CN115563396B - 可降级的中心化智能推送方法及装置 - Google Patents
可降级的中心化智能推送方法及装置 Download PDFInfo
- Publication number
- CN115563396B CN115563396B CN202211553473.5A CN202211553473A CN115563396B CN 115563396 B CN115563396 B CN 115563396B CN 202211553473 A CN202211553473 A CN 202211553473A CN 115563396 B CN115563396 B CN 115563396B
- Authority
- CN
- China
- Prior art keywords
- current
- identification
- recognition result
- centralized
- result
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
-
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明涉及安检包裹数据推送技术领域,具体包括可降级的中心化智能推送方法及装置。可降级的中心化智能推送方法,包括以下步骤:接收一个当前列数据图片;生成一个至集中判图服务器并由集中判图服务器分发给集中判图客户端且包含当前列数据图片的推送数据;持续接收并监测来自算法云平台的心跳状态,若有心跳,则基于当前列数据图片与算法云平台进行识图交互获得对应的当前识别结果,并生成一个包含当前识别结果的推送数据;若无心跳,则与安检设备进行识图交互获得对应的当前识别结果,并生成一个包含当前识别结果的推送数据。本发明就实现每推送1个列数据图片到集中判图客户端的同时,也会产生对应的识别结果给集中判图客户端。
Description
技术领域
本发明涉及安检包裹数据推送技术领域,具体包括可降级的中心化智能推送方法及装置。
背景技术
目前由于在包裹的安检场景中,包裹中的违禁品判识一般会放在边缘的智能识图盒子,这样会使得需要大量部署智能识图盒子,一般一个安检设备配置一个智能识图盒子,硬件资源分散,提高了硬件造价成本、管理成本与维护成本。
因此需要提出一个中心智能识图云化的方法,将识图功能与安检硬件解耦,使得硬件资源集约化,降低硬件维护成本,有利于对识图模块的统一管理。
同时,在提出一个中心智能识图云化的方法后,若中心智能识图云化的算法云平台出现宕机状态时,系统将不会进行智能识图,集中判图客户端将无法获得智能识图结果,这样会大大的依赖人工判图,出现包裹漏检率升高的问题。
发明内容
本发明的目的是提供一种可降级的中心化智能推送方法及装置。
为解决上述技术问题,本发明采用了以下方案:
一方面,本发明提供了可降级的中心化智能推送方法,包括以下步骤:
S3:接收一个当前列数据图片;
S30:生成一个至集中判图服务器并由集中判图服务器分发给集中判图客户端且包含当前列数据图片的推送数据;
S31:持续接收并监测来自算法云平台的心跳状态,若有心跳,则转S32,若无心跳,则转S33;
S32:基于当前列数据图片与算法云平台进行识图交互获得对应的当前识别结果,并生成一个至集中判图服务器并由集中判图服务器分发给集中判图客户端且包含当前识别结果的推送数据;
S33:与安检设备进行识图交互获得对应的当前识别结果,并生成一个至集中判图服务器并由集中判图服务器分发给集中判图客户端且包含当前识别结果的推送数据。
目前,在现有技术中,一般的中心智能识图云化的方法是将一个包裹所对应的列数据图片等待全部生成,再组合成一个对应于一个包裹的图片,称为包裹图片,然后推送给中心智能识图,完成一个包裹图片的对应识图结果,再将识图结果推送给判图终端,这样对于判图终端而言,其需要等待该识图结果,这会导致判定效率不高。
相较于现有技术,本发明推送方式进行了更改,更改后的模式为:对1个包裹所对应的每个当前列数据图片进行一次分发到集中判图客户端,以此实现在集中判图客户端上实现仿真安检设备扫描成像的效果,即安检设备每生成1个列数据图片,对应的集中判图客户端就会进行一次刷新成像,集中判图客户端就会显示1个包裹所对应的1列数据图片。同时,基于包裹所对应的每个当前列数据图片进行一次云端的识图,并获得与当前列数据图片对应的当前识别结果,并组织该当前识别结果推送给集中判图客户端。
这样,本发明就可实现每推送1个列数据图片到集中判图客户端的同时,也会产生对应的识别结果给集中判图客户端;在集中判图客户端就会出现列数据图片和识别结果同时显示的效果,可以同步的获得2种数据,并基于该数据实现实时的判图,从而提高判图效率,判图员无需等待。
同时,在部署中心化的算法云平台后,本发明的上述方法作为一个推送服务,可以支持对接安检设备获得列数据图片、支持对接算法云平台进行识图交互、支持通过集中判图服务器向集中判图客户端推送上述2种数据。其与当前列数据图片对应的当前识别结果主要由算法云平台提供,在算法云平台宕机时,该系统仅支持向集中判图客户端推送当前列数据图片,无法推送识别结果。为了解决上述问题,本发明设置了上述方法,该方法以心跳检测的结果为基准,当检测结果为有心跳时,执行与算法云平台的识图交互,从算法云平台获得识别结果,再将识别结果推送给集中判图客户端,此为中心识图运行模式;当检测结果为无心跳时,执行与安检设备的交互,一般的安检设备内置有本地识图算法,因此安检设备可以输出识别结果,本发明仅需下发指令使得安检设备启动识图功能,获得对应的识别结果即可,此为本地识图运行模式;因此利用该方法可以保障集中判图客户端都能获得2种数据,其中的识别结果的来源根据心跳检测的结果而决定。
优选的,由于单个列数据图片的信息有限,识图算法很难有效分析,因此本发明对于当前列数据图片进行的识图过程称为拼接识图,即将当前列数据图片和其之前的所有列数据图片拼接组合后推送到识图用的算法云平台,以此得到一个新的识别结果。
因此,优选的,本发明提供了一种新的拼接算法,本发明的这种新的拼接算法可以被命名为近进拼接融合算法,在一个循环周期内,该算法的主要步骤有:执行新进的当前列数据图片与之前的所有列数据图片拼接,将拼接结果进行一次识图、获得当前识别结果,将当前识别结果与上一循环周期所得的识别结果去重融合获得融合的识别结果,将获得融合的识别结果更新为当前识别结果,用于下一次循环周期时、与下一次循环周期所得的当前识别结果融合。
上述近进拼接融合算法可以以进1个当前列数据图片而输出1个对应的识别结果,可以与列数据图片在集中判图客户端同时呈现列数据图片和设备结果,达到同步的效果。
为了进一步的理解获得当前识图结果的过程,本发明从以下2个角度来进一步的阐述当前识图结果的获得形式。
第一角度,在不考虑当前列数据图片为第1列、每次识图都能输出1个当前识别结果时,S32具体包括以下步骤:
S321A:将当前列数据图片与当前列数据图片之前的列数据图片进行拼接组合为当前组合列图片;
S322A:生成一个至算法云平台且包含当前组合列图片的当前识别请求;
S323A:接收来自算法云平台响应于当前识别请求的当前识别结果;
S324A:生成一个至集中判图服务器并由集中判图服务器分发给集中判图客户端且包含当前识别结果的推送数据。
优选的,所述推送数据中的当前识别结果为:响应于当前识别请求的当前识别结果或调用前一识别结果与响应于当前识别请求的当前识别结果进行去重融合所得的识别结果,所述去重融合所得的识别结果替换更新前一识别结果。
第二角度,在考虑当前列数据图片为第1列、每次识图都不一定能输出1个当前识别结果时,S32具体包括以下步骤:
S321B:接收到当前列数据图片为第i列数据图片;
若i=1,则转到步骤S322B;
若i>1,则转到步骤S323B;
S322B:对第i列数据图片进行识别,
若获得当前识别结果,则转到S324B;
若没有获得当前识别结果,则转到步骤S321B;
S323B:调用i之前所有列数据图片与第i列数据图片进行拼接组合为当前组合列图片;对当前组合列图片进行识别;
若获得当前识别结果,则转到步骤S324B;
若没有获得当前识别结果,则转到步骤S321B;
S324B:若获得当前识别结果之前,没有前一识别结果,则转到步骤S321B和步骤S326B;
若获得当前识别结果之前,有前一识别结果,则转到步骤S325B;
S325 B:调用前一识别结果和当前识别结果进行去重融合操作,会得到新的识别结果,然后转到步骤S321B和步骤S326B;
S326B:存储并更新识别结果。
优选的,所述S325 B中还包括以下步骤:
S3251B:根据前一识别结果和当前识别结果来判断识别框是否重叠;
S3252B:根据发生重叠的识别框内识别到的违禁品种类来判断是否融合;
S3253B:根据识别框的重叠面积来判断融合方式。
优选的,所述S3251B中还包括以下步骤:
若识别框发生重叠,则转到步骤S3252B;
若识别框不发生重叠,则将当前识别结果直接叠加前一识别结果,作为最新的识别结果。
优选的,所述S3252B中还包括以下步骤:
若识别框内识别到的违禁品种类是同一种类,则转到步骤S3253B;
若识别框内识别到的违禁品种类不是同一种类,则发生重叠的识别框的识别结果不变,以重叠的方式将识别框融合。
优选的,所述S3253B中还包括以下步骤:
设定一个阈值z,阈值z为任意的百分比值,前一识别结果和当前识别结果中识别框的重叠面积为h,前一识别结果中识别框的面积为a,当前识别结果中识别框的面积为b,
若z≥h/a且z≥h/b或z<h/a且z≥h/b,前一识别结果和当前识别结果中的识别框进行重叠融合;
若z<h/a且z<h/b或z≥h/a且z<h/b,当前识别结果中的识别框替代前一识别结果中的识别框进行融合;
优选的,所述识别结果包括识别框、识别框左下角的横坐标X、识别框左下角的纵坐标Y、识别框的宽W、识别框的高H以及识别框内识别到的违禁品种类;
所述h是由识别框左下角的横坐标X、识别框左下角的纵坐标Y、识别框的宽W、识别框的高H来决定的,所述a和b是由识别框的宽W、识别框的高H来决定。
当X光机对包裹信息进行检测时,会通过列数据的方式一列一列的向远端的识图终端进行数据发送。同时,识图终端会持续不断的接收列数据且将列数据拼接成图片,并对图片进行识别。
在现有技术中,通常识图终端是在等待一个包裹的全部列数据图片拼接完成后,再对一个包裹进行识图。这种方法不能完成对列数据图片的动态识别,需要等待一个将包裹的全部列数据图片拼接完成的时间。
在本发明中,若采用在拼接列数据图片的过程中,对一张拼接图片进行一次识别,得到识别结果,然后再对该拼接图片继续拼接列数据图片,会得到一张更大的拼接图片,对更大的拼接图片进行识别后,得到的识别结果就会跟上一次识别结果产生差异。
而在通常情况下,拼接的更大的图片自然会带有更多的信息,所以一般普遍采用新的更大的图片的识别结果来覆盖掉旧的小的图片的识别结果。但是在实际操作中不免会出现比较特殊的情况,比如旧的小的图片的识别结果比新的更大的图片的识别结果更多的时候、新的更大的图片的识别结果中包含干扰信息更多的时候。所以对于列数据图片拼接前后的识别结果如何有效的融合成为了一个问题。
因此,本发明通过不停的拼接列数据图片和识别列数据图片的过程中,对拼接前后的列数据图片进行识别,判断其拼接前后的识别结果,然后对拼接前后的识别结果进行一种有效的去重融合操作,不仅可以做到动态的识别包裹信息,还可以避免在包裹识别时,遇到特殊情况下,遗失重要的识别信息,或者识别到过多的干扰信息。
优选的,S33具体包括以下步骤:
S331:生成一个至安检设备的判图请求;
S332:获得来自安检设备响应于判图请求的当前识别结果;
S333:并生成一个至集中判图服务器并由集中判图服务器分发给集中判图客户端且包含当前识别结果的推送数据。
需要说明的是:
对于安检设备为了响应判图请求而进行识图功能的问题,可以采用常规的将所有列数据拼接为1个包裹所对应的1个包裹图片后、仅输出1次识别结果的识别方法,也可以采用本发明所提出的近进拼接融合算法。
另一方面,本发明提供了一种可降级的中心化智能推送装置,包括:
一个或多个处理器;
存储单元,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,能使得所述一个或多个处理器实现所述的可降级的中心化智能推送方法。
本发明的有益效果:
本发明可以实现动态同时推送列数据图片进行实时动态成像和实时动态推送列数据图片进行识别、并将识别结果同步于动态成像的进行推送,实现判图所需的2种数据同步动态显示的效果;
本发明实现了将持续不断地接收到的列数据图片进行按次序重复拼接组合并识别,再对拼接前后的列数据图片的不同的识别结果进行有效去重融合的手段,能最终获得有效的识别信息,避免产生信息的丢失或者识别到的信息多为干扰信息。
附图说明
图1为一种中心化识图推送的流程示意图。
图2为本发明实现去重融合的流程示意图。
图3为第1列数据图片的识别结果。
图4为第2列数据图片与第1列数据图片拼接后的图片的识别结果。
图5为第1列数据图片的识别结果与拼接后的图片的识别结果的去重的示意图。
图6为一种具有降级功能、中心化识图推送的流程示意图。
图7为另一种具有降级功能、中心化识图推送的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,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。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。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他实施例,都属于本发明保护的范围。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
另外,为了清楚和简洁起见,可能省略了对公知的结构、功能和配置的描述。本领域普通技术人员将认识到,在不脱离本公开的精神和范围的情况下,可以对本文描述的示例进行各种改变和修改。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
下面通过参考附图并结合实施例来详细说明本发明:
实施例1
参见图1和图6、图7所示,可降级的中心化智能推送方法,包括以下步骤:
S3:接收一个当前列数据图片;
S30:生成一个至集中判图服务器并由集中判图服务器分发给集中判图客户端且包含当前列数据图片的推送数据;
S31:持续接收并监测来自算法云平台的心跳状态,若有心跳,则转S32,若无心跳,则转S33;
S32:基于当前列数据图片与算法云平台进行识图交互获得对应的当前识别结果,并生成一个至集中判图服务器并由集中判图服务器分发给集中判图客户端且包含当前识别结果的推送数据;
S33:与安检设备进行识图交互获得对应的当前识别结果,并生成一个至集中判图服务器并由集中判图服务器分发给集中判图客户端且包含当前识别结果的推送数据。
目前,在现有技术中,一般的中心智能识图云化的方法是将一个包裹所对应的列数据图片等待全部生成,再组合成一个对应于一个包裹的图片,称为包裹图片,然后推送给中心智能识图,完成一个包裹图片的对应识图结果,再将识图结果推送给判图终端,这样对于判图终端而言,其需要等待该识图结果,这会导致判定效率不高。
相较于现有技术,本发明推送方式进行了更改,更改后的模式为:对1个包裹所对应的每个当前列数据图片进行一次分发到集中判图客户端,以此实现在集中判图客户端上实现仿真安检设备扫描成像的效果,即安检设备每生成1个列数据图片,对应的集中判图客户端就会进行一次刷新成像,集中判图客户端就会显示1个包裹所对应的1列数据图片。同时,基于包裹所对应的每个当前列数据图片进行一次云端的识图,并获得与当前列数据图片对应的当前识别结果,并组织该当前识别结果推送给集中判图客户端。
这样,本发明就可实现每推送1个列数据图片到集中判图客户端的同时,也会产生对应的识别结果给集中判图客户端;在集中判图客户端就会出现列数据图片和识别结果同时显示的效果,可以同步的获得2种数据,并基于该数据实现实时的判图,从而提高判图效率,判图员无需等待。
参见图6、图7,将图6和图7分别与图1比较后可以看出,在部署中心化的算法云平台后,本发明的上述方法作为一个推送服务,可以支持对接安检设备获得列数据图片、支持对接算法云平台进行识图交互、支持通过集中判图服务器向集中判图客户端推送上述2种数据。其与当前列数据图片对应的当前识别结果主要由算法云平台提供,在算法云平台宕机时,该系统仅支持向集中判图客户端推送当前列数据图片,无法推送识别结果。为了解决上述问题,本发明设置了上述方法,该方法以心跳检测的结果为基准,当检测结果为有心跳时,执行与算法云平台的识图交互,从算法云平台获得识别结果,再将识别结果推送给集中判图客户端,此为中心识图运行模式;当检测结果为无心跳时,执行与安检设备的交互,一般的安检设备内置有本地识图算法,因此安检设备可以输出识别结果,本发明仅需下发指令使得安检设备启动识图功能,获得对应的识别结果即可,此为本地识图运行模式;因此利用该方法可以保障集中判图客户端都能获得2种数据,其中的识别结果的来源根据心跳检测的结果而决定。
由于单个列数据图片的信息有限,识图算法很难有效分析,因此本发明对于当前列数据图片进行的识图过程称为拼接识图,即将当前列数据图片和其之前的所有列数据图片拼接组合后推送到识图用的算法云平台,以此得到一个新的识别结果。
因此,优选的,本发明提供了一种新的拼接算法,本发明的这种新的拼接算法可以被命名为近进拼接融合算法,在一个循环周期内,该算法的主要步骤有:执行新进的当前列数据图片与之前的所有列数据图片拼接,将拼接结果进行一次识图、获得当前识别结果,将当前识别结果与上一循环周期所得的识别结果去重融合获得融合的识别结果,将获得融合的识别结果更新为当前识别结果,用于下一次循环周期时、与下一次循环周期所得的当前识别结果融合。
上述近进拼接融合算法可以以进1个当前列数据图片而输出1个对应的识别结果,可以与列数据图片在集中判图客户端同时呈现列数据图片和设备结果,达到同步的效果。
为了进一步的理解获得当前识图结果的过程,本发明从以下2个角度来进一步的阐述当前识图结果的获得形式。
第一角度,在不考虑当前列数据图片为第1列、每次识图都能输出1个当前识别结果时,S32具体包括以下步骤:
S321A:将当前列数据图片与当前列数据图片之前的列数据图片进行拼接组合为当前组合列图片;
S322A:生成一个至算法云平台且包含当前组合列图片的当前识别请求;
S323A:接收来自算法云平台响应于当前识别请求的当前识别结果;
S324A:生成一个至集中判图服务器并由集中判图服务器分发给集中判图客户端且包含当前识别结果的推送数据。
优选的,所述推送数据中的当前识别结果为:响应于当前识别请求的当前识别结果或调用前一识别结果与响应于当前识别请求的当前识别结果进行去重融合所得的识别结果,所述去重融合所得的识别结果替换更新前一识别结果。
第二角度,在考虑当前列数据图片为第1列、每次识图都不一定能输出1个当前识别结果时,S32具体包括以下步骤:
S321B:接收到当前列数据图片为第i列数据图片;
若i=1,则转到步骤S322 B;
若i>1,则转到步骤S323 B;
S322 B:对第i列数据图片进行识别,
若获得当前识别结果,则转到步骤S324B;
若没有获得当前识别结果,则转到步骤S321 B;
S323 B:调用i之前所有列数据图片与第i列数据图片进行拼接组合为当前组合列图片;对当前组合列图片进行识别;
若获得当前识别结果,则转到步骤S324 B;
若没有获得当前识别结果,则转到步骤S321 B;
S324B:若获得当前识别结果之前,没有前一识别结果,则转到步骤S321 B和步骤S326 B;
若获得当前识别结果之前,有前一识别结果,则转到步骤S325 B;
S325 B:调用前一识别结果和当前识别结果进行去重融合操作,会得到新的识别结果,然后转到步骤S321 B和步骤S326 B;
S326 B:存储并更新识别结果。
具体的,以第1列数据图片和第2列数据图片为例:
根据图2所示的流程,当输入第1列数据图片时,识图终端会对第1列数据图片进行识图,得到第1识别结果(如图3所示)。当输入第2列数据图片时,识图终端会从存储器中调用从第1列数据图片,将第1列数据图片和第2列数据图片进行拼接,得到拼接后的图片。识图用的云算法平台对拼接后的图片进行识图,得到第2识别结果(如图4所示)。然后对第1识别结果和第2识别结果进行去重融合操作,可以得到新的识别结果。
如图5所示,对第1识别结果和第2识别结果进行去重融合操作,可以先根据识别框左下角的坐标、识别框的宽和高来对识别框面积进行对比,可以判断出识别框有重叠。
优选的,所述S325 B中还包括以下步骤:
S3251 B:根据前一识别结果和当前识别结果来判断识别框是否重叠;
S3252 B:根据发生重叠的识别框内识别到的违禁品种类来判断是否融合;
S3253 B:根据识别框的重叠面积来判断融合方式。
优选的,所述S3251 B中还包括以下步骤:
若识别框发生重叠,则转到步骤S3252 B;
若识别框不发生重叠,则将当前识别结果直接叠加前一识别结果,作为最新的识别结果。
优选的,所述S3252 B中还包括以下步骤:
若识别框内识别到的违禁品种类是同一种类,则转到步骤S3253 B;
若识别框内识别到的违禁品种类不是同一种类,则发生重叠的识别框的识别结果不变,以重叠的方式将识别框融合。
若对第1列数据图片进行识图,得到第1识别结果,如图3所示,第1识别结果包括识别框、识别框左下角的坐标(X,Y),识别框的宽W,识别框的高H以及识别框内识别到的违禁品种类m。
若对拼接后的图片进行识图,得到第2识别结果,如图4所示,第2识别结果包括识别框、识别框左下角的坐标(X+△X,Y+△Y),识别框的宽W+△W,识别框的高H+△H以及识别框内识别到的违禁品种类n。
优选的,所述S3253 B中还包括以下步骤:
设定一个阈值z,阈值z为任意的百分比值,前一识别结果和当前识别结果中识别框的重叠面积为h,前一识别结果中识别框的面积为a,当前识别结果中识别框的面积为b,
若z≥h/a且z≥h/b,那么说明上一个识别结果和当前识别结果中包含的是两个不同的违禁品,则使上一个识别结果和当前识别结果中的识别框进行重叠融合;
若z<h/a且z≥h/b,那么说明上一个识别结果中包含的小违禁品被当前识别结果中包含的大违禁品遮挡干扰,则使上一个识别结果和当前识别结果中的识别框进行重叠融合;
若z<h/a且z<h/b,那么说明上一个识别结果和当前识别结果中包含的是两个相同的违禁品,则使当前识别结果中的识别框替代上一个识别结果中的识别框进行融合;
若z≥h/a且z<h/b,那么说明上一个识别结果中包含的大违禁品被当前识别结果中包含的小违禁品遮挡干扰,但是这种情况不太可能发生,可以理解为识别错误,则使当前识别结果中的识别框替代上一个识别结果中的识别框进行融合。
优选的,所述识别结果包括识别框、识别框左下角的横坐标X、识别框左下角的纵坐标Y、识别框的宽W、识别框的高H以及识别框内识别到的违禁品种类;
所述h是由识别框左下角的横坐标X、识别框左下角的纵坐标Y、识别框的宽W、识别框的高H来决定的,所述a和b是由识别框的宽W、识别框的高H来决定。
进一步的,所述对第i列数据图片进行识别具体为:对第i列数据图片进行违禁品类别识别。
当X光机对包裹信息进行检测时,会通过列数据的方式一列一列的向远端的识图终端进行数据发送。同时,识图终端会持续不断的接收列数据且将列数据拼接成图片,并对图片进行识别。
在现有技术中,通常识图终端是在等待一个包裹的全部列数据图片拼接完成后,再对一个包裹进行识图。这种方法不能完成对列数据图片的动态识别,需要等待一个将包裹的全部列数据图片拼接完成的时间。
在本发明中,若采用在拼接列数据图片的过程中,对一张拼接图片进行一次识别,得到识别结果,然后再对该拼接图片继续拼接列数据图片,会得到一张更大的拼接图片,对更大的拼接图片进行识别后,得到的识别结果就会跟上一次识别结果产生差异。
而在通常情况下,拼接的更大的图片自然会带有更多的信息,所以一般普遍采用新的更大的图片的识别结果来覆盖掉旧的小的图片的识别结果。但是在实际操作中不免会出现比较特殊的情况,比如旧的小的图片的识别结果比新的更大的图片的识别结果更多的时候、新的更大的图片的识别结果中包含干扰信息更多的时候。所以对于列数据图片拼接前后的识别结果如何有效的融合成为了一个问题。
因此,本发明通过不停的拼接列数据图片和识别列数据图片的过程中,对拼接前后的列数据图片进行识别,判断其拼接前后的识别结果,然后对拼接前后的识别结果进行一种有效的去重融合操作,不仅可以做到动态的识别包裹信息,还可以避免在包裹识别时,遇到特殊情况下,遗失重要的识别信息,或者识别到过多的干扰信息。
优选的,S33具体包括以下步骤:
S331:生成一个至安检设备的判图请求;
S332:获得来自安检设备响应于判图请求的当前识别结果;
S333:并生成一个至集中判图服务器并由集中判图服务器分发给集中判图客户端且包含当前识别结果的推送数据。
需要说明的是:
对于安检设备为了响应判图请求而进行识图功能的问题,可以采用常规的将所有列数据拼接为1个包裹所对应的1个包裹图片后、仅输出1次识别结果的识别方法,参见图6所示,在图6中,安检设备收到判图请求后,启动本地的识图功能,可以采用常见的包裹拼接法得到一个包裹图片,然后输出一个识别结果的方法,也可以采用本发明所提出的近进拼接融合算法,参见图7所示,安检设备收到判图请求后,启动本地的识图功能,这里的识图功能所采用的识图方法可以采用近进拼接融合算法,即对当前列数据图片拼接为组合列图片。
实施例2
可降级的中心化智能推送装置,包括:
一个或多个处理器;
存储单元,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,能使得所述一个或多个处理器实现所述的可降级的中心化智能推送方法。
具体的,以图6和图7为例,可降级的中心化智能推送装置即被图6和图7中的接入服务器所执行,即接入服务器为可降级的中心化智能推送方法的执行主体。
从图6和图7来看,还包括前置动作,前置动作有:S1、乘客在安检设备上辅助包裹,S2、安检设备扫描输出列数据图片,即安检设备会按照时序一列一列的输出列数据图片。
对于接入服务器而言,接入服务器执行了本发明所限定的动作S3和本发明未限定的动作S4,具体即为:S3、执行了智能识图结果与原图片分离的中线化智能推送方法,并切换原图片至算法云平台识图获得识别结果或切换控制安检设备识图获得识别结果,S4、执行人工判图结果的收发方法;上述动作S3可以理解为接入服务器执行了第一阶段的动作,上述动作S4可以理解为接入服务器执行了第二阶段。
具体的,第一阶段:
其执行了:接收当前列数据图片的动作;
其执行了:推送当前列数据图片到集中判图服务器的动作;
其执行了:对算法云平台进行心跳检测及心跳判定;
其执行了:在有心跳时执行了基于算法云平台的识图及识别结果的推送;
其执行了:在无心跳时执行了基于安检设备的识图及识别结果的推送。
基于算法云平台的识图及识别结果的推送的过程为:
将当前列数据图片与之前的列数据图片拼接组合获得组合列图片并将组合列图片发送到识图用的算法云平台的动作;
接收当前识别结果的动作;
基于当前识别结果去重融合处理获得新的当前识别结果;
推送当前识别结果到集中判图服务器的动作。
基于安检设备的识图及识别结果的推送的过程为:
向安检设备下发判图请求;
向安检设备下发判图请求;
接收来自安检设备的识别结果;
推送识别结果。
其中,对于集中判图服务器而言,其作用是分发当前列数据图片和分发当前识别结果;
其中,对于集中判图客户端而言,其作用是进行列数据成像和当前识别结果成像以及接收人工判图结果;
具体的,第二阶段:
其执行了:接收人工判图结果;
其执行了:根据人工判图结果所标定的异常包裹推送异常包裹信息到安检平台;
其中,对于安检平台而言,其作用是分发异常包裹信息到复检台,
其中,对于复检台而言,其作用是人工操作复检结果,即接收人工输入的复检结果,俗称开包复检。
实施例3
一种计算机可读存储的介质,其上存储有计算机程序,
所述计算机程序被处理器执行时能实现所述的可降级的中心化智能推送方法。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,依据本发明的技术实质,在本发明的精神和原则之内,对以上实施例所作的任何简单的修改、等同替换与改进等,均仍属于本发明技术方案的保护范围之内。
Claims (9)
1.可降级的中心化智能推送方法,其特征在于,包括以下步骤:
S3:接收一个当前列数据图片;
S30:生成一个至集中判图服务器并由集中判图服务器分发给集中判图客户端且包含当前列数据图片的推送数据;
S31:持续接收并监测来自算法云平台的心跳状态,若有心跳,则转S32,若无心跳,则转S33;
S32:基于当前列数据图片与算法云平台进行识图交互获得对应的当前识别结果,并生成一个至集中判图服务器并由集中判图服务器分发给集中判图客户端且包含当前识别结果的推送数据;
S33:与安检设备进行识图交互获得对应的当前识别结果,并生成一个至集中判图服务器并由集中判图服务器分发给集中判图客户端且包含当前识别结果的推送数据;
S32具体包括以下步骤:
S321B:接收到当前列数据图片为第i列数据图片;
若i=1,则转到步骤S322B;
若i>1,则转到步骤S323B;
S322B:对第i列数据图片进行识别,
若获得当前识别结果,则转到步骤S324B;
若没有获得当前识别结果,则转到步骤S321B;
S323B:调用i之前所有列数据图片与第i列数据图片进行拼接组合为当前组合列图片;对当前组合列图片进行识别;
若获得当前识别结果,则转到步骤S324B;
若没有获得当前识别结果,则转到步骤S321B;
S324B:若获得当前识别结果之前,没有前一识别结果,则转到步骤S321B和步骤S326B;若获得当前识别结果之前,有前一识别结果,则转到步骤S325B;
S325B:调用前一识别结果和当前识别结果进行去重融合操作,会得到新的识别结果,然后转到步骤S321B和步骤S326B;
S326B:存储并更新识别结果。
2.根据权利要求1所述的可降级的中心化智能推送方法,其特征在于,S32具体包括以下步骤:
S321A:将当前列数据图片与当前列数据图片之前的列数据图片进行拼接组合为当前组合列图片;
S322A:生成一个至算法云平台且包含当前组合列图片的当前识别请求;
S323A:接收来自算法云平台响应于当前识别请求的当前识别结果;
S324A:生成一个至集中判图服务器并由集中判图服务器分发给集中判图客户端且包含当前识别结果的推送数据。
3.根据权利要求2所述的可降级的中心化智能推送方法,其特征在于,所述推送数据中的当前识别结果为:响应于当前识别请求的当前识别结果或调用前一识别结果与响应于当前识别请求的当前识别结果进行去重融合所得的识别结果,所述去重融合所得的识别结果替换更新前一识别结果。
4.根据权利要求1所述的可降级的中心化智能推送方法,其特征在于,所述S325B中还包括以下步骤:
S3251B:根据前一识别结果和当前识别结果来判断识别框是否重叠;
S3252B:根据发生重叠的识别框内识别到的违禁品种类来判断是否融合;
S3253B:根据识别框的重叠面积来判断融合方式。
5.根据权利要求4所述的可降级的中心化智能推送方法,其特征在于,所述S3251B中还包括以下步骤:
若识别框发生重叠,则转到步骤S3252B;
若识别框不发生重叠,则将当前识别结果直接叠加前一识别结果,作为最新的识别结果。
6.根据权利要求4所述的可降级的中心化智能推送方法,其特征在于,所述S3252B中还包括以下步骤:
若识别框内识别到的违禁品种类是同一种类,则转到步骤S3253B;
若识别框内识别到的违禁品种类不是同一种类,则发生重叠的识别框的识别结果不变,以重叠的方式将识别框融合。
7.根据权利要求4所述的可降级的中心化智能推送方法,其特征在于,所述S3253B中还包括以下步骤:
设定一个阈值z,阈值z为任意的百分比值,前一识别结果和当前识别结果中识别框的重叠面积为h,前一识别结果中识别框的面积为a,当前识别结果中识别框的面积为b,
若z≥h/a且z≥h/b或z<h/a且z≥h/b,前一识别结果和当前识别结果中的识别框进行重叠融合;
若z<h/a且z<h/b或z≥h/a且z<h/b,当前识别结果中的识别框替代前一识别结果中的识别框进行融合;
所述识别结果包括识别框、识别框左下角的横坐标X、识别框左下角的纵坐标Y、识别框的宽W、识别框的高H以及识别框内识别到的违禁品种类;
所述h是由识别框左下角的横坐标X、识别框左下角的纵坐标Y、识别框的宽W、识别框的高H来决定的,所述a和b是由识别框的宽W、识别框的高H来决定。
8.根据权利要求1所述的可降级的中心化智能推送方法,其特征在于,S33具体包括以下步骤:
S331:生成一个至安检设备的判图请求;
S332:获得来自安检设备响应于判图请求的当前识别结果;
S333:并生成一个至集中判图服务器并由集中判图服务器分发给集中判图客户端且包含当前识别结果的推送数据。
9.可降级的中心化智能推送装置,其特征在于,包括:
一个或多个处理器;
存储单元,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,能使得所述一个或多个处理器实现根据权利要求1至8中任意一项所述的可降级的中心化智能推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211553473.5A CN115563396B (zh) | 2022-12-06 | 2022-12-06 | 可降级的中心化智能推送方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211553473.5A CN115563396B (zh) | 2022-12-06 | 2022-12-06 | 可降级的中心化智能推送方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115563396A CN115563396A (zh) | 2023-01-03 |
CN115563396B true CN115563396B (zh) | 2023-04-28 |
Family
ID=84769738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211553473.5A Active CN115563396B (zh) | 2022-12-06 | 2022-12-06 | 可降级的中心化智能推送方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115563396B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210484A (zh) * | 2019-04-19 | 2019-09-06 | 成都三零凯天通信实业有限公司 | 基于深度学习的视图像不良文本检测识别的系统与方法 |
CN114677650A (zh) * | 2022-05-25 | 2022-06-28 | 武汉卓鹰世纪科技有限公司 | 地铁乘客行人违法行为智能分析方法及装置 |
CN114693700A (zh) * | 2022-03-23 | 2022-07-01 | 成都智元汇信息技术股份有限公司 | 一种基于多源列数据的调度分配方法、智能识图盒子 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10572215B1 (en) * | 2014-03-31 | 2020-02-25 | Amazon Technologies, Inc. | Extendable architecture for augmented reality system |
CN104392220A (zh) * | 2014-11-27 | 2015-03-04 | 苏州福丰科技有限公司 | 基于云服务器的三维人脸识别机场安检方法 |
CN112114373A (zh) * | 2020-09-25 | 2020-12-22 | 南京正驰科技发展有限公司 | 一种用于安检集中判图分析系统及分析方法 |
CN113724478A (zh) * | 2021-08-31 | 2021-11-30 | 上海中通吉网络技术有限公司 | 基于边缘计算的智能安检系统 |
CN114049575A (zh) * | 2021-10-09 | 2022-02-15 | 国家邮政局邮政业安全中心 | 一种安检机违禁品智能检测方法及系统、电子设备 |
CN115186949A (zh) * | 2022-03-14 | 2022-10-14 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 铁路客运站安检集中管理方法、设备及介质 |
CN114529874A (zh) * | 2022-03-17 | 2022-05-24 | 长沙海信智能系统研究院有限公司 | 行为检测方法、装置、设备及可读存储介质 |
CN114814973B (zh) * | 2022-03-28 | 2024-03-08 | 北京中盾安民分析技术有限公司 | 一种人机混合决策的智能安检系统及方法 |
-
2022
- 2022-12-06 CN CN202211553473.5A patent/CN115563396B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210484A (zh) * | 2019-04-19 | 2019-09-06 | 成都三零凯天通信实业有限公司 | 基于深度学习的视图像不良文本检测识别的系统与方法 |
CN114693700A (zh) * | 2022-03-23 | 2022-07-01 | 成都智元汇信息技术股份有限公司 | 一种基于多源列数据的调度分配方法、智能识图盒子 |
CN114677650A (zh) * | 2022-05-25 | 2022-06-28 | 武汉卓鹰世纪科技有限公司 | 地铁乘客行人违法行为智能分析方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115563396A (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107071331B (zh) | 图像显示方法、装置和系统、存储介质及处理器 | |
CN106649632B (zh) | 数据同步方法及系统 | |
CN108289234B (zh) | 一种虚拟礼物特效动画展示方法、装置和设备 | |
CN109164997B (zh) | 分布式画面渲染和画面播放控制方法、装置及设备 | |
CN108984399A (zh) | 检测界面差异的方法、电子设备和计算机可读介质 | |
CN109582317B (zh) | 用于调试寄宿应用的方法和装置 | |
CN109257583B (zh) | 投影设备图像的无缝拼接方法及系统 | |
CN111026634A (zh) | 一种接口自动化测试系统、方法、装置及存储介质 | |
US20220308821A1 (en) | Dividing method, distribution method, medium, server, system | |
CN115563396B (zh) | 可降级的中心化智能推送方法及装置 | |
CN109274949A (zh) | 一种视频图像处理方法及其装置、显示设备 | |
CN111949517A (zh) | 远程真机测试方法、装置及电子设备 | |
CN115567586B (zh) | 智能识图结果与原图片分离的中心化智能推送方法及装置 | |
CN113015007B (zh) | 视频插帧方法、装置及电子设备 | |
CN113987303A (zh) | 自动驾驶的日志数据处理方法及装置 | |
CN115862528A (zh) | 拼接显示方法、装置、led拼控器、存储介质及系统 | |
CN113542073B (zh) | 基于p2p的产品测试方法、系统、程序产品及存储介质 | |
CN113259651B (zh) | 立体显示方法、设备、介质及计算机程序产品 | |
CN113792093A (zh) | 信号系统接口业务创建和执行方法、装置和电子设备 | |
CN115546493B (zh) | 基于列数据的包裹识别信息过滤去重方法及装置及介质 | |
CN110083357A (zh) | 界面构建方法、装置、服务器及存储介质 | |
CN116309940B (zh) | 一种基于动画弹窗组件的地图信息显示方法、设备及介质 | |
CN109739752A (zh) | 内置资源测试方法、装置、电子设备及可读存储介质 | |
US20240177384A1 (en) | Dynamic graphic editing method and device | |
US20220236192A1 (en) | Inspection system, inspection method, and inspection program |
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 |