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 PDF

Info

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
Application number
CN202310671749.8A
Other languages
English (en)
Other versions
CN116401587B (zh
Inventor
舒晓琴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Leshan Normal University
Original Assignee
Leshan Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Leshan Normal University filed Critical Leshan Normal University
Priority to CN202310671749.8A priority Critical patent/CN116401587B/zh
Publication of CN116401587A publication Critical patent/CN116401587A/zh
Application granted granted Critical
Publication of CN116401587B publication Critical patent/CN116401587B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种基于X射线的物品类别识别方法
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，所述衰减率分布特征的公式为：
Figure SMS_1
其中，/>
Figure SMS_2
为衰减率分布特征，/>
Figure SMS_3
为衰减率序列中X射线衰减率的数量，/>
Figure SMS_4
为衰减率序列中第
Figure SMS_5
个X射线衰减率。
上述进一步地方案的有益效果为：本发明通过X射线衰减率
Figure SMS_6
的三阶矩去计算衰减率分布特征。
进一步地，所述衰减率峰值特征的公式为：
Figure SMS_7
其中，/>
Figure SMS_8
为衰减率峰值特征，/>
Figure SMS_9
为衰减率序列中X射线衰减率的数量，/>
Figure SMS_10
为衰减率序列中第/>
Figure SMS_11
个X射线衰减率，
Figure SMS_12
为衰减率序列中最大值，/>
Figure SMS_13
为衰减率序列中最小值。
上述进一步地方案的有益效果为：本发明对X射线衰减率
Figure SMS_14
平方，并对所有X射线衰减率/>
Figure SMS_15
的平方相加，反应整体数值的峰值情况。
进一步地，所述衰减率波动特征的公式为：
Figure SMS_16
其中，/>
Figure SMS_17
为衰减率波动特征，/>
Figure SMS_18
为衰减率序列中X射线衰减率的数量，/>
Figure SMS_19
为衰减率序列中第/>
Figure SMS_20
个X射线衰减率，/>
Figure SMS_21
为衰减率序列中最大值，/>
Figure SMS_22
为衰减率序列中最小值。
上述进一步地方案的有益效果为：本发明通过X射线衰减率
Figure SMS_23
减去X射线衰减率均值，得到差值，将所有差值相加并平方，反应衰减率的波动情况。
进一步地，所述物品类别识别模型为：
Figure SMS_26
其中，/>
Figure SMS_29
为物品类别识别模型的输出，/>
Figure SMS_32
为双曲正切函数，/>
Figure SMS_25
为第/>
Figure SMS_28
个特征，/>
Figure SMS_31
时，/>
Figure SMS_34
为衰减率分布特征，
Figure SMS_24
时，/>
Figure SMS_30
为衰减率峰值特征，/>
Figure SMS_33
时，/>
Figure SMS_35
为衰减率波动特征，/>
Figure SMS_27
为第/>
Figure SMS_36
个权重，/>
Figure SMS_37
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
Figure SMS_38
、衰减率峰值特征/>
Figure SMS_39
和衰减率波动特征/>
Figure SMS_40
与物品类别识别模型的输出/>
Figure SMS_41
的关系式，每个特征对应一个权重，再通过双曲正切函数/>
Figure SMS_42
可将/>
Figure SMS_43
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/>
Figure SMS_44
，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。
进一步地，所述S21中对物品类别识别模型进行训练时，采用的损失函数为：
Figure SMS_45
其中，/>
Figure SMS_46
为损失函数，/>
Figure SMS_47
为双曲正切函数，/>
Figure SMS_48
为物品类别识别模型的输出，/>
Figure SMS_49
为物品类别标签，/>
Figure SMS_50
为调节系数。
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
Figure SMS_60
与物品类别标签/>
Figure SMS_52
的距离，另一方面是通过物品类别识别模型的输出/>
Figure SMS_57
与物品类别标签/>
Figure SMS_53
的比值，仅通过距离来衡量损失函数的损失程度时，在/>
Figure SMS_55
和/>
Figure SMS_59
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/>
Figure SMS_63
和
Figure SMS_64
数值较大时，误差较大；在/>
Figure SMS_67
大于/>
Figure SMS_51
时，/>
Figure SMS_58
与/>
Figure SMS_62
比值越大，/>
Figure SMS_65
计算的值越靠近1，比值侧占比更高，距离侧占比低，在/>
Figure SMS_68
大于/>
Figure SMS_69
时，/>
Figure SMS_54
与/>
Figure SMS_56
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/>
Figure SMS_61
与/>
Figure SMS_66
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：
Figure SMS_71
Figure SMS_76
Figure SMS_80
其中，/>
Figure SMS_73
为第/>
Figure SMS_75
次训练时的权重，/>
Figure SMS_79
为第/>
Figure SMS_82
次训练时的权重，/>
Figure SMS_70
为损失函数，/>
Figure SMS_77
为下降速度因子，/>
Figure SMS_81
为上升速度因子，/>
Figure SMS_83
为固定常数，/>
Figure SMS_72
为物品类别识别模型的输出，/>
Figure SMS_74
为物品类别标签，
Figure SMS_78
为偏导运算。
上述进一步地方案的有益效果为：在
Figure SMS_85
大于/>
Figure SMS_88
时，/>
Figure SMS_91
与/>
Figure SMS_87
比值越大，下降速度因子/>
Figure SMS_89
越大，权重下降速度越快，在/>
Figure SMS_92
大于/>
Figure SMS_94
时，/>
Figure SMS_84
与/>
Figure SMS_90
比值越大，上升速度因子/>
Figure SMS_93
越大，权重上升速度越快，使得训练过程中/>
Figure SMS_95
快速逼近/>
Figure SMS_86
。
进一步地，所述S4中原子序数转换为颜色的公式为：
Figure SMS_96
Figure SMS_102
Figure SMS_106
其中，/>
Figure SMS_98
为转换后的R通道值，/>
Figure SMS_100
为转换后的G通道值，/>
Figure SMS_104
为转换后的B通道值，/>
Figure SMS_107
为R通道初值，/>
Figure SMS_97
为G通道初值，/>
Figure SMS_103
为B通道初值，/>
Figure SMS_109
为原子序数，/>
Figure SMS_110
为原子序数阈值，/>
Figure SMS_99
为R通道最大值，/>
Figure SMS_101
为B通道最大值，/>
Figure SMS_105
为固定常数，/>
Figure SMS_108
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
Figure SMS_111
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/>
Figure SMS_112
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。
所述衰减率分布特征的公式为：
Figure SMS_113
其中，/>
Figure SMS_114
为衰减率分布特征，/>
Figure SMS_115
为衰减率序列中X射线衰减率的数量，/>
Figure SMS_116
为衰减率序列中第/>
Figure SMS_117
个X射线衰减率。
本发明通过X射线衰减率
Figure SMS_118
的三阶矩去计算衰减率分布特征。
所述衰减率峰值特征的公式为：
Figure SMS_119
其中，/>
Figure SMS_120
为衰减率峰值特征，
Figure SMS_121
为衰减率序列中X射线衰减率的数量，/>
Figure SMS_122
为衰减率序列中第/>
Figure SMS_123
个X射线衰减率，/>
Figure SMS_124
为衰减率序列中最大值，/>
Figure SMS_125
为衰减率序列中最小值。
本发明对X射线衰减率
Figure SMS_126
平方，并对所有X射线衰减率/>
Figure SMS_127
的平方相加，反应整体数值的峰值情况。
所述衰减率波动特征的公式为：
Figure SMS_128
其中，/>
Figure SMS_129
为衰减率波动特征，/>
Figure SMS_130
为衰减率序列中X射线衰减率的数量，/>
Figure SMS_131
为衰减率序列中第/>
Figure SMS_132
个X射线衰减率，/>
Figure SMS_133
为衰减率序列中最大值，/>
Figure SMS_134
为衰减率序列中最小值。
本发明通过X射线衰减率
Figure SMS_135
减去X射线衰减率均值，得到差值，将所有差值相加并平方，反应衰减率的波动情况。
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：
Figure SMS_138
其中，/>
Figure SMS_142
为物品类别识别模型的输出，/>
Figure SMS_146
为双曲正切函数，/>
Figure SMS_137
为第/>
Figure SMS_140
个特征，/>
Figure SMS_144
时，/>
Figure SMS_148
为衰减率分布特征，
Figure SMS_136
时，/>
Figure SMS_143
为衰减率峰值特征，/>
Figure SMS_147
时，/>
Figure SMS_149
为衰减率波动特征，/>
Figure SMS_139
为第/>
Figure SMS_141
个权重，/>
Figure SMS_145
为偏置。
建立衰减率分布特征
Figure SMS_150
衰减率峰值特征/>
Figure SMS_151
和衰减率波动特征/>
Figure SMS_152
与物品类别识别模型的输出/>
Figure SMS_153
的关系式，每个特征对应一个权重，再通过双曲正切函数/>
Figure SMS_154
可将/>
Figure SMS_155
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/>
Figure SMS_156
，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，所述S21中对物品类别识别模型进行训练时，采用的损失函数为：
Figure SMS_157
其中，/>
Figure SMS_158
为损失函数，/>
Figure SMS_159
为双曲正切函数，/>
Figure SMS_160
为物品类别识别模型的输出，/>
Figure SMS_161
为物品类别标签，/>
Figure SMS_162
为调节系数。
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
Figure SMS_171
与物品类别标签/>
Figure SMS_164
的距离，另一方面是通过物品类别识别模型的输出/>
Figure SMS_167
与物品类别标签/>
Figure SMS_175
的比值，仅通过距离来衡量损失函数的损失程度时，在/>
Figure SMS_178
和/>
Figure SMS_180
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/>
Figure SMS_181
和/>
Figure SMS_174
数值较大时，误差较大；在/>
Figure SMS_179
大于/>
Figure SMS_166
时/>
Figure SMS_170
与/>
Figure SMS_165
比值越大，/>
Figure SMS_169
计算的值越靠近1，比值侧占比更高，距离侧占比低，在/>
Figure SMS_173
大于/>
Figure SMS_177
时，/>
Figure SMS_163
与/>
Figure SMS_168
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
Figure SMS_172
与/>
Figure SMS_176
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：
Figure SMS_183
Figure SMS_188
Figure SMS_192
其中，
Figure SMS_185
为第/>
Figure SMS_187
次训练时的权重，/>
Figure SMS_191
为第/>
Figure SMS_194
次训练时的权重，/>
Figure SMS_182
为损失函数，/>
Figure SMS_189
为下降速度因子，/>
Figure SMS_193
为上升速度因子，/>
Figure SMS_195
为固定常数，/>
Figure SMS_184
为物品类别识别模型的输出，/>
Figure SMS_186
为物品类别标签，/>
Figure SMS_190
为偏导运算。
在
Figure SMS_197
大于/>
Figure SMS_202
时/>
Figure SMS_205
与/>
Figure SMS_199
比值越大，下降速度因子/>
Figure SMS_201
越大，权重下降速度越快，在/>
Figure SMS_204
大于/>
Figure SMS_207
时，/>
Figure SMS_196
与/>
Figure SMS_200
比值越大，上升速度因子/>
Figure SMS_203
越大，权重上升速度越快，使得训练过程中/>
Figure SMS_206
快速逼近/>
Figure SMS_198
。
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：
Figure SMS_208
Figure SMS_215
Figure SMS_220
其中，/>
Figure SMS_209
为转换后的R通道值，/>
Figure SMS_212
为转换后的G通道值，/>
Figure SMS_216
为转换后的B通道值，/>
Figure SMS_219
为R通道初值，/>
Figure SMS_210
为G通道初值，/>
Figure SMS_213
为B通道初值，/>
Figure SMS_217
为原子序数，/>
Figure SMS_221
为原子序数阈值，/>
Figure SMS_211
为R通道最大值，/>
Figure SMS_214
为B通道最大值，/>
Figure SMS_218
为固定常数，/>
Figure SMS_222
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
Figure SMS_223
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/>
Figure SMS_224
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。
5.根据权利要求4所述的基于X射线的物品类别识别方法，其特征在于，所述衰减率分布特征的公式为：
Figure QLYQS_1
其中，/>
Figure QLYQS_2
为衰减率分布特征，/>
Figure QLYQS_3
为衰减率序列中X射线衰减率的数量，/>
Figure QLYQS_4
为衰减率序列中第/>
Figure QLYQS_5
个X射线衰减率。
6.根据权利要求4所述的基于X射线的物品类别识别方法，其特征在于，所述衰减率峰值特征的公式为：
Figure QLYQS_6
其中，/>
Figure QLYQS_7
为衰减率峰值特征，/>
Figure QLYQS_8
为衰减率序列中X射线衰减率的数量，/>
Figure QLYQS_9
为衰减率序列中第/>
Figure QLYQS_10
个X射线衰减率，/>
Figure QLYQS_11
为衰减率序列中最大值，/>
Figure QLYQS_12
为衰减率序列中最小值。
7.根据权利要求4所述的基于X射线的物品类别识别方法，其特征在于，所述衰减率波动特征的公式为：
Figure QLYQS_13
其中，/>
Figure QLYQS_14
为衰减率波动特征，/>
Figure QLYQS_15
为衰减率序列中X射线衰减率的数量，/>
Figure QLYQS_16
为衰减率序列中第/>
Figure QLYQS_17
个X射线衰减率，/>
Figure QLYQS_18
为衰减率序列中最大值，/>
Figure QLYQS_19
为衰减率序列中最小值。
8.根据权利要求4所述的基于X射线的物品类别识别方法，其特征在于，所述物品类别识别模型为：
Figure QLYQS_22
其中，/>
Figure QLYQS_26
为物品类别识别模型的输出，/>
Figure QLYQS_32
为双曲正切函数，/>
Figure QLYQS_21
为第/>
Figure QLYQS_24
个特征，/>
Figure QLYQS_28
时，/>
Figure QLYQS_31
为衰减率分布特征，/>
Figure QLYQS_20
时，/>
Figure QLYQS_27
为衰减率峰值特征，/>
Figure QLYQS_30
时，/>
Figure QLYQS_33
为衰减率波动特征，/>
Figure QLYQS_23
为第/>
Figure QLYQS_25
个权重，/>
Figure QLYQS_29
为偏置。
9.根据权利要求8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中对物品类别识别模型进行训练时，采用的损失函数为：
Figure QLYQS_45
其中，/>
Figure QLYQS_36
为损失函数，
Figure QLYQS_41
为双曲正切函数，/>
Figure QLYQS_49
为物品类别识别模型的输出，/>
Figure QLYQS_52
为物品类别标签，/>
Figure QLYQS_50
为调节系数；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：
Figure QLYQS_53
Figure QLYQS_42
Figure QLYQS_46
其中，/>
Figure QLYQS_35
为第/>
Figure QLYQS_38
次训练时的权重，/>
Figure QLYQS_37
为第/>
Figure QLYQS_39
次训练时的权重，/>
Figure QLYQS_43
为损失函数，/>
Figure QLYQS_47
为下降速度因子，/>
Figure QLYQS_40
为上升速度因子，/>
Figure QLYQS_44
为固定常数，/>
Figure QLYQS_48
为物品类别识别模型的输出，/>
Figure QLYQS_51
为物品类别标签，/>
Figure QLYQS_34
为偏导运算。
10.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S4中原子序数转换为颜色的公式为：
Figure QLYQS_55
Figure QLYQS_60
Figure QLYQS_64
其中，/>
Figure QLYQS_57
为转换后的R通道值，/>
Figure QLYQS_59
为转换后的G通道值，/>
Figure QLYQS_63
为转换后的B通道值，/>
Figure QLYQS_67
为R通道初值，/>
Figure QLYQS_54
为G通道初值，/>
Figure QLYQS_61
为B通道初值，/>
Figure QLYQS_65
为原子序数，/>
Figure QLYQS_68
为原子序数阈值，/>
Figure QLYQS_56
为R通道最大值，/>
Figure QLYQS_58
为B通道最大值，/>
Figure QLYQS_62
为固定常数，/>
Figure QLYQS_66
为反正切函数。
CN202310671749.8A 2023-06-08 2023-06-08 一种基于x射线的物品类别识别方法 Active CN116401587B (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (13)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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