CN115420761A - 汽油与水区分网络的训练方法、汽油与水区分方法 - Google Patents
汽油与水区分网络的训练方法、汽油与水区分方法 Download PDFInfo
- Publication number
- CN115420761A CN115420761A CN202211382655.0A CN202211382655A CN115420761A CN 115420761 A CN115420761 A CN 115420761A CN 202211382655 A CN202211382655 A CN 202211382655A CN 115420761 A CN115420761 A CN 115420761A
- Authority
- CN
- China
- Prior art keywords
- energy
- low
- gasoline
- value
- network
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 title claims abstract description 58
- 238000005070 sampling Methods 0.000 claims abstract description 150
- 238000001514 detection method Methods 0.000 claims abstract description 53
- 238000007689 inspection Methods 0.000 claims abstract description 31
- 230000000007 visual effect Effects 0.000 claims description 48
- 238000006243 chemical reaction Methods 0.000 claims description 16
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 14
- 229910052802 copper Inorganic materials 0.000 claims description 14
- 239000010949 copper Substances 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 102100038191 Double-stranded RNA-specific editase 1 Human genes 0.000 claims description 2
- 101000742223 Homo sapiens Double-stranded RNA-specific editase 1 Proteins 0.000 claims description 2
- 101000686491 Platymeris rhadamanthus Venom redulysin 1 Proteins 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims 4
- 238000001914 filtration Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 13
- 238000003384 imaging method Methods 0.000 description 5
- 238000000926 separation method Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 230000017105 transposition Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
-
- G01V5/22—
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Abstract
本发明公开了一种汽油与水区分网络的训练方法、汽油与水区分方法。其中，区分网络用于X射线安检机系统，系统包括X射线发射器和高、低能探测器，汽油与水区分网络的训练方法包括：在系统空载时，控制探测器对X射线进行N次采集，在系统带负载时，控制探测器对X射线进行采集，得到N个第一高、低能采样和M个与负载对应的第二高、低能采样值，M、N为大于1的整数；对M个第二高能采样值进行补偿，并根据第一高、低能采样值、补偿后的第二高能采样值和第二低能采样值，得到负载的属性值；对应每个负载添加标签；构建检测子网络，并将补偿后的第二高能采样值、第二低能采样值、属性值和标签作为训练样本对网络进行训练。
Description
技术领域
本发明涉及安检技术领域，尤其涉及一种汽油与水区分网络的训练方法、汽油与水区分方法。
背景技术
随着人们乘坐公共交通工具出行的人数逐年增加，出行安全检测也越来越受到铁路、地铁、航空和客运部门的重视，如若汽油被带上公共交通工具，会对安全带来影响。
相关技术中，X射线检测是常见的违禁品检测方法，X射线能够在复杂的遮挡干扰情况下定位违禁品，为人工开箱查验提供线索。
但是，相关技术中的X射线检测存在可能无法区分汽油与水的问题，且相关技术中必须借助于人工检查，增大了人力消耗和误检概率，为公共交通工具的安全带来不利的影响。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提出一种汽油与水区分网络的训练方法，以提高公共交通工具的安全性。
本发明的第二个目的在于提出一种汽油与水区分方法。
为达到上述目的，本发明第一方面实施例提出了一种汽油与水区分网络的训练方法，所述汽油与水区分网络用于X射线安检机系统，所述X射线安检机系统包括X射线发射器和X射线探测器，所述X射线探测器包括高能探测器和低能探测器，所述方法包括：在所述X射线安检机系统空载时，控制所述X射线发射器发射X射线，并分别控制所述高能探测器和所述低能探测器对所述X射线进行N次采集，得到N个第一高能采样值和N个第一低能采样值，其中，N为大于1的整数；在所述X射线安检机系统带负载时，控制所述X射线发射器发射X射线，并分别控制所述高能探测器和所述低能探测器对所述X射线进行采集，得到M个第二高能采样值和M个第二低能采样值，其中，M为大于1的整数，每对所述第二高能采样值和所述第二低能采样值对应一个负载；对所述M个第二高能采样值进行补偿，并根据所述N个第一高能采样值、所述N个第一低能采样值、M个补偿后的第二高能采样值和所述M个第二低能采样值，得到M个所述负载的属性值，以及对应每个负载添加标签；构建所述汽油与水区分网络，并将所述M个补偿后的第二高能采样值、所述M个第二低能采样值、M个属性值和M个标签作为训练样本，对所述汽油与水区分网络进行训练。
为达到上述目的，本发明第二方面实施例提出了一种汽油与水区分方法，所述方法用于X射线安检机系统,所述X射线安检机系统包括相互垂直的第一视角X射线探测器和第二视角X射线探测器，所述第一视角X射线探测器和所述第二视角X射线探测器均包括高能探测器和低能探测器，所述方法包括：在所述X射线安检机系统带负载时，控制所述X射线发射器发射X射线，并分别控制所述第一视角X射线探测器和第二视角X射线探测器对所述X射线进行采集，得到采样结果；将所述采样结果输入采用如权利要求1-9中任一项所述的汽油与水区分网络的训练方法训练得到的汽油与水区分网络，得到第一检测结果；获取所述采样结果中的第一视角低能采样值和第二视角低能采样值；根据所述第一视角低能采样值和所述第二视角低能采样值，得到第一视角低能灰度图像和第二视角低能灰度图像；对所述第一视角低能灰度图像和所述第二视角低能灰度图像进行轮廓提取，得到负载第一视角轮廓和负载第二视角轮廓；根据所述负载第一视角轮廓得到所述负载的关键点，并根据所述负载第二视角轮廓得到所述关键点处所述负载的厚度；根据所述厚度得到所述负载在所述关键点处的高能衰减系数和低能衰减系数，将所述高能衰减系数和所述低能衰减系数分别与汽油高能衰减系数和汽油低能衰减系数进行比较，得到第二检测结果；在所述第一检测结果和所述第二检测结果均指向汽油时，确定所述负载为汽油。
根据本发明实施例的汽油与水区分网络的训练方法、汽油与水区分方法，通过在X射线安检机系统空载时控制X射线发射器发射X射线，并分别控制高能探测器和低能探测器对X射线进行N次采集得到N个第一高能采样值和N个低能采样值，并在X射线安检机系统带负载时控制X射线发射器发射X射线，并分别控制高能探测器和低能探测器针对每一个负载均进行采集得到一个第二高能采样值和一个第二低能采样值，从而得到M个第二高能采样值和M个第二低能采样值，对该M个第二高能采样值进行补偿得到补偿后的第二高能采样值，根据N个第一高能采样值、N个第一低能采样值、M个补偿后的第二高能采样值和M个第二低能采样值，得到M个负载的属性值，从而根据属性值、补偿后的高能采样值和低能采样值得到三通道的训练样本，且在添加标签之后，该训练样本即可用于训练汽油与水区分网络，从而利用该训练样本对汽油与水区分网络进行训练。由于训练样本中包括属性值，信息增多，样本的特征表达能力更强，利用该训练样本对汽油与水区分网络进行训练，可以避免信息丢失。而且，本发明通过汽油与水区分网络进行汽油检测，可以实现对汽油的准确检测，且由于采用神经网络进行检测，在检测完成后可支持进行报警和显示，从而使得汽油检测无需依赖人工，可以加快检测速度并降低人力消耗。由此，通过利用该汽油与水区分网络进行汽油检测，可以提高公共交通工具的安全性。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1是本发明一个实施例的汽油与水区分网络的训练方法的流程图；
图2是本发明一个示例的X射线探测器的示意图；
图3是本发明一个实施例的汽油与水区分网络的结构示意图；
图4是本发明另一个实施例的汽油与水区分网络的训练方法的流程图；
图5是本发明一个示例的X射线安检机系统的结构框图；
图6是本发明一个示例的负载第一视角图；
图7是本发明一个示例的负载第二视角图；
图8是本发明实施例的汽油与水区分方法的流程图。
具体实施方式
下面参考附图描述本发明实施例的汽油与水区分网络的训练方法，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。参考附图描述的实施例是示例性的，不能理解为对本发明的限制。
图1是本发明一个实施例的汽油与水区分网络的训练方法的流程图。
上述汽油与水区分网络应用于X射线安检机系统，X射线安检机系统，包括X射线发射器、X射线探测器、安检成像子系统、显示器、传送子系统和电源控制器等部件，其中，最主要的元件为X射线探测器，X射线探测器采用双层的闪烁晶体探测器，其中高能探测器在低能探测器的后方，且该两种探测器的厚度不同，因而可以探测不同能级的X射线。而且，上述高能探测器和低能探测器之间存在一个厚度为t的滤波铜片，以对低能X射线进行滤除，具体结构可以参见图2所示的具体示例，在该示例中，滤波铜片厚度为0.05cm。由于铜的X射线衰减系数与密度的比在50eV的值是2.5，而铜的密度为8.9g/cm3，即在50eV能级下铜的衰减系数为22.25/cm，因而对于上述厚度为0.05cm的滤波铜片，其的衰减系数为1.1125，故能把能级在50keV以下的X射线全部过滤掉。但是，滤波铜片不仅仅过滤了低能X射线，也会衰减高能X射线，因而在针对高能X射线采集到的高能采样值时需要进行衰减补偿。
为了进行衰减补偿，可以在得到高能采样值和低能采样值之后，在转换为伪彩色图时，采用三折线法把采样值映射到灰度区间（0~255），具体的映射关系可以如下式所示，其中，X轴为采样值，Y轴为灰度值：
然而，该方法存在信息丢失的问题，比如说，假设y2=200，x2=8191，当汽油采样值为8191，水的采样值为8339，那么对应到灰度值都是200，即灰度值为200时，即可能是汽油，也可能是水，每个灰度值跨度达到148个采样值区间范围，即一个灰度值代表采样范围0~148，使得最终成像时汽油的成像颜色与水的成像颜色在色调选择范围上是一致的，即无法从视觉上区分汽油和水，导致信息丢失。当y2增加，x2减小，这一灰度跨越将继续增大。
因而，本发明提出了一种汽油与水区分网络，该网络的具体结构可以参见图3，该汽油与水区分网络包括共享子网络、分割子网络和检测子网络，共享子网络，用于对训练样本进行特征提取和池化操作，得到样本矩阵；分割子网络，与共享子网络连接，用于根据样本矩阵对相应负载进行位置分割；检测子网络，与共享子网络连接，用于根据样本矩阵对相应负载进行检测，以得到负载类别。
其中，上述共享子网络全部由卷积层组成，通过卷积层实现特征提取和池化操作，由于采用了全卷积的设计，可以提高网络的推理性能。上述分割子网络由卷积层和转置卷积层组成，按照卷积层、转置卷积层、卷积层、转置卷积层、卷积层、转置卷积层…的顺序进行排布，通过对样本矩阵的每个位置点的信息进行分类，从而能够把汽油之类的违禁品的位置分离出来。上述检测子网络包括卷积层、连接层、上采样层和全连接层，参见图3，检测子网络包括第一层、第二层和第三层，第三层与共享子网络的最后一个卷积层连接，第一层和第二层均包括一个采样层、一个连接层和多个卷积层，具体的结构均为上采样层、连接层、卷积层、卷积层、卷积层、…，第三层全部由全连接层组成。
上述共享子网络的梯度采用一种全新的反向梯度更新方法获取得到，具体而言，共享子网络的梯度是分割子网络与检测子网络的梯度加权和，具体的权重采用下式得到：
其中，wnew为更新后的权重，wold为更新前的权重，γ为学习率，是一个自定义超参，用于调整学习的比例，β同样为一个自定义超参，取值范围为0~1，dloss(detect)是检测子网络的损失函数的微分，dloss(segment)是分割子网络的损失函数的微分，dW为W权重的微分，其中，W权重是卷积核的值，例如一个3X3的卷积，那其中9个值都是权重。
需要说明的是，上述训练样本为对汽油与水区分网络进行训练时输入的数据，训练样本的数量为多个。上述分割子网络的损失函数和检测子网络的损失函数为在对汽油与水区分网络进行训练时，将训练样本输入汽油与水区分网络后得到的函数，具体而言，根据下式得到分割子网络的损失函数：
其中，loss(segment)为分割子网络的损失函数，Di为某个样本标注真实标签为真的期望概率，该样本标注真实标签为事先人工标注的标签，如果某个样本标注真实标签为真，则期望概率为1，如果某个样本标注真实标签为假，则期望概率为0，p为某个样本标注真实标签为真的预测概率，该预测概率为网络预测一个标签，并与真实标签之间进行计算得到的概率。
根据下式得到检测子网络的损失函数：
其中，loss(detect)为检测子网络的损失函数。
为了对上述汽油与水区分网络进行训练，本发明提出一种汽油与水区分网络的训练方法。
如图1所示，汽油与水区分网络的训练方法，包括：
S11，在X射线安检机系统空载时，控制X射线发射器发射X射线，并分别控制高能探测器和低能探测器对X射线进行N次采集，得到N个第一高能采样值和N个第一低能采样值，其中，N为大于1的整数。
S12，在X射线安检机系统带负载时，控制X射线发射器发射X射线，并分别控制高能探测器和低能探测器对X射线进行采集，得到M个第二高能采样值和M个第二低能采样值，其中，M为大于1的整数，每对第二高能采样值和第二低能采样值对应一个负载。
S13，对M个第二高能采样值进行补偿，并根据N个第一高能采样值、N个第一低能采样值、M个补偿后的第二高能采样值和M个第二低能采样值，得到M个负载的属性值，以及对应每个负载添加标签。
S14，构建汽油与水区分网络，并将M个补偿后的第二高能采样值、M个第二低能采样值、M个属性值和M个标签作为训练样本，对汽油与水区分网络进行训练。
具体地，在X射线安检机系统空载时，即X射线发射器发射的X射线可以全部被X射线探测器接收，没有被物体阻挡时，X射线发射器发射X射线，X射线探测器连续采集N次得到N个第一高能采样值和N个第一低能采样值，N例如可以大于等于100。
在X射线安检机系统带负载时，即X射线发射器发射的X射线被物体阻挡，不能被X射线探测器完全接收时，X射线发射器再次发射X射线，X射线探测器再次进行采集，得到M个第二高能采样值和M个第二低能采样值。
在得到M个第二高能采样值和M个第二低能采样值之后，可以对该M个第二高能采样值进行补偿，具体而言，可以根据下式得到补偿后的第二高能采样值：
其中，Ihy1为补偿后的第二高能采样值，Ihy为第二高能采样值，I0为X射线管发出的X射线的能量初始值，ucu(v)为铜衰减系数关于发射能级v的函数，t为铜厚度，h1为滤波铜片的厚度。
在对该M个第二高能采样值进行补偿之后，即可根据该M个补偿后的第二高能采样值得到M个负载的属性值，从而将上述M个补偿后的第二高能采样值、M个第二低能采样值和M个属性值组成三通道的训练样本，并对应每个负载人工标注真实标签，该真实标签指向该训练样本中汽油的分类信息和位置。在标注标签后，即可得到可用于对汽油与水区分网络进行训练的三通道的训练样本。
其中，上述高能采样值和低能采样值能够体现不同物体之间的全部差异信息，比如说，在40keV能级下，水的衰减系数为0.22699cm-1，汽油的平均衰减系数为0.15648cm-1。在150keV能级下，水的衰减系数为0.14866cm-1，汽油的平均衰减系数为0.11089cm-1。上述属性值仅与不同物体的有效原子序数相关。由于训练样本中包括上述属性值，信息增多，样本的特征表达能力更强，避免了信息丢失。
在本发明的一个实施例中，参见图4，根据N个第一高能采样值、N个第一低能采样值、M个补偿后的第二高能采样值和M个第二低能采样值，得到M个负载的属性值，包括：
S41，对N个第一高能采样值和N个第一低能采样值取均值，得到第一高能满度均值和第一低能满度均值。
S42，对第一高能满度均值进行补偿。
S43，根据补偿后的第一高能满度均值、第一低能满度均值、M个补偿后的第二高能采样值和M个第二低能采样值，得到M个负载的属性值。
具体地，在获取上述N个第一高能采样值和N个第一低能采样值之后，对N个第一高能采样值和N个第一低能采样值取平均值，得到第一高能满度均值和第一低能满度均值，进而对第一高能满度均值进行补偿，具体可以根据下式得到补偿后的第一高能满度均值：
其中，Ihf1为补偿后的第一高能满度均值，Ihf为第一高能满度均值，I0为X射线管发射的X射线的能量初始值。
在得到补偿后的高能满度均值之后，即可根据下式得到属性值：
其中，Iout为属性值，
，IR为R属性通道值，Ihf1为补偿后的第一高能满度均值，Ihy1为补偿后的第二高能采样值，Ilf为第一低能满度均值，Ily为第二低能采样值，μl/ρ为低能X射线下的物质衰减系数，μh/ρ为高能X射线下的衰减系数。
在本发明的一个实施例中，在完成对汽油与水区分网络进行训练之后，即可利用该汽油与水区分网络对待检测物体进行检测，从而生成检测结果，该检测结果可以为一个HSV（Hue-Saturation-Brightness，色相-饱和度-明度）模型。而且，在生成检测结果的同时，若检测到汽油，则可通过预设的智能提醒系统进行提醒。
在本发明的一个实施例中，上述X射线安检机系统，还包括：提示器，用于在检测到汽油时发出提示信息。
其中，上述智能提醒系统包括提示器，有着显示和声音两种提醒方式，在检测到汽油时，显示画面提供报警信息，而且还播报语音提醒声音。上述显示提醒有着多种可选的提醒类型，包括色调融合提醒、标注框提醒和文字提醒，每种方式都能够清楚的定位汽油的位置。
在本发明的一个实施例中，上述X射线安检机系统，还包括：智能提醒子系统，用于在检测到汽油时，根据下式对显示图像中的汽油区域进行颜色转换处理：
其中，上述If Warning then意思是在检测到汽油时进行颜色转换，Hue1为颜色转换后的待转换区域的色相，Saturation1为颜色转换后的待转换区域的饱和度，Value1为颜色转换后的待转换区域的明度，HRED0为红色色相最低值，HRED1为红色色相最高值，Zeff0为等效原子序数最低值，Zeff1为等效原子序数最高值，Zeff为汽油的有效原子序数，Gh为高能X射线图像的灰度值，G1为低能X射线图像的灰度值，S0为待转换区域在进行颜色转换之前的初始饱和度值，V0为待转换区域在进行颜色转换之前的初始明度值；待转换区域为根据汽油区域得到的区域，高能X射线图像为对与待转换区域对应的高能采样值进行转换得到的灰度图像，低能X射线图像为对与待转换区域对应的低能采样值进行转换得到的灰度图像。
其中，上述待转换区域，可以为汽油区域中具体的每一个像素，也可为上述汽油区域中对应的灰度值一致的区域，也可为根据其他原则得到的区域。
在本发明的一个实施例中，上述X射线发射器包括相互垂直的两组X射线发射器，上述X射线探测器包括相互垂直的，且与上述相互垂直的两组X射线发射器一一对应的第一视角X射线探测器和第二视角X射线探测器，且均包括高能探测器和低能探测器。
在本发明的一个实施例中，上述X射线安检机系统可以参见图5所示的具体示例，具体地，X射线发射器101，包括X射线管，用于发射X射线；X射线探测器102，用于探测穿过待检测物体后的X射线，以得到高能采样值和低能采样值，并将高能采样值和低能采样值发送至汽油与水区分网络；检测器103，采用上述汽油与水区分网络的训练方法训练得到的汽油与水区分网络，根据高能采样值和低能采样值得到汽油检测结果；安检成像子系统104，接收汽油检测结果，并根据汽油检测结果生成显示图像；显示器105，用于对显示图像进行显示。上述X射线安检机系统还包括行李传送带106，通过行李传送带带动待检测物穿过通道107，以对待检测物进行检测。
在本发明的一个实施例中，在训练得到汽油与水区分网络后，在X射线安检机系统带负载时，控制X射线发射器101发射X射线，并分别控制第一视角X射线探测器和第二视角X射线探测器对X射线进行采集，得到采样结果；将采样结果输入采用上述汽油与水区分网络，得到第一检测结果；获取采样结果中的第一视角低能采样值和第二视角低能采样值；根据第一视角低能采样值和第二视角低能采样值，得到第一视角低能灰度图像和第二视角低能灰度图像；对第一视角低能灰度图像和第二视角低能灰度图像进行轮廓提取，得到负载第一视角轮廓和负载第二视角轮廓；根据负载第一视角轮廓得到负载的关键点，并根据负载第二视角轮廓得到关键点处负载的厚度；根据厚度得到负载在关键点处的高能衰减系数和低能衰减系数，将高能衰减系数和低能衰减系数分别与汽油高能衰减系数和汽油低能衰减系数进行比较，得到第二检测结果；在第一检测结果和第二检测结果均指向汽油时，确定负载为汽油。
作为一个示例，上述负载可以参见图6和图7的具体示例，其中，图6为该负载的第一视角图，图7为该负载的第二视角图。在获取针对该负载的第一视角低能采样值和第二视角低能采样值之后，采用上述三折线法，得到第一视角低能灰度图像和第二视角低能灰度图像，对第一视角低能灰度图像和第二视角低能灰度图像进行轮廓提取，得到负载第一视角轮廓和负载第二视角轮廓。
在获取到负载第一视角轮廓和负载第二视角轮廓之后，获取负载第一视角轮廓的第一坐标上的最高点（x0,y0_max）和最低点（x1,y0_min），计算得到关键点K的位置坐标((x0+x1)/2,(y0_max+y0_min)/2)。
进一步地，得到负载第二视角轮廓在关键点K处的最高点和最低点，计算得到关键点K处的液体厚度信息h。
根据下式计算得到关键点K处的高能衰减系数和低能衰减系数：
其中，I为第一视角X射线探测器采集得到的X射线的能量，µ0为关键点K处的衰减系数。
将高能衰减系数和低能衰减系数分别与汽油高能衰减系数和汽油低能衰减系数进行比较，在高能衰减系数与汽油高能衰减系数的误差在预设范围内，且低能衰减系数与汽油低能衰减系数的误差在预设范围内时，确定针对负载的第二检测结果指向汽油。此时，若上述汽油与水区分网络针对负载的第一检测结果同样指向汽油，则确定负载为汽油。
综上，本发明实施例的汽油与水区分网络的训练方法，通过在X射线安检机系统空载时控制X射线发射器发射X射线，并分别控制高能探测器和低能探测器对X射线进行N次采集得到N个第一高能采样值和N个低能采样值，并在X射线安检机系统带负载时控制X射线发射器发射X射线，并分别控制高能探测器和低能探测器针对每一个负载均进行采集得到一个第二高能采样值和一个第二低能采样值，从而得到M个第二高能采样值和M个第二低能采样值，对该M个第二高能采样值进行补偿得到补偿后的第二高能采样值，根据N个第一高能采样值、N个第一低能采样值、M个补偿后的第二高能采样值和M个第二低能采样值，得到M个负载的属性值，从而根据属性值、补偿后的高能采样值和低能采样值得到三通道的训练样本，且在添加标签之后，该训练样本即可用于训练汽油与水区分网络，从而利用该训练样本对汽油与水区分网络进行训练。由于训练样本中包括属性值，信息增多，样本的特征表达能力更强，利用该训练样本对汽油与水区分网络进行训练，可以避免信息丢失。而且，本发明通过该转换方法，可以直接将X射线探测器的采样值转化为汽油与水区分网络的训练样本，从而能够将无损信息作为训练样本，提升了检测精度。而且，本发明还提出一种汽油与水区分网络，通过该汽油与水区分网络进行汽油检测，可以实现对汽油的准确检测，提升了检测精度和速度，且由于采用神经网络进行检测，在检测完成后可支持进行报警和显示，从而使得汽油检测无需依赖人工，可以加快检测速度并降低人力消耗。而且，本发明还提出一种颜色转换方法，通过该颜色转换方法，可以更好地实现对汽油的检测。
进一步地，本发明提出一种汽油与水区分方法。
图8是本发明实施例的汽油与水区分方法的流程图。
在本发明实施例中，汽油与水区分方法，用于X射线安检机系统，X射线安检机系统包括相互垂直的第一视角X射线探测器和第二视角X射线探测器，第一视角X射线探测器和第二视角X射线探测器均包括高能探测器和低能探测器。
如图8所示，汽油与水区分方法，包括：
S81，在X射线安检机系统带负载时，控制X射线发射器发射X射线，并分别控制第一视角X射线探测器和第二视角X射线探测器对X射线进行采集，得到采样结果。
S82，将采样结果输入采用上述汽油与水区分网络的训练方法训练得到的汽油与水区分网络，得到第一检测结果。
S83，获取采样结果中的第一视角低能采样值和第二视角低能采样值。
S84，根据第一视角低能采样值和第二视角低能采样值，得到第一视角低能灰度图像和第二视角低能灰度图像。
S85，对第一视角低能灰度图像和第二视角低能灰度图像进行轮廓提取，得到负载第一视角轮廓和负载第二视角轮廓。
S86，根据负载第一视角轮廓得到负载的关键点，并根据负载第二视角轮廓得到关键点处负载的厚度。
S87，根据厚度得到负载在关键点处的高能衰减系数和低能衰减系数，将高能衰减系数和低能衰减系数分别与汽油高能衰减系数和汽油低能衰减系数进行比较，得到第二检测结果。
S88，在第一检测结果和第二检测结果均指向汽油时，确定负载为汽油。
需要说明的是，本发明实施例的汽油与水区分方法的其他具体实施方式，可以参见上述的汽油与水区分网络的训练方法。
本发明实施例的汽油与水区分方法，通过在训练得到汽油与水区分网络后，在X射线安检机系统带负载时，控制X射线发射器发射X射线，并分别控制第一视角X射线探测器和第二视角X射线探测器对X射线进行采集，得到采样结果；将采样结果输入采用上述汽油与水区分网络，得到第一检测结果；获取采样结果中的第一视角低能采样值和第二视角低能采样值；根据第一视角低能采样值和第二视角低能采样值，得到第一视角低能灰度图像和第二视角低能灰度图像；对第一视角低能灰度图像和第二视角低能灰度图像进行轮廓提取，得到负载第一视角轮廓和负载第二视角轮廓；根据负载第一视角轮廓得到负载的关键点，并根据负载第二视角轮廓得到关键点处负载的厚度；根据厚度得到负载在关键点处的高能衰减系数和低能衰减系数，将高能衰减系数和低能衰减系数分别与汽油高能衰减系数和汽油低能衰减系数进行比较，得到第二检测结果；在第一检测结果和第二检测结果均指向汽油时，确定负载为汽油。由此，通过在第一检测结果和第二检测结果均指向汽油时才判断检测到汽油，可以进一步提高检测精度。
需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
在本说明书的描述中，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，除非另有说明，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种汽油与水区分网络的训练方法，其特征在于，所述汽油与水区分网络用于X射线安检机系统，所述X射线安检机系统包括X射线发射器和X射线探测器，所述X射线探测器包括高能探测器和低能探测器，所述方法包括：
在所述X射线安检机系统空载时，控制所述X射线发射器发射X射线，并分别控制所述高能探测器和所述低能探测器对所述X射线进行N次采集，得到N个第一高能采样值和N个第一低能采样值，其中，N为大于1的整数；
在所述X射线安检机系统带负载时，控制所述X射线发射器发射X射线，并分别控制所述高能探测器和所述低能探测器对所述X射线进行采集，得到M个第二高能采样值和M个第二低能采样值，其中，M为大于1的整数，每对所述第二高能采样值和所述第二低能采样值对应一个负载；
对所述M个第二高能采样值进行补偿，并根据所述N个第一高能采样值、所述N个第一低能采样值、M个补偿后的第二高能采样值和所述M个第二低能采样值，得到M个所述负载的属性值，以及对应每个负载添加标签；
构建所述汽油与水区分网络，并将所述M个补偿后的第二高能采样值、所述M个第二低能采样值、M个属性值和M个标签作为训练样本，对所述汽油与水区分网络进行训练。
2.根据权利要求1所述的汽油与水区分网络的训练方法，其特征在于，所述根据所述N个第一高能采样值、所述N个第一低能采样值、M个补偿后的第二高能采样值和所述M个第二低能采样值，得到M个所述负载的属性值，包括：
对所述N个第一高能采样值和所述N个第一低能采样值取均值，得到第一高能满度均值和第一低能满度均值；
对所述第一高能满度均值进行补偿；
根据补偿后的第一高能满度均值、所述第一低能满度均值、M个补偿后的第二高能采样值和所述M个第二低能采样值，得到M个所述负载的属性值。
3.根据权利要求2所述的汽油与水区分网络的训练方法，其特征在于，对应所述高能探测器设有滤波铜片，
根据下式得到所述补偿后的第一高能满度均值：
根据下式得到所述补偿后的第二高能采样值：
其中，Ihf1为所述补偿后的第一高能满度均值，Ihf为所述第一高能满度均值，I0为X射线管发射的X射线的能量初始值，Ihy1为所述补偿后的第二高能采样值，Ihy为所述第二高能采样值，ucu(v)为铜衰减系数关于发射能级v的函数，t为铜厚度，h1为所述滤波铜片的厚度。
4.根据权利要求2所述的汽油与水区分网络的训练方法，其特征在于，根据下式得到所述属性值：
其中，Iout为所述属性值，
，IR为R属性通道值，Ihf1为所述补偿后的第一高能满度均值，Ihy1为所述补偿后的第二高能采样值，Ilf为所述第一低能满度均值，Ily为所述第二低能采样值。
5.根据权利要求1所述的汽油与水区分网络的训练方法，其特征在于，所述M个补偿后的第二高能采样值、所述M个第二低能采样值和M个属性值组成三通道的训练样本。
6.根据权利要求1所述的汽油与水区分网络的训练方法，其特征在于，所述汽油与水区分网络包括：
共享子网络，用于对所述训练样本进行特征提取和池化操作，得到样本矩阵；
分割子网络，与所述共享子网络连接，用于根据所述样本矩阵对相应负载进行位置分割；
检测子网络，与所述共享子网络连接，用于根据所述样本矩阵对相应负载进行检测，以得到负载类别。
7.根据权利要求6所述的汽油与水区分网络的训练方法，其特征在于，根据下式得到所述分割子网络的损失函数：
其中，loss(segment)为所述分割子网络的损失函数，β为一个自定义超参，范围为0~1，Di为某个样本标注真实标签为真的期望概率，p为某个样本标注真实标签为真的预测概率。
8.根据权利要求7所述的汽油与水区分网络的训练方法，其特征在于，根据下式得到所述检测子网络的损失函数：
其中，loss(detect)为所述检测子网络的损失函数，Di为某个样本标注真实标签为真的期望概率，p为某个样本标注真实标签为真的预测概率。
9.根据权利要求1所述的汽油与水区分网络的训练方法，其特征在于，所述X射线安检机系统，还包括：
智能提醒子系统，用于在检测到汽油时，根据下式对显示图像中的汽油区域进行颜色转换处理：
其中，Hue1为颜色转换后的待转换区域的色相，Saturation1为颜色转换后的所述待转换区域的饱和度，Value1为颜色转换后的所述待转换区域的明度，HRED0为红色色相最低值，HRED1为红色色相最高值，Zeff0为等效原子序数最低值，Zeff1为等效原子序数最高值，Zeff为汽油的有效原子序数，Gh为高能X射线图像的灰度值，G1为低能X射线图像的灰度值，S0为所述待转换区域在进行颜色转换之前的初始饱和度值，V0为所述待转换区域在进行颜色转换之前的初始明度值；所述待转换区域为根据所述汽油区域得到的区域，所述高能X射线图像为对与所述待转换区域对应的高能采样值进行转换得到的灰度图像，所述低能X射线图像为对与所述待转换区域对应的低能采样值进行转换得到的灰度图像。
10.一种汽油与水区分方法，其特征在于，所述方法用于X射线安检机系统,所述X射线安检机系统包括相互垂直的第一视角X射线探测器和第二视角X射线探测器，所述第一视角X射线探测器和所述第二视角X射线探测器均包括高能探测器和低能探测器，所述方法包括：
在所述X射线安检机系统带负载时，控制所述X射线发射器发射X射线，并分别控制所述第一视角X射线探测器和第二视角X射线探测器对所述X射线进行采集，得到采样结果；
将所述采样结果输入采用如权利要求1-9中任一项所述的汽油与水区分网络的训练方法训练得到的汽油与水区分网络，得到第一检测结果；
获取所述采样结果中的第一视角低能采样值和第二视角低能采样值；
根据所述第一视角低能采样值和所述第二视角低能采样值，得到第一视角低能灰度图像和第二视角低能灰度图像；
对所述第一视角低能灰度图像和所述第二视角低能灰度图像进行轮廓提取，得到负载第一视角轮廓和负载第二视角轮廓；
根据所述负载第一视角轮廓得到所述负载的关键点，并根据所述负载第二视角轮廓得到所述关键点处所述负载的厚度；
根据所述厚度得到所述负载在所述关键点处的高能衰减系数和低能衰减系数，将所述高能衰减系数和所述低能衰减系数分别与汽油高能衰减系数和汽油低能衰减系数进行比较，得到第二检测结果；
在所述第一检测结果和所述第二检测结果均指向汽油时，确定所述负载为汽油。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211382655.0A CN115420761B (zh) | 2022-11-07 | 2022-11-07 | 汽油与水区分网络的训练方法、汽油与水区分方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211382655.0A CN115420761B (zh) | 2022-11-07 | 2022-11-07 | 汽油与水区分网络的训练方法、汽油与水区分方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115420761A true CN115420761A (zh) | 2022-12-02 |
| CN115420761B CN115420761B (zh) | 2023-02-24 |
Family
ID=84208232
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211382655.0A Active CN115420761B (zh) | 2022-11-07 | 2022-11-07 | 汽油与水区分网络的训练方法、汽油与水区分方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115420761B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101101268A (zh) * | 2006-06-20 | 2008-01-09 | 普拉德研究及开发有限公司 | 采用x射线确定流相分数的装置和方法 |
| CN102879410A (zh) * | 2012-08-22 | 2013-01-16 | 北京乾达源科技有限公司 | 一种在线测量油水气多相流含率的方法及装置 |
| CN103792246A (zh) * | 2014-02-20 | 2014-05-14 | 北京农业质量标准与检测技术研究中心 | 一种基于lm-bp神经网络的x射线荧光光谱定量分析方法 |
| 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 |
| WO2022160413A1 (zh) * | 2021-01-29 | 2022-08-04 | 南方电网调峰调频发电有限公司 | 电力生产异常监控方法、装置、计算机设备和存储介质 |
| CN115078414A (zh) * | 2022-08-18 | 2022-09-20 | 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 |
-
2022
- 2022-11-07 CN CN202211382655.0A patent/CN115420761B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101101268A (zh) * | 2006-06-20 | 2008-01-09 | 普拉德研究及开发有限公司 | 采用x射线确定流相分数的装置和方法 |
| CN102879410A (zh) * | 2012-08-22 | 2013-01-16 | 北京乾达源科技有限公司 | 一种在线测量油水气多相流含率的方法及装置 |
| CN103792246A (zh) * | 2014-02-20 | 2014-05-14 | 北京农业质量标准与检测技术研究中心 | 一种基于lm-bp神经网络的x射线荧光光谱定量分析方法 |
| 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 |
| WO2022160413A1 (zh) * | 2021-01-29 | 2022-08-04 | 南方电网调峰调频发电有限公司 | 电力生产异常监控方法、装置、计算机设备和存储介质 |
| CN115078414A (zh) * | 2022-08-18 | 2022-09-20 | 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 |
Non-Patent Citations (2)
| Title |
|---|
| SAMET A,ET AL: "Using deep convolutional neural network architectures for object classification and detection within X-ray baggage security imagery", 《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》 * |
| 吴紫薇 等: "基于双能X射线的液体危险品识别分类方法", 《无损检测》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115420761B (zh) | 2023-02-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110018524B (zh) | 一种基于视觉-属性的x射线安检违禁品识别方法 | |
| CN109074889B (zh) | 用于检测货物中的危险品和违禁品的系统和方法 | |
| Pizarro et al. | Automated quality assessment of structural magnetic resonance brain images based on a supervised machine learning algorithm | |
| CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
| US10268924B2 (en) | Systems and methods for integrated cargo inspection | |
| CN110135307B (zh) | 基于注意力机制的交通标志检测方法和装置 | |
| CN102819740B (zh) | 一种单帧红外图像弱小目标检测和定位方法 | |
| CN108447055A (zh) | 基于spl和ccn的sar图像变化检测方法 | |
| CN109284786B (zh) | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 | |
| EP3834129A1 (en) | Systems and methods for image processing | |
| JP2018113038A (ja) | 検査機器および荷物における銃器を検出する方法 | |
| JP6798854B2 (ja) | 目的物個数推定装置、目的物個数推定方法及びプログラム | |
| US8724918B2 (en) | Method and system for enhancing an image | |
| EP2434434A2 (en) | Method and system for training a landmark detector using multiple instance learning | |
| US9652684B2 (en) | Image processing for classification and segmentation of rock samples | |
| EP2233950A2 (en) | Method and System for Inspection of Containers | |
| CN109872303A (zh) | 表面缺陷视觉检测方法、装置和电子设备 | |
| CN108764082A (zh) | 一种飞机目标检测方法、电子设备、存储介质及系统 | |
| CN109415057B (zh) | 用于通过驾驶员辅助系统更好的识别对象的方法 | |
| CN103985110A (zh) | 数字图像中伪影或非均匀亮度的定位及显示方法 | |
| JP6698191B1 (ja) | 路面標示不具合検出装置、路面標示不具合検出方法及び路面標示不具合検出プログラム | |
| US20090226032A1 (en) | Systems and methods for reducing false alarms in detection systems | |
| CN107657615B (zh) | 基于增量cae的高分辨sar图像变化检测方法 | |
| CN115420761B (zh) | 汽油与水区分网络的训练方法、汽油与水区分方法 | |
| Solberg et al. | Algorithms for oil spill detection in Radarsat and ENVISAT SAR images |
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 |