一神经网络模型,第一神经网络模型用于探测待检测目标中是否包含违禁品。
具体地,首先构建训练数据集,在发射线圈和接收线圈形成的感应区域内没有放置标定物时,获取感应区域对应的无标定物特征数据。此时,接收线圈仅获取发射线圈辐射的电磁信号,并提取信号的相位、幅度、频率特征,将提取的相位、幅度、频率以及相位、频率、幅度的组合,作为提取的无标定物特征数据。
在感应区域内放置违禁品标定物时,例如,在感应区域内放置手机,获取感应区域对应的手机标定物特征数据。此时,接收线圈获取发射线圈辐射的电磁信号和放置的手机标定物辐射的电磁信号的叠加信号。提取叠加信号的相位、幅度、频率特征,将提取的相位、幅度、频率以及相位、频率、幅度的组合,作为提取的手机标定物特征数据。可以调整手机标定物的放置姿态,通过对手机标定物的姿态进行调整,获取多组手机标定物的特征数据。
在感应区域内放置伪违禁品标定物时,例如放置伪手机标定物时,获取感应区域对应的伪手机标定物特征数据,此时,接收线圈获取发射线圈辐射的电磁信号和放置的伪手机标定物辐射的电磁信号的叠加信号。提取叠加信号的相位、幅度、频率特征,将提取的相位、幅度、频率以及相位、频率、幅度的组合,作为提取的伪手机标定物特征数据。其中,伪手机标定物包括磁性饰品、金属纽扣、耳机等金属设备,通过放置多个不同类型的伪手机标定物,得到多组伪手机标定物特征数据。
对无标定物特征数据、违禁品标定物特征数据以及伪违禁品标定物特征数据进行标注,标注检测违禁品有无训练集,例如,无标定物特征数据对应的标注结果为0,违禁品标定物特征数据对应的标注结果为1,伪违禁品标定物特征数据对应的标注结果为0。0表示没有违禁品,1表示有违禁品。
根据构建的训练数据集训练第一神经网络模型,得到训练好的第一神经网络模型。其中,第一神经网络模型可为BP神经网络模型,BP神经网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程,正是通过对标定物的信号参数进行采集,然后送入神经网络,通过反向传播来不断调整网络的权值和阈值,最终得到判定结果。通过使用BP神经网络模型,可以降低算法计算复杂度,提高计算效率,且并行性强。
将采集的待检测目标的特征数据输入训练好的第一神经网络模型,得到待检测目标中是否包含违禁品的检测结果,若不包含违禁品,则不进行后续处理,直接放行。若包含违禁品,可以发出预警提示,例如发出声音预警提示或通过显示屏显示检测到违禁品的预警信息。
根据本申请的实施方式,对实时通过的待检测目标激发的叠加场电磁信号进行提取,将提取的相位、幅度、频率特征数据输入训练好的神经网络模型,可以立即得到准确的检测结果,不仅检测效率高、准确率高,且方案的实施成本低,可以广泛推广应用。
S104当待检测目标包含违禁品时,将特征数据输入预训练的第二神经网络模型,得到探测的违禁品在感应区域内的位置。
根据步骤S103得到待检测目标包含违禁品时,可以进一步根据预训练的第二神经网络模型探测违禁品的位置。在一个可选地实施例中,将特征数据输入预训练的第二神经网络模型之前,还包括:训练第二神经网络模型。
具体地,在感应区域内的不同区域位置处放置违禁品标定物,并获取不同区域位置对应的多个特征数据,例如,在划分的每个子区域内都放置手机标定物,得到多组特征数据,对得到的多组特征数据添加对应的区域位置标签。得到训练数据集。根据得到的训练数据集训练第二神经网络模型,得到训练好的第二神经网络模型。其中,第二神经网络模型也可为BP神经网络模型。
将特征数据输入预训练的第二神经网络模型,得到探测的违禁品在感应区域内的位置。
可选地,得到探测的违禁品在感应区域内的位置之后,还包括:通过语音进行预警提示,并播报违禁品的区域位置信息。在一个示例性场景中,得到手机在感应区域内的位置之后,可以通过探测装置上的语音播报器发出“探测到手机,手机位于第四区域”的预警提示信息。
可选地,将探测器与监控平台的显示屏通信连接,若探测到手机的位置,将手机的位置信息以及探测器的标识信息传输到与手机探测器连接的显示屏上,在显示屏上显示手机的区域位置信息。例如,在显示屏上滚动显示2号探测器探测到手机,手机位于第三区域的文字提示信息。
本申请实施例通过利用训练的神经网络模型,还可以准确地识别出探测的违禁品位置信息,便于违禁品的查找,提高探测效率。
为了便于理解本申请实施例提供的基于神经网络的违禁品位置探测方法,下面结合附图2和3进行说明。
如图2所示,示出了本申请实施例如何训练神经网络模型的方法,以手机为例,首先采集特征参数,在感应区域内不放置标定物,采集无标定物时的特征参数Sn,在感应区域内放置伪标定物,采集伪标定物时的特征参数Sx,在感应区域内放置手机标定物,采集手机标定物时的特征参数S,在感应区域内的不同位置放置手机标定物,采集不同区域位置处的特征参数Swn。
对采集的特征数据进行标注,包括标注检测手机有无训练集X={Sn,0}、X={Sx,0}、X={S,1}。其中,0表示没有手机,1表示有手机。然后标注手机位置训练集Xw={Swn,wz},其中WZ是区域位置标识编号。
利用标注好的训练数据集拟合手机有无判定函数f1(S),拟合手机位置判定函数f2(S)。得到训练好的神经网络。
如图3所示,是本申请的测试方法示意图,在实时检测过程中,将采集的待检测目标的特征数据S输入手机有无判定函数f1(S),若没有手机,则继续进行下一个检测,若有手机,则在检测结果输出单元输出存在手机的提示,并将待检测目标的特征数据S输入手机位置判定函数f2(S),得到检测出来的手机位置信息。
在一个可选地实施例中,当探测的违禁品为对讲机时,将手机标定物替换为对讲机标定物,将伪手机标定物替换为伪对讲机标定物,放入形成的感应区域,采集特征数据,分别训练第一神经网络模型和第二神经网络模型,根据训练好的神经网络模型实现对对讲机的探测。
在一个可选地实施例中,需要对进入人员进行安检,当探测的违禁品为管制刀具时,将手机标定物替换为管制刀具标定物,将伪手机标定物替换为伪管制刀具标定物,放入形成的感应区域,采集特征数据,分别训练第一神经网络模型和第二神经网络模型,根据训练好的神经网络模型实现对管制刀具的探测。其具体地实现方法参考手机实施例,本申请不再做详细阐述。
根据本申请实施例提供的一种违禁品位置探测方法,通过发射线圈和接收线圈构成感应区域,感应区域包含划分的区域位置标识,当待检测目标通过感应区域时进行探测,可以基于预训练的神经网络模型识别采样的特征数据是否包含违禁品,若包含违禁品,还可以进一步根据预训练的神经网络模型识别违禁品在感应区域内的位置,不仅大大提高了违禁品探测的准确率,还可以输出探测违禁品的位置信息,辅助检测人员进一步确认违禁品或查取违禁品,提高检测效率。
本申请实施例还提供一种基于神经网络的违禁品位置探测装置,该装置用于执行上述实施例的基于神经网络的违禁品位置探测方法,如图7所示,该装置包括:
设置模块701,用于根据发射线圈和接收线圈形成感应区域,所述感应区域包含区域位置标识;
数据采集与处理模块702,用于当待检测目标通过感应区域时,获取待检测目标的特征数据;
第一探测模块703,用于将特征数据输入预训练的第一神经网络模型,得到待检测目标中是否包含违禁品的探测结果;
第二探测模块704,用于当待检测目标包含违禁品时,将特征数据输入预训练的第二神经网络模型,得到探测的违禁品在感应区域内的位置。
需要说明的是,上述实施例提供的基于神经网络的违禁品位置探测装置在执行基于神经网络的违禁品位置探测方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的基于神经网络的违禁品位置探测装置与基于神经网络的违禁品位置探测方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
本申请实施例还提供一种与前述实施例所提供的基于神经网络的违禁品位置探测方法对应的违禁品探测器,以执行上述基于神经网络的违禁品位置探测方法。
图6是根据一示例性实施例示出的一种违禁品探测装置的结构示意图,如图6所示,可以根据本申请实施例提供的探测方法制造一种探测器,用来对待检测目标进行检测。
在一种可能的实现方式中,违禁品探测器为门式探测器或手持式探测器,探测器内部集成了电磁场发生单元、电磁场敏感单元、数据采集与处理单元、神经网络检测单元,还可以包括检测结果输出单元。
具体地,电磁场发生单元包括信号发生器、功率放大器以及发射线圈,电磁场发生器内部由信号发生器生成固定参数的正弦波信号,由功率放大后,经发射线圈向空间辐射频率在80kHz-800kHz的电磁信号。
电磁场敏感单元包括接收线圈和功率放大器,电磁场敏感单元通过接收线圈获得电磁场发生单元辐射的电磁场和被测物辐射的电磁场组成的叠加场,并通过功率放大器对叠加信号进行放大。
数据采集与处理单元,通过模数转换器对叠加场进行量化,并提取叠加场的频率、相位和幅度等特征,得到提取的特征数据,将提取的特征数据输入神经网络检测单元。
神经网络检测单元用于通过第一神经网络模型检测是否存在违禁品,当存在时,通过第二神经网络模型检测违禁品的位置信息。
检测结果输出单元,用于输出检测到的违禁品的提示信息以及违禁品位置信息。
请参考图8,其示出了本申请的一些实施例所提供的一种电子设备的示意图,电子设备可为一种违禁品探测器。如图8所示,电子设备包括:处理器800,存储器801,总线802和通信接口803,处理器800、通信接口803和存储器801通过总线802连接;存储器801中存储有可在处理器800上运行的计算机程序,处理器800运行计算机程序时执行本申请前述任一实施例所提供的基于神经网络的违禁品位置探测方法。
其中,存储器801可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口803(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线802可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。其中,存储器801用于存储程序,处理器800在接收到执行指令后,执行程序,前述本申请实施例任一实施方式揭示的基于神经网络的违禁品位置探测方法可以应用于处理器800中,或者由处理器800实现。
处理器800可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器800中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器800可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器801,处理器800读取存储器801中的信息,结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的基于神经网络的违禁品位置探测方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
本申请实施例还提供一种与前述实施例所提供的基于神经网络的违禁品位置探测方法对应的计算机可读存储介质,请参考图9,其示出的计算机可读存储介质为光盘900,其上存储有计算机程序(即程序产品),计算机程序在被处理器运行时,会执行前述任意实施例所提供的基于神经网络的违禁品位置探测方法。
需要说明的是,计算机可读存储介质的例子还可以包括,但不限于相变内存(PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的基于神经网络的违禁品位置探测方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于神经网络的违禁品位置探测方法,其特征在于,包括:
根据发射线圈和接收线圈形成感应区域,所述感应区域包含区域位置标识;
当待检测目标通过所述感应区域时,获取所述待检测目标的特征数据;
将所述特征数据输入预训练的第一神经网络模型,得到待检测目标中是否包含违禁品的探测结果;
当待检测目标包含违禁品时,将所述特征数据输入预训练的第二神经网络模型,得到探测的违禁品在感应区域内的位置;
其中,将所述特征数据输入预训练的第二神经网络模型之前,还包括:
在所述感应区域内的不同区域位置处放置违禁品标定物,并获取不同区域位置对应的多个特征数据;
对所述多个特征数据分别添加区域位置标签,得到第二训练数据集;
根据所述第二训练数据集训练所述第二神经网络模型,得到训练好的第二神经网络模型。
2.根据权利要求1所述的方法,其特征在于,根据发射线圈和接收线圈形成感应区域之后,还包括:
计算所述感应区域的边长信息,根据所述感应区域的边长信息以及预设的区域划分规则,将所述感应区域划分为多个子区域;
为每个子区域添加区域位置标识。
3.根据权利要求1所述的方法,其特征在于,当待检测目标通过所述感应区域时,获取所述待检测目标的特征数据,包括:
当待检测目标通过所述感应区域时,通过所述接收线圈获取所述发射线圈辐射的电磁信号和待检测目标辐射的电磁信号的叠加信号;
通过模数转换器对所述叠加信号进行量化,并提取量化后数据的频率信息、相位信息以及幅度信息;
将所述频率信息、相位信息、幅度信息以及频率、相位、幅度的组合信息作为待检测目标的特征数据。
4.根据权利要求1所述的方法,其特征在于,将所述特征数据输入预训练的第一神经网络模型之前,还包括:
在所述感应区域内没有放置标定物时,获取所述感应区域对应的无标定物特征数据;
在所述感应区域内放置违禁品标定物时,获取所述感应区域对应的违禁品标定物特征数据;
在所述感应区域内放置伪违禁品标定物时,获取所述感应区域对应的伪违禁品标定物特征数据;
对所述无标定物特征数据、违禁品标定物特征数据以及伪违禁品标定物特征数据进行标注,将所述无标定物特征数据和伪违禁品标定物特征数据添加不包含违禁品标签,将违禁品标定物特征数据添加包含违禁品标签,得到第一训练数据集;
根据所述第一训练数据集训练所述第一神经网络模型,得到训练好的第一神经网络模型。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述第一神经网络模型和第二神经网络模型为BP神经网络模型。
6.根据权利要求1所述的方法,其特征在于,得到探测的违禁品在感应区域内的位置之后,还包括:
通过语音进行预警提示,并播报所述违禁品的区域位置信息,和/或,
在显示屏上显示所述违禁品的区域位置信息。
7.一种基于神经网络的违禁品位置探测装置,其特征在于,包括:
设置模块,用于根据发射线圈和接收线圈形成感应区域,所述感应区域包含区域位置标识;
数据采集与处理模块,用于当待检测目标通过所述感应区域时,获取所述待检测目标的特征数据;
第一探测模块,用于将所述特征数据输入预训练的第一神经网络模型,得到待检测目标中是否包含违禁品的探测结果;
第二探测模块,用于当待检测目标包含违禁品时,将所述特征数据输入预训练的第二神经网络模型,得到探测的违禁品在感应区域内的位置;
其中,将所述特征数据输入预训练的第二神经网络模型之前,还包括:
在所述感应区域内的不同区域位置处放置违禁品标定物,并获取不同区域位置对应的多个特征数据;
对所述多个特征数据分别添加区域位置标签,得到第二训练数据集;
根据所述第二训练数据集训练所述第二神经网络模型,得到训练好的第二神经网络模型。
8.一种电子设备,其特征在于,包括处理器和存储有程序指令的存储器,所述处理器被配置为在执行所述程序指令时,执行如权利要求1至6任一项所述的基于神经网络的违禁品位置探测方法。
9.一种计算机可读介质,其特征在于,其上存储有计算机可读指令,所述计算机可读指令被处理器执行以实现如权利要求1至6任一项所述的一种基于神经网络的违禁品位置探测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211240107.4A CN115331092B (zh) | 2022-10-11 | 2022-10-11 | 基于神经网络的违禁品位置探测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211240107.4A CN115331092B (zh) | 2022-10-11 | 2022-10-11 | 基于神经网络的违禁品位置探测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115331092A CN115331092A (zh) | 2022-11-11 |
CN115331092B true CN115331092B (zh) | 2023-01-06 |
Family
ID=83913181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211240107.4A Active CN115331092B (zh) | 2022-10-11 | 2022-10-11 | 基于神经网络的违禁品位置探测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115331092B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2060647A1 (en) * | 1989-06-16 | 1990-12-17 | Tsahi Gozani | Multi-sensor explosive detection system |
WO2008118568A2 (en) * | 2007-02-22 | 2008-10-02 | General Electric Company | In-line high-throughput contraband detection system |
CN107251088A (zh) * | 2014-11-25 | 2017-10-13 | 拉皮斯坎系统股份有限公司 | 智能安全管理系统 |
CN109814166A (zh) * | 2018-12-29 | 2019-05-28 | 深圳市华讯方舟太赫兹科技有限公司 | 异物检测方法、安检设备及具有存储功能的装置 |
CN112612066A (zh) * | 2019-09-18 | 2021-04-06 | 同方威视技术股份有限公司 | 人员安检方法及人员安检系统 |
CN113156522A (zh) * | 2021-03-12 | 2021-07-23 | 中国科学院信息工程研究所 | 一种基于检测门框的安全检测方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884085A (zh) * | 2021-04-02 | 2021-06-01 | 中国科学院自动化研究所 | 基于x光图像的违禁物品检测识别方法、系统及设备 |
CN114241266B (zh) * | 2021-12-21 | 2023-11-28 | 国网甘肃省电力公司酒泉供电公司 | 一种光缆智能预警的处理方法及系统 |
-
2022
- 2022-10-11 CN CN202211240107.4A patent/CN115331092B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2060647A1 (en) * | 1989-06-16 | 1990-12-17 | Tsahi Gozani | Multi-sensor explosive detection system |
WO2008118568A2 (en) * | 2007-02-22 | 2008-10-02 | General Electric Company | In-line high-throughput contraband detection system |
CN107251088A (zh) * | 2014-11-25 | 2017-10-13 | 拉皮斯坎系统股份有限公司 | 智能安全管理系统 |
CN109814166A (zh) * | 2018-12-29 | 2019-05-28 | 深圳市华讯方舟太赫兹科技有限公司 | 异物检测方法、安检设备及具有存储功能的装置 |
CN112612066A (zh) * | 2019-09-18 | 2021-04-06 | 同方威视技术股份有限公司 | 人员安检方法及人员安检系统 |
CN113156522A (zh) * | 2021-03-12 | 2021-07-23 | 中国科学院信息工程研究所 | 一种基于检测门框的安全检测方法和装置 |
Non-Patent Citations (3)
Title |
---|
Automatic Detection of Concealed Pistols Using Passive Millimeter Wave Imaging;Zelong Xiao 等;《2015 IEEE International Conference on Imaging Systems and Techniques》;20151008;1-4 * |
PMMWI与VI优势互补的人体隐蔽违禁物检测与定位;赵国,秦世引;《北京航空航天大学学报》;20191031;第45卷(第10期);2011-2025 * |
一种基于阶梯阈值的γ射线违禁品探测方法;陈勇,常青青;《原子核物理评论》;20160930;第33卷(第3期);321-325 * |
Also Published As
Publication number | Publication date |
---|---|
CN115331092A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363076B (zh) | 人员信息关联方法、装置及终端设备 | |
US11164329B2 (en) | Multi-channel spatial positioning system | |
US20190026605A1 (en) | Neural network model training method and apparatus, living body detecting method and apparatus, device and storage medium | |
CN107591207A (zh) | 一种疫情排查方法、装置、系统及设备 | |
CN108921159A (zh) | 用于检测安全帽的佩戴情况的方法和装置 | |
CN112561948B (zh) | 基于时空轨迹的伴随轨迹识别方法、设备及存储介质 | |
CN108154196A (zh) | 用于输出图像的方法和装置 | |
CN110309768B (zh) | 车检工位的工作人员检测方法及设备 | |
CN110321852B (zh) | 一种动作类型识别方法、装置、存储介质及计算机设备 | |
CN106778559A (zh) | 活体检测的方法及装置 | |
CN111738349B (zh) | 目标检测算法的检测效果评估方法、装置、存储介质及设备 | |
CN103632247A (zh) | 一种基于智能仓储系统的表计信息识别系统及方法 | |
CN112770265B (zh) | 一种行人身份信息获取方法、系统、服务器和存储介质 | |
US20220207266A1 (en) | Methods, devices, electronic apparatuses and storage media of image processing | |
CN108509921A (zh) | 用于生成信息的方法和装置 | |
CN110826610A (zh) | 一种用于智能检测人员着装是否规范的方法与系统 | |
CN105426862A (zh) | 基于rfid、定位技术与视频技术的分析方法及其系统 | |
CN108509888A (zh) | 用于生成信息的方法和装置 | |
US9317887B2 (en) | Similarity calculating method and apparatus | |
CN110619027A (zh) | 一种房源信息的推荐方法、装置、终端设备及介质 | |
CN106644186A (zh) | 巴克豪森阵列传感器及成像方法 | |
CN104407699B (zh) | 一种人机交互方法、装置及系统 | |
CN103974410B (zh) | 用于定位的方法和装置 | |
CN103034866B (zh) | 一种目标识别方法、装置及系统 | |
CN115331092B (zh) | 基于神经网络的违禁品位置探测方法、装置、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 |