CN116401587A - 一种基于x射线的物品类别识别方法 - Google Patents
一种基于x射线的物品类别识别方法 Download PDFInfo
- Publication number
- CN116401587A CN116401587A CN202310671749.8A CN202310671749A CN116401587A CN 116401587 A CN116401587 A CN 116401587A CN 202310671749 A CN202310671749 A CN 202310671749A CN 116401587 A CN116401587 A CN 116401587A
- Authority
- CN
- China
- Prior art keywords
- ray
- attenuation
- rate
- decay rate
- sequence
- 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 24
- 238000012549 training Methods 0.000 claims description 23
- 230000000630 rising effect Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 3
- 230000000149 penetrating effect Effects 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 4
- 239000003086 colorant Substances 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 11
- 239000000126 substance Substances 0.000 description 8
- 238000010521 absorption reaction Methods 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06F18/24—Classification techniques
-
- 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
- G01N23/06—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 measuring the absorption
- G01N23/083—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 measuring the absorption the radiation being X-rays
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Abstract
本发明提供了一种基于X射线的物品类别识别方法,属于X射线的物品类别识别技术领域,本发明的物品类别识别模型参数量少,计算量小,通过X射线衰减率,得到物品类别,再通过X射线衰减率,得到物品的原子序数,将原子序数转换为不同层次的颜色,从视觉图像上进行有效区分;本发明解决了现有X射线检测设备对X射线特征分析不足,向用户输出的物品类别颜色图像过于笼统,使工作人员难以判断或图像识别算力消耗巨大的问题。
Description
技术领域
本发明涉及X射线的物品类别识别技术领域,具体而言,涉及一种基于X射线的物品类别识别方法。
背景技术
物质由分子或原子组成,不同分子或者原子组成的物质对于X射线有不同的吸收率,通过X射线探测器采集透过物质的X射线,再对该X射线进行分析,便可分析物质的类型。
然而,现有的X光机(例如安检机),仅简单以橙色表征大分子有机物,蓝色表征小分子无机物,向用户展现橙-绿-蓝颜色分层。使得工作人员不得不根据生活经验,基于物品成像的颜色和轮廓进行物品类别猜想,具有较大的误差。
目前也有使用图像识别技术分析上述X光机图像的研究,但图像识别技术通常涉及VGG16、YOLOv5等深度网络,其特点在于涉及众多卷积运算且神经网络层次巨大,需以昂贵的处理器作为算法载体,经济性差,且未充分挖掘X射线本身的物理规律,具有严重的算力浪费。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于X射线的物品类别识别方法解决了现有X射线检测设备对X射线特征分析不足,向用户输出的物品类别颜色图像过于笼统,使工作人员难以判断或图像识别算力消耗巨大的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于X射线的物品类别识别方法,包括以下步骤:
S1、采用X射线设备对物品发射X射线,通过X射线探测器接收透过物品分子原子的X射线,得到X射线衰减率;
S2、采用物品类别识别模型,根据X射线衰减率,识别物品类别;
S3、根据X射线衰减率,得到物品的原子序数;
S4、将原子序数转换为颜色,进行图像显示,并标注上物品类别。
进一步地,所述S2包括以下分步骤:
S21、对物品类别识别模型进行训练,得到训练完成的物品类别识别模型;
S22、采用训练完成的物品类别识别模型对X射线衰减率进行识别,得到物品类别。
进一步地,所述S21包括以下分步骤:
S211、采用不同波长的X射线设备对同一物品发射X射线,得到同一物品的多个X射线衰减率;
S212、将同一物品的多个X射线衰减率构建为衰减率序列;
S213、对衰减率序列提取衰减特征;
S214、采用衰减特征与物品类别标签,构建训练集;
S215、采用训练集对物品类别识别模型进行训练,得到训练完成的物品类别识别模型。
上述进一步地方案的有益效果为:采用不同波长的X射线设备对同一物品发射X射线,得到的多个X射线衰减率反应物品对不同波长X射线的吸收和反射程度,通过提取衰减率序列中多个X射线衰减率的衰减特征,通过衰减特征来表征同一物品对于不同波长的X射线的吸收和反射程度,相比于直接采用X射线衰减率来对物品类别识别模型进行训练,通过衰减特征来对物品类别识别模型进行训练,训练的物品类别识别模型更准确,衰减特征比衰减率序列中多个X射线衰减率更能直接反应物品特征。
进一步地,所述S213中衰减特征包括:衰减率分布特征、衰减率峰值特征和衰减率波动特征。
上述进一步地方案的有益效果为:本发明通过衰减率分布特征反应衰减率的分布情况,通过衰减率峰值特征反应衰减率的峰值情况,通过衰减率波动特征反应衰减率的波动情况,通过三方面特征情况表征物品类型。
进一步地,所述物品类别识别模型为:其中,/>为物品类别识别模型的输出,/>为双曲正切函数,/>为第/>个特征,/>时,/>为衰减率分布特征,时,/>为衰减率峰值特征,/>时,/>为衰减率波动特征,/>为第/>个权重,/>为偏置。
上述进一步地方案的有益效果为:建立衰减率分布特征、衰减率峰值特征/>和衰减率波动特征/>与物品类别识别模型的输出/>的关系式,每个特征对应一个权重,再通过双曲正切函数/>可将/>映射到0到1的数值范围,根据不同的特征,得到不同的物品类别识别模型的输出/>,从而实现对各种物品的识别。本发明建立的物品类别识别模型仅有少数参数,在计算时,计算量低。
上述进一步地方案的有益效果为:本发明通过两方面来衡量损失函数的损失程度,一方面是通过物品类别识别模型的输出与物品类别标签/>的距离,另一方面是通过物品类别识别模型的输出/>与物品类别标签/>的比值,仅通过距离来衡量损失函数的损失程度时,在/>和/>数值较小时,误差较大,仅通过比值来衡量损失函数的损失程度时,在/>和数值较大时,误差较大;在/>大于/>时,/>与/>比值越大,/>计算的值越靠近1,比值侧占比更高,距离侧占比低,在/>大于/>时,/>与/>比值越大,比值侧占比更高,距离侧占比低,通过比值和距离的关系体现/>与/>的差距。
进一步地,所述S21中对物品类别识别模型进行训练时,权重更新公式为: 其中,/>为第/>次训练时的权重,/>为第/>次训练时的权重,/>为损失函数,/>为下降速度因子,/>为上升速度因子,/>为固定常数,/>为物品类别识别模型的输出,/>为物品类别标签,为偏导运算。
上述进一步地方案的有益效果为:在大于/>时,/>与/>比值越大,下降速度因子/>越大,权重下降速度越快,在/>大于/>时,/>与/>比值越大,上升速度因子/>越大,权重上升速度越快,使得训练过程中/>快速逼近/>。
进一步地,所述S4中原子序数转换为颜色的公式为:
其中,/>为转换后的R通道值,/>为转换后的G通道值,/>为转换后的B通道值,/>为R通道初值,/>为G通道初值,/>为B通道初值,/>为原子序数,/>为原子序数阈值,/>为R通道最大值,/>为B通道最大值,/>为固定常数,/>为反正切函数。
上述进一步地方案的有益效果为:大多常见的物质的原子序数较小,而一些稀有的金属物质原子序数则较大,因此,本发明通过原子序数阈值将原子序数进行分段,高于原子序数阈值时,将原子序数平方处理可以获得更大的R通道值,以及获得更低的B通道值,低于原子序数阈值时,通过ln函数将原子序数/>转换为数值低的数,增加较少R通道值,以及减少较少B通道值,在变换过程中G通道保持不变,依次凸显不同原子序数的物品具备不同层次的颜色。
本发明实施例的技术方案至少具有如下优点和有益效果:
本发明的物品类别识别模型参数量少,计算量小,通过X射线衰减率,得到物品类别,再通过X射线衰减率,得到物品的原子序数,将原子序数转换为不同层次的颜色,从视觉图像上进行有效区分。
附图说明
图1为一种基于X射线的物品类别识别方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1所示,一种基于X射线的物品类别识别方法,包括以下步骤:
S1、采用X射线设备对物品发射X射线,通过X射线探测器接收透过物品分子原子的X射线,得到X射线衰减率;
S2、采用物品类别识别模型,根据X射线衰减率,识别物品类别;
在本实施例中,所述S2包括以下分步骤:
S21、对物品类别识别模型进行训练,得到训练完成的物品类别识别模型;
在本实施例中,所述S21包括以下分步骤:
S211、采用不同波长的X射线设备对同一物品发射X射线,得到同一物品的多个X射线衰减率;
S212、将同一物品的多个X射线衰减率构建为衰减率序列;
S213、对衰减率序列提取衰减特征;
在本实施例中,所述S213中衰减特征包括:衰减率分布特征、衰减率峰值特征和衰减率波动特征。
本发明通过衰减率分布特征反应衰减率的分布情况,通过衰减率峰值特征反应衰减率的峰值情况,通过衰减率波动特征反应衰减率的波动情况,通过三方面特征情况表征物品类型。
S214、采用衰减特征与物品类别标签,构建训练集;
S215、采用训练集对物品类别识别模型进行训练,得到训练完成的物品类别识别模型。
采用不同波长的X射线设备对同一物品发射X射线,得到的多个X射线衰减率反应物品对不同波长X射线的吸收和反射程度,通过提取衰减率序列中多个X射线衰减率的衰减特征,通过衰减特征来表征同一物品对于不同波长的X射线的吸收和反射程度,相比于直接采用X射线衰减率来对物品类别识别模型进行训练,通过衰减特征来对物品类别识别模型进行训练,训练的物品类别识别模型更准确,衰减特征比衰减率序列中多个X射线衰减率更能直接反应物品特征。
所述物品类别识别模型为:其中,/>为物品类别识别模型的输出,/>为双曲正切函数,/>为第/>个特征,/>时,/>为衰减率分布特征,时,/>为衰减率峰值特征,/>时,/>为衰减率波动特征,/>为第/>个权重,/>为偏置。
建立衰减率分布特征衰减率峰值特征/>和衰减率波动特征/>与物品类别识别模型的输出/>的关系式,每个特征对应一个权重,再通过双曲正切函数/>可将/>映射到0到1的数值范围,根据不同的特征,得到不同的物品类别识别模型的输出/>,从而实现对各种物品的识别。本发明建立的物品类别识别模型仅有少数参数,在计算时,计算量低。
在本实施例中,调节系数为常数,其大小可以调节。
本发明通过两方面来衡量损失函数的损失程度,一方面是通过物品类别识别模型的输出与物品类别标签/>的距离,另一方面是通过物品类别识别模型的输出/>与物品类别标签/>的比值,仅通过距离来衡量损失函数的损失程度时,在/>和/>数值较小时,误差较大,仅通过比值来衡量损失函数的损失程度时,在/>和/>数值较大时,误差较大;在/>大于/>时/>与/>比值越大,/>计算的值越靠近1,比值侧占比更高,距离侧占比低,在/>大于/>时,/>与/>比值越大,比值侧占比更高,距离侧占比低,通过比值和距离的关系体现与/>的差距。
在本实施例中,所述S21中对物品类别识别模型进行训练时,权重更新公式为:
S22、采用训练完成的物品类别识别模型对X射线衰减率进行识别,得到物品类别。
在S22中,对X射线衰减率进行识别时,需先转换为特征,特征带入训练完成的物品类别识别模型,得到物品类别。
S3、根据X射线衰减率,得到物品的原子序数;
S4、将原子序数转换为颜色,进行图像显示,并标注上物品类别。
所述S4中原子序数转换为颜色的公式为:
其中,/>为转换后的R通道值,/>为转换后的G通道值,/>为转换后的B通道值,/>为R通道初值,/>为G通道初值,/>为B通道初值,/>为原子序数,/>为原子序数阈值,/>为R通道最大值,/>为B通道最大值,/>为固定常数,/>为反正切函数。
大多常见的物质的原子序数较小,而一些稀有的金属物质原子序数则较大,因此,本发明通过原子序数阈值将原子序数进行分段,高于原子序数阈值时,将原子序数平方处理可以获得更大的R通道值,以及获得更低的B通道值,低于原子序数阈值时,通过ln函数将原子序数/>转换为数值低的数,增加较少R通道值,以及减少较少B通道值,在变换过程中G通道保持不变,依次凸显不同原子序数的物品具备不同层次的颜色。
本发明实施例的技术方案至少具有如下优点和有益效果:
本发明的物品类别识别模型参数量少,计算量小,通过X射线衰减率,得到物品类别,再通过X射线衰减率,得到物品的原子序数,将原子序数转换为不同层次的颜色,从视觉图像上进行有效区分。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于X射线的物品类别识别方法,其特征在于,包括以下步骤:
S1、采用X射线设备对物品发射X射线,通过X射线探测器接收透过物品分子原子的X射线,得到X射线衰减率;
S2、采用物品类别识别模型,根据X射线衰减率,识别物品类别;
S3、根据X射线衰减率,得到物品的原子序数;
S4、将原子序数转换为颜色,进行图像显示,并标注上物品类别。
2.根据权利要求1所述的基于X射线的物品类别识别方法,其特征在于,所述S2包括以下分步骤:
S21、对物品类别识别模型进行训练,得到训练完成的物品类别识别模型;
S22、采用训练完成的物品类别识别模型对X射线衰减率进行识别,得到物品类别。
3.根据权利要求2所述的基于X射线的物品类别识别方法,其特征在于,所述S21包括以下分步骤:
S211、采用不同波长的X射线设备对同一物品发射X射线,得到同一物品的多个X射线衰减率;
S212、将同一物品的多个X射线衰减率构建为衰减率序列;
S213、对衰减率序列提取衰减特征;
S214、采用衰减特征与物品类别标签,构建训练集;
S215、采用训练集对物品类别识别模型进行训练,得到训练完成的物品类别识别模型。
4.根据权利要求3所述的基于X射线的物品类别识别方法,其特征在于,所述S213中衰减特征包括:衰减率分布特征、衰减率峰值特征和衰减率波动特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310671749.8A CN116401587B (zh) | 2023-06-08 | 2023-06-08 | 一种基于x射线的物品类别识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310671749.8A CN116401587B (zh) | 2023-06-08 | 2023-06-08 | 一种基于x射线的物品类别识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116401587A true CN116401587A (zh) | 2023-07-07 |
CN116401587B CN116401587B (zh) | 2023-08-18 |
Family
ID=87018418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310671749.8A Active CN116401587B (zh) | 2023-06-08 | 2023-06-08 | 一种基于x射线的物品类别识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116401587B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5606167A (en) * | 1994-07-11 | 1997-02-25 | Miller; Thomas G. | Contraband detection apparatus and method |
CN101201329A (zh) * | 2007-10-16 | 2008-06-18 | 西安交通大学 | 基于射线衰减能量场的无损检测缺陷提取、识别方法 |
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 |
CN111680729A (zh) * | 2020-05-30 | 2020-09-18 | 中国船舶重工集团公司第七一三研究所 | 基于x光机图像机场旅客安检危险品实时高识别率方法 |
US20200378904A1 (en) * | 2017-03-27 | 2020-12-03 | Siemens Aktiengesellschaft | Ascertaining the Pose of an X-Ray Unit Relative to an Object on the Basis of a Digital Model of the Object |
US20210149073A1 (en) * | 2018-04-12 | 2021-05-20 | Smiths Heimann Gmbh | Automatic detection of manipulated metal objects in x-ray images |
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 |
CN113570537A (zh) * | 2021-09-26 | 2021-10-29 | 熵基科技股份有限公司 | 安检图像融合方法、装置、存储介质及计算机设备 |
CN113926737A (zh) * | 2021-09-26 | 2022-01-14 | 河南中平自动化股份有限公司 | 一种利用双能双机x射线的煤矸装置及其识别方法 |
CN114612346A (zh) * | 2022-04-02 | 2022-06-10 | 杨海鹰 | 一种x射线背散射图像伪彩色处理算法 |
CN115018738A (zh) * | 2022-08-08 | 2022-09-06 | 科大讯飞(苏州)科技有限公司 | 彩色图像生成方法、装置、设备及可读存储介质 |
CN115081469A (zh) * | 2021-03-15 | 2022-09-20 | 杭州海康威视数字技术股份有限公司 | 基于x射线安检设备的物品类别识别方法、装置及设备 |
CN116129153A (zh) * | 2023-03-01 | 2023-05-16 | 公安部第三研究所 | 实现用于禁限带物品识别的智能分析处理方法、系统、装置、处理器及计算机可读存储介质 |
-
2023
- 2023-06-08 CN CN202310671749.8A patent/CN116401587B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5606167A (en) * | 1994-07-11 | 1997-02-25 | Miller; Thomas G. | Contraband detection apparatus and method |
CN101201329A (zh) * | 2007-10-16 | 2008-06-18 | 西安交通大学 | 基于射线衰减能量场的无损检测缺陷提取、识别方法 |
US20200378904A1 (en) * | 2017-03-27 | 2020-12-03 | Siemens Aktiengesellschaft | Ascertaining the Pose of an X-Ray Unit Relative to an Object on the Basis of a Digital Model of the Object |
US20210149073A1 (en) * | 2018-04-12 | 2021-05-20 | Smiths Heimann Gmbh | Automatic detection of manipulated metal objects in x-ray images |
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 |
CN111680729A (zh) * | 2020-05-30 | 2020-09-18 | 中国船舶重工集团公司第七一三研究所 | 基于x光机图像机场旅客安检危险品实时高识别率方法 |
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 |
CN115081469A (zh) * | 2021-03-15 | 2022-09-20 | 杭州海康威视数字技术股份有限公司 | 基于x射线安检设备的物品类别识别方法、装置及设备 |
CN113570537A (zh) * | 2021-09-26 | 2021-10-29 | 熵基科技股份有限公司 | 安检图像融合方法、装置、存储介质及计算机设备 |
CN113926737A (zh) * | 2021-09-26 | 2022-01-14 | 河南中平自动化股份有限公司 | 一种利用双能双机x射线的煤矸装置及其识别方法 |
CN114612346A (zh) * | 2022-04-02 | 2022-06-10 | 杨海鹰 | 一种x射线背散射图像伪彩色处理算法 |
CN115018738A (zh) * | 2022-08-08 | 2022-09-06 | 科大讯飞(苏州)科技有限公司 | 彩色图像生成方法、装置、设备及可读存储介质 |
CN116129153A (zh) * | 2023-03-01 | 2023-05-16 | 公安部第三研究所 | 实现用于禁限带物品识别的智能分析处理方法、系统、装置、处理器及计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
BILEL YAGOUB 等: "Single Energy X-ray Images Colorization Using Convolutional Neural Network for Material Discrimination", 《ELECTRONICS》, pages 1 - 16 * |
Y.YEYU 等: "Feasibility study of a method for identification and classification of magnesium and aluminum with ME-XRT", 《JOURNAL OF INSTRUMENTATION》, pages 0 - 13 * |
曹晋博: "X光机安检图像违禁物品的识别", 《中国优秀硕士学位论文全文数据库信息科技辑》, pages 138 - 1317 * |
Also Published As
Publication number | Publication date |
---|---|
CN116401587B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107808139B (zh) | 一种基于深度学习的实时监控威胁分析方法及系统 | |
CN110018524B (zh) | 一种基于视觉-属性的x射线安检违禁品识别方法 | |
CN106650785B (zh) | 基于证据分类和冲突衡量的加权证据融合方法 | |
CN113869162A (zh) | 一种基于人工智能的违章识别方法及系统 | |
CN106127756A (zh) | 一种基于多特征信息融合技术的绝缘子识别检测方法 | |
WO2021051917A1 (zh) | 人工智能ai模型的评估方法、系统及设备 | |
CN107390259A (zh) | 一种基于svd和svm的核素识别方法 | |
CN110414319A (zh) | 一种基于有效匹配子树的公式相似度计算方法和科技文档检索方法及装置 | |
CN112200042A (zh) | 利用时空生态环境遥感分形分维数分析生态变化趋势方法 | |
CN116842527A (zh) | 一种数据安全风险评估方法 | |
CN111797887A (zh) | 一种基于密度筛选与k-均值聚类的反窃电预警方法及系统 | |
CN105205503A (zh) | 基于众包主动学习用于检测异常图片的方法 | |
CN110133703A (zh) | 一种基于BP神经网络和蒙特卡洛算法的γ射线剂量测量方法 | |
CN114372493A (zh) | 一种计算机线缆电磁泄漏特征分析方法 | |
CN112347927A (zh) | 基于卷积神经网络概率决策融合的高分影像建筑提取方法 | |
CN108491719A (zh) | 一种改进朴素贝叶斯算法的安卓恶意程序检测方法 | |
CN116401587A (zh) | 一种基于x射线的物品类别识别方法 | |
CN116881749A (zh) | 一种污染场地施工监测方法及系统 | |
CN117095290A (zh) | 一种基于卫星遥感的碳汇监测方法 | |
CN113781426B (zh) | 一种识别液体成分的智能安检方法 | |
CN110852441A (zh) | 一种基于改进朴素贝叶斯算法的火灾预警方法 | |
CN115880102A (zh) | 一种电能计量方法、系统、设备及存储介质 | |
CN113093142A (zh) | 防雹效果评估方法 | |
CN113069088A (zh) | 一种人工智能交互装置 | |
CN110348123A (zh) | 一种基于aic-rbf的油气管道挤压形变估计方法 |
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 |