CN116682063A - 一种爆炸物信息三维比对分析方法 - Google Patents
一种爆炸物信息三维比对分析方法 Download PDFInfo
- Publication number
- CN116682063A CN116682063A CN202310682464.4A CN202310682464A CN116682063A CN 116682063 A CN116682063 A CN 116682063A CN 202310682464 A CN202310682464 A CN 202310682464A CN 116682063 A CN116682063 A CN 116682063A
- Authority
- CN
- China
- Prior art keywords
- dangerous
- detection time
- time period
- package
- target
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 40
- 239000002360 explosive Substances 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 192
- 238000000034 method Methods 0.000 claims description 34
- 238000007689 inspection Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 8
- 239000000463 material Substances 0.000 description 5
- 206010000369 Accident Diseases 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000004899 motility Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V20/64—Three-dimensional objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Computer Security & Cryptography (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及爆炸物信息比对技术领域,具体公开一种爆炸物信息三维比对分析方法,该方法包括:S1.输送包裹检测、S2.输送包裹分析、S3.输送包裹危险性判断、S4.危险物品处理、S5.危险物品关联人员分析和S6.关联人员相关信息处理,本发明弥补了现有技术中对包裹内部物品表观材质关注度不高的缺陷,进而在一定程度上提高了机场爆炸品检测的准确性,降低了飞机事故的发生率,本发明将危险物品自动推送到防爆区域内,一方面提高了机场的相关收益,另一方面克服了工作人员主观能动性的缺陷,降低对工作人员的生命安全危害,本发明弥补了现有技术中工作人员通过监控溯源的缺陷,进而在进行相关人员排查时降低资源的浪费。
Description
技术领域
本发明涉及爆炸物信息比对技术领域,具体而言,涉及一种爆炸物信息三维比对分析方法。
背景技术
机场安检是一个非常重要的环节,机场安检是保护乘客和机组人员安全的第一道防线,通过对所有搭乘商业航班的乘客进行检查,确保任何危险物品都不会通过安检点,从而防止恐怖袭击和非法行为发生,机场安检可以帮助预防空难事故,这些事故可能是由于危险品在高空引起的火灾或爆炸等安全问题造成的,通过机场安检,可以防止危险品被带上飞机,并规范堆放和携带物品的要求,降低事故风险,在众多危险品中,爆炸物品具有强烈的破坏性,若检测不准确,则影响后续飞机和机场的安全性,因此,对机场进行爆炸物检测是极其有必要的。
现有的机场安检在爆炸物品检测方面可以满足基本要求,但是还存在一定的缺陷,其具体体现在以下几个层面:(1)现有机场安检在爆炸物品检测时对包裹内部物品表观材质的关注度不高,进而在一定程度上降低了机场爆炸物品检测的准确性,从而提高了飞机事故的发生率,增加空难的发生率,不利于机场相关行业的长期可持续发展。
(2)现有机场安检在检测到包裹内部疑似含有爆炸物时,大多是由工作人员佩戴防爆装置进行后续处理,一方面提高机场安检的维护成本,在一定程度上降低机场的相关收益,另一方面由于工作人员的操作具有主观判断性,可能存在对爆炸物品处理不适宜的现象,对工作人员的生命安全危害较大。
(3)现有机场安检在对危险包裹进行溯源时,大多需要工作人员通过监控溯源,由于工作人员存在一定的主观性,且该方法较为缓慢,进而在一定程度山延长了危险包裹的溯源时长,从而在进行相关人员排查时浪费较多的资源,降低了危险包裹分析的价值性,从而对相关航空公司造成不利的声誉影响。
发明内容
为了克服背景技术中的缺点,本发明实施例提供了一种爆炸物信息三维比对分析方法,能够有效解决上述背景技术中涉及的问题。
本发明的目的可以通过以下技术方案来实现:一种爆炸物信息三维比对分析方法,包括:S1.输送包裹检测:在安检输送机进行包裹输送时,对各输送包裹进行检测,进而得到各检测时间段内所属各输送包裹的图像。
S2.输送包裹分析:依据各检测时间段内所属各输送包裹的图像分析各检测时间段所属各输送包裹对应各物体与各危险物品对应的初始相似系数,进而筛选各检测时间段所属各待解析包裹,并获取其对应的各目标物体,从而获取各检测时间段所属各待解析包裹对应各目标物体的各目标危险物品,从而分析各检测时间段所属各待解析包裹的各目标物体与指定危险物品的相似评估指数。
S3.输送包裹危险性判断:判断各检测时间段所属各待解析包裹是否属于危险物品,进而得到各检测时间段所属的各目标待处理危险包裹。
S4.危险物品处理:分析各检测时间段所属的各目标待处理危险包裹对应的预计到达时间点,并将各检测时间段所属各目标待处理危险包裹在预计到达时间点推送到对应的防爆区域。
S5.危险物品关联人员分析:依据各检测时间段所属的各目标待处理危险包裹分析各检测时间段所属各目标待处理危险包裹对应各关联人员的人脸图像和全流程流动视频。
S6.关联人员相关信息处理,将各检测时间段所属各目标待处理危险包裹对应各关联人员的人脸图像和全流程流动视频进行显示。
作为一种优选的方案,所述分析各检测时间段所属各输送包裹对应各物体与各危险物品对应的初始相似系数,其具体方法为:依据各检测时间段内所属各输送包裹的图像获取各检测时间段内所属各输送包裹对应各物体的轮廓。
从云数据库中提取各危险物品对应的图像,并获取各危险物品对应的轮廓。
将各检测时间段内所属各输送包裹对应各物体的轮廓与各危险物品对应的轮廓进行重合对比,进而得到各检测时间段内所属各输送包裹对应各物体与各危险物品的重合体积其中i表示为各检测时间段的编号,i=1,2,...,n,m表示为各输送包裹的编号,m=1,2,...,l,p表示为各物体的编号,p=1,2,...,q,k表示为各危险物品的编号,k=1,2,...,j。
从云数据库中提取各危险物品对应的图像,进而获取各危险物品对应的尺寸信息,并将各危险物品的长度、宽度、高度和体积分别标记为C′k、K′k、G′k和V′k。
分析各检测时间段所属各输送包裹对应各物体与各危险物品对应的初始相似系数其中/>为第i个检测时间段所属第m个输送包裹的第p个物体与第k个危险物品对应的尺寸相似系数,γ1、γ2分别表示为预设的物体与危险物品对应尺寸相似、轮廓相似的占比因子。
作为一种优选的方案,所述各检测时间段所属各输送包裹的各物体与各危险物品对应的尺寸相似系数,其具体分析方法为:依据各检测时间段内所属各输送包裹的图像获取各检测时间段内所属各输送包裹对应各物体的尺寸信息,其中尺寸信息包括长度宽度/>高度/>和体积/>
分析各检测时间段所属各输送包裹的各物体与各危险物品对应的尺寸相似系数其中 其中λ1、λ2、λ3、λ4分别表示为预设的长度相似、宽度相似、高度相似和体积相似对应的权重影响因子。
作为一种优选的方案,所述各检测时间段所属各待解析包裹的各目标物体与指定危险物品的相似评估指数,其具体方法为:依据各检测时间段所属各输送包裹对应各物体与各危险物品对应的初始相似系数分析各检测时间段所属各待解析包裹的各目标物体对应的指定危险物品。
从云数据库中提取各危险物品对应的表观图像,并从中随机选取各灰度值,进而据此构建各危险物品对应的表观参考灰度值范围,从而获取各检测时间段所属各待解析包裹的各目标物体对应指定危险物品的表观参考灰度值范围。
获取各检测时间段所属各待解析包裹对应各目标物体的各灰度值,分析各检测时间段所属各待解析包裹的各目标物体对应各表观灰度值区域的面积。
将各检测时间段所属各待解析包裹的各目标物体对应各表观灰度值区域的面积进行汇总,进而得到各检测时间段所属各待解析包裹的各目标物体对应的表观灰度值区域的总面积其中h表示为各待解析包裹的编号,h=1,2,...,g,f表示为各目标物体的编号,m=1,2,...,l。
获取各检测时间段所属各待解析包裹的各目标物体对应的表面积
分析各检测时间段所属各待解析包裹的各目标物体与指定危险物品的相似评估指数其中e为自然常数,χ1表示为预设的表观灰度相似对应的修正因子。
作为一种优选的方案,所述各检测时间段所属各待解析包裹的各目标物体对应的指定危险物品,其具体分析方法为:依据各检测时间段所属各输送包裹对应各物体与各危险物品的初始相似系数获取各检测时间段所属各待解析包裹的各目标物体与各目标危险物品的初始相似系数,进而筛选最大初始相似系数对应的目标危险物品,并将其作为指定危险物品,进而得到各检测时间段所属各待解析包裹的各目标物体对应的指定危险物品。
作为一种优选的方案,所述判断各检测时间段所属各待解析包裹是否属于危险物品,进而得到各检测时间段所属的各目标待处理危险包裹,其具体判断方法为:将各检测时间段所属各待解析包裹的各目标物体与指定危险物品的相似评估指数与预定义的相似评估指数阈值进行对比,若某检测时间段所属某待解析包裹的某目标物体与指定危险物品的相似评估指数大于或等于相似评估指数阈值,则将该待解析包裹标记为目标待处理危险包裹,进而得到各检测时间段所属的各目标待处理危险包裹。
作为一种优选的方案,所述各检测时间段所属的各目标待处理危险包裹对应的预计到达时间点,其具体分析方法为:以安检输送机的长边为x轴,以安检输送机的短边为y轴建立二维直角坐标系,进而获取各检测时间段所属各目标待处理危险包裹对应中心点的坐标。
在安检输送机输送终端对应边界上随机选取一点,将其标记为参照点,进而获取参照点对应的x轴坐标值。
将各检测时间段所属各目标待处理危险包裹对应中心点坐标中的x轴坐标值减去参照点对应的x轴坐标值,进而得到各检测时间段所属各目标待处理危险包裹与安检输送机输送终端的x轴偏差值,并将其作为各检测时间段所属各目标待处理危险包裹对应的预计输送距离。
将各检测时间段所属的各目标待处理危险包裹对应的预计输送距离除以云数据库中存储的传送带对应的输送速度,进而得到各检测时间段所属的各目标待处理危险包裹对应的预计输送时长。
依据各检测时间段所属的各目标待处理危险包裹对应的预计输送时长和当前时间点获取各检测时间段所属的各目标待处理危险包裹对应的预计到达时间点。
作为一种优选的方案,所述各检测时间段所属各目标待处理危险包裹对应各关联人员的人脸图像和全流程流动视频,其具体分析方法为:从监控视频中获取各检测时间段所属的各目标待处理危险包裹的全流程视频,进而从监控视频中获取各检测时间段所属的各目标待处理危险包裹对应的首次携带人员、最终放置人员和中途接触人员,并将其标记为各关联人员,进而获取各关联人员的人脸图像,并获取各关联人员对应的全流程流动视频,进而得到各检测时间段所属各目标待处理危险包裹对应各关联人员的人脸图像和全流程流动视频。
相对于现有技术,本发明的实施例至少具有如下优点或有益效果:(1)本发明在输送包裹检测中对输送包裹进行检测,进而得到输送包裹的图像,为后续输送包裹与危险物品的相似评定奠定了基础。
(2)本发明在输送包裹分析中对输送包裹与危险物品的相似进行分析,并利用包裹表观灰度值对包裹内部物品表观材质进行分析,弥补了现有技术中对包裹内部物品表观材质关注度不高的缺陷,进而在一定程度上提高了机场爆炸品检测的准确性,降低了飞机事故的发生率,有利于机场相关行业的长期可持续发展。
(3)本发明在输送包裹危险性判断中对输送包裹的危险性进行判定,进而为后续危险物品的处理提供了数据支持。
(4)本发明在危险物品处理中将危险物品自动推送到防爆区域内,一方面降低了机场安检的维护成本,在一定程度上提高机场的相关收益,另一方面克服了工作人员主观能动性的缺陷,进而避免出现爆炸物品处理不适宜的现象,降低对工作人员的生命安全危害。
(5)本发明在危险物品关联人员分析中从监控视频中对危险包裹进行追踪,弥补了现有技术中工作人员通过监控溯源的缺陷,进而缩短了危险包裹的溯源时长,从而在进行相关人员排查时降低资源的浪费,提高了危险包裹分析的价值性,从而降低相关航空公司的声誉影响。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1为本发明的方法流程图。
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。基于本发明中的实施例,本领域普通技术人员在没有做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。
参照图1所示,本发明提供一种爆炸物信息三维比对分析方法,包括:S1.输送包裹检测:在安检输送机进行包裹输送时,对各输送包裹进行检测,进而得到各检测时间段内所属各输送包裹的图像。
本发明在输送包裹检测中对输送包裹进行检测,进而得到输送包裹的图像,为后续输送包裹与危险物品的相似评定奠定了基础。
S2.输送包裹分析:依据各检测时间段内所属各输送包裹的图像分析各检测时间段所属各输送包裹对应各物体与各危险物品对应的初始相似系数,进而筛选各检测时间段所属各待解析包裹,并获取其对应的各目标物体,从而获取各检测时间段所属各待解析包裹对应各目标物体的各目标危险物品,从而分析各检测时间段所属各待解析包裹的各目标物体与指定危险物品的相似评估指数。
在本发明的具体实施例中,所述分析各检测时间段所属各输送包裹对应各物体与各危险物品对应的初始相似系数,其具体方法为:依据各检测时间段内所属各输送包裹的图像获取各检测时间段内所属各输送包裹对应各物体的轮廓。
从云数据库中提取各危险物品对应的图像,并获取各危险物品对应的轮廓。
将各检测时间段内所属各输送包裹对应各物体的轮廓与各危险物品对应的轮廓进行重合对比,进而得到各检测时间段内所属各输送包裹对应各物体与各危险物品的重合体积其中i表示为各检测时间段的编号,i=1,2,...,n,m表示为各输送包裹的编号,m=1,2,...,l,p表示为各物体的编号,p=1,2,...,q,k表示为各危险物品的编号,k=1,2,...,j。
从云数据库中提取各危险物品对应的图像,进而获取各危险物品对应的尺寸信息,并将各危险物品的长度、宽度、高度和体积分别标记为C′k、K′k、G′k和V′k。
分析各检测时间段所属各输送包裹对应各物体与各危险物品对应的初始相似系数其中/>为第i个检测时间段所属第m个输送包裹的第p个物体与第k个危险物品对应的尺寸相似系数,γ1、γ2分别表示为预设的物体与危险物品对应尺寸相似、轮廓相似的占比因子。
在本发明的具体实施例中,所述各检测时间段所属各输送包裹的各物体与各危险物品对应的尺寸相似系数,其具体分析方法为:依据各检测时间段内所属各输送包裹的图像获取各检测时间段内所属各输送包裹对应各物体的尺寸信息,其中尺寸信息包括长度宽度/>高度/>和体积/>
分析各检测时间段所属各输送包裹的各物体与各危险物品对应的尺寸相似系数其中
其中λ1、λ2、λ3、λ4分别表示为预设的长度相似、宽度相似、高度相似和体积相似对应的权重影响因子。
在本发明的具体实施例中,所述各检测时间段所属各待解析包裹的各目标物体与指定危险物品的相似评估指数,其具体方法为:依据各检测时间段所属各输送包裹对应各物体与各危险物品对应的初始相似系数分析各检测时间段所属各待解析包裹的各目标物体对应的指定危险物品。
从云数据库中提取各危险物品对应的表观图像,并从中随机选取各灰度值,进而据此构建各危险物品对应的表观参考灰度值范围,从而获取各检测时间段所属各待解析包裹的各目标物体对应指定危险物品的表观参考灰度值范围。
获取各检测时间段所属各待解析包裹对应各目标物体的各灰度值,分析各检测时间段所属各待解析包裹的各目标物体对应各表观灰度值区域的面积。
需要说明的是,将各检测时间段所属各待解析包裹的各目标物体的各灰度值与指定危险物品的与表观参考灰度值范围进行对比,若某灰度值处于表观参考灰度值范围内,则将该灰度值标记为表观灰度值,并获取表观灰度值对应的区域,将其标记为表观灰度值区域,并获取表观灰度值区域的面积,进而得到各检测时间段所属各待解析包裹的各目标物体对应各表观灰度值区域的面积
将各检测时间段所属各待解析包裹的各目标物体对应各表观灰度值区域的面积进行汇总,进而得到各检测时间段所属各待解析包裹的各目标物体对应的表观灰度值区域的总面积其中h表示为各待解析包裹的编号,h=1,2,...,g,f表示为各目标物体的编号,m=1,2,...,l。
获取各检测时间段所属各待解析包裹的各目标物体对应的表面积
分析各检测时间段所属各待解析包裹的各目标物体与指定危险物品的相似评估指数其中e为自然常数,χ1表示为预设的表观灰度相似对应的修正因子。
在本发明的具体实施例中,所述各检测时间段所属各待解析包裹的各目标物体对应的指定危险物品,其具体分析方法为:依据各检测时间段所属各输送包裹对应各物体与各危险物品的初始相似系数获取各检测时间段所属各待解析包裹的各目标物体与各目标危险物品的初始相似系数,进而筛选最大初始相似系数对应的目标危险物品,并将其作为指定危险物品,进而得到各检测时间段所属各待解析包裹的各目标物体对应的指定危险物品。
需要说明的是,所述筛选各检测时间段所属各待解析包裹,并获取其对应的各目标物体,从而获取各检测时间段所属各待解析包裹对应各目标物体的各目标危险物品,其具体方法为:将各检测时间段所属各输送包裹对应各物体与各危险物品的初始相似系数与预设的初始相似系数阈值进行对比,若某检测时间段所属某输送包裹对应某物体与某危险物品的初始相似系数大于或等于初始相似系数阈值,则将该输送包裹标记为待解析包裹,将该物体标记为目标物体,并将该危险物品标记为目标危险物品,进而得到各检测时间段所属各待解析包裹的各目标物体对应的各目标危险物品。
本发明在输送包裹分析中对输送包裹与危险物品的相似进行分析,并利用包裹表观灰度值对包裹内部物品表观材质进行分析,弥补了现有技术中对包裹内部物品表观材质关注度不高的缺陷,进而在一定程度上提高了机场爆炸品检测的准确性,降低了飞机事故的发生率,有利于机场相关行业的长期可持续发展。
S3.输送包裹危险性判断:判断各检测时间段所属各待解析包裹是否属于危险物品,进而得到各检测时间段所属的各目标待处理危险包裹。
在本发明的具体实施例中,所述判断各检测时间段所属各待解析包裹是否属于危险物品,进而得到各检测时间段所属的各目标待处理危险包裹,其具体判断方法为:将各检测时间段所属各待解析包裹的各目标物体与指定危险物品的相似评估指数与预定义的相似评估指数阈值进行对比,若某检测时间段所属某待解析包裹的某目标物体与指定危险物品的相似评估指数大于或等于相似评估指数阈值,则将该待解析包裹标记为目标待处理危险包裹,进而得到各检测时间段所属的各目标待处理危险包裹。
本发明在输送包裹危险性判断中对输送包裹的危险性进行判定,进而为后续危险物品的处理提供了数据支持。
S4.危险物品处理:分析各检测时间段所属的各目标待处理危险包裹对应的预计到达时间点,并将各检测时间段所属各目标待处理危险包裹在预计到达时间点推送到对应的防爆区域。
在本发明的具体实施例中,所述各检测时间段所属的各目标待处理危险包裹对应的预计到达时间点,其具体分析方法为:以安检输送机的长边为x轴,以安检输送机的短边为y轴建立二维直角坐标系,进而获取各检测时间段所属各目标待处理危险包裹对应中心点的坐标。
在安检输送机输送终端对应边界上随机选取一点,将其标记为参照点,进而获取参照点对应的x轴坐标值。
将各检测时间段所属各目标待处理危险包裹对应中心点坐标中的x轴坐标值减去参照点对应的x轴坐标值,进而得到各检测时间段所属各目标待处理危险包裹与安检输送机输送终端的x轴偏差值,并将其作为各检测时间段所属各目标待处理危险包裹对应的预计输送距离。
将各检测时间段所属的各目标待处理危险包裹对应的预计输送距离除以云数据库中存储的传送带对应的输送速度,进而得到各检测时间段所属的各目标待处理危险包裹对应的预计输送时长。
依据各检测时间段所属的各目标待处理危险包裹对应的预计输送时长和当前时间点获取各检测时间段所属的各目标待处理危险包裹对应的预计到达时间点。
需要说明的是,将各检测时间段所属的各目标待处理危险包裹对应的预计输送时长加上当前时间点,进而得到各检测时间段所属的各目标待处理危险包裹对应的预计到达时间点。
本发明在危险物品处理中将危险物品自动推送到防爆区域内,一方面降低了机场安检的维护成本,在一定程度上提高机场的相关收益,另一方面克服了工作人员主观能动性的缺陷,进而避免出现爆炸物品处理不适宜的现象,降低对工作人员的生命安全危害。
S5.危险物品关联人员分析:依据各检测时间段所属的各目标待处理危险包裹分析各检测时间段所属各目标待处理危险包裹对应各关联人员的人脸图像和全流程流动视频。
在本发明的具体实施例中,所述各检测时间段所属各目标待处理危险包裹对应各关联人员的人脸图像和全流程流动视频,其具体分析方法为:从监控视频中获取各检测时间段所属的各目标待处理危险包裹的全流程视频,进而从监控视频中获取各检测时间段所属的各目标待处理危险包裹对应的首次携带人员、最终放置人员和中途接触人员,并将其标记为各关联人员,进而获取各关联人员的人脸图像,并获取各关联人员对应的全流程流动视频,进而得到各检测时间段所属各目标待处理危险包裹对应各关联人员的人脸图像和全流程流动视频。
需要说明的是,从监控视频中对各检测时间段所属各目标待处理危险包裹进行特征识别,进而得到各检测时间段所属的各目标待处理危险包裹的全流程视频。
本发明在危险物品关联人员分析中从监控视频中对危险包裹进行追踪,弥补了现有技术中工作人员通过监控溯源的缺陷,进而缩短了危险包裹的溯源时长,从而在进行相关人员排查时降低资源的浪费,提高了危险包裹分析的价值性,从而降低相关航空公司的声誉影响。
S6.关联人员相关信息处理,将各检测时间段所属各目标待处理危险包裹对应各关联人员的人脸图像和全流程流动视频进行显示。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本发明所定义的范围,均应属于本发明的保护范围。
Claims (8)
1.一种爆炸物信息三维比对分析方法,其特征在于,包括:
S1.输送包裹检测:在安检输送机进行包裹输送时,对各输送包裹进行检测,进而得到各检测时间段内所属各输送包裹的图像;
S2.输送包裹分析:依据各检测时间段内所属各输送包裹的图像分析各检测时间段所属各输送包裹对应各物体与各危险物品对应的初始相似系数,进而筛选各检测时间段所属各待解析包裹,并获取其对应的各目标物体,从而获取各检测时间段所属各待解析包裹对应各目标物体的各目标危险物品,从而分析各检测时间段所属各待解析包裹的各目标物体与指定危险物品的相似评估指数;
S3.输送包裹危险性判断:判断各检测时间段所属各待解析包裹是否属于危险物品,进而得到各检测时间段所属的各目标待处理危险包裹;
S4.危险物品处理:分析各检测时间段所属的各目标待处理危险包裹对应的预计到达时间点,并将各检测时间段所属各目标待处理危险包裹在预计到达时间点推送到对应的防爆区域;
S5.危险物品关联人员分析:依据各检测时间段所属的各目标待处理危险包裹分析各检测时间段所属各目标待处理危险包裹对应各关联人员的人脸图像和全流程流动视频;
S6.关联人员相关信息处理,将各检测时间段所属各目标待处理危险包裹对应各关联人员的人脸图像和全流程流动视频进行显示。
2.根据权利要求1所述的一种爆炸物信息三维比对分析方法,其特征在于:所述分析各检测时间段所属各输送包裹对应各物体与各危险物品对应的初始相似系数,其具体方法为:
依据各检测时间段内所属各输送包裹的图像获取各检测时间段内所属各输送包裹对应各物体的轮廓;
从云数据库中提取各危险物品对应的图像,并获取各危险物品对应的轮廓;
将各检测时间段内所属各输送包裹对应各物体的轮廓与各危险物品对应的轮廓进行重合对比,进而得到各检测时间段内所属各输送包裹对应各物体与各危险物品的重合体积其中i表示为各检测时间段的编号,i=1,2,...,n,m表示为各输送包裹的编号,m=1,2,...,l,p表示为各物体的编号,p=1,2,...,q,k表示为各危险物品的编号,k=1,2,...,j;
从云数据库中提取各危险物品对应的图像,进而获取各危险物品对应的尺寸信息,并将各危险物品的长度、宽度、高度和体积分别标记为C′k、K′k、G′k和V′k;
分析各检测时间段所属各输送包裹对应各物体与各危险物品对应的初始相似系数其中/>为第i个检测时间段所属第m个输送包裹的第p个物体与第k个危险物品对应的尺寸相似系数,γ1、γ2分别表示为预设的物体与危险物品对应尺寸相似、轮廓相似的占比因子。
3.根据权利要求2所述的一种爆炸物信息三维比对分析方法,其特征在于:所述各检测时间段所属各输送包裹的各物体与各危险物品对应的尺寸相似系数,其具体分析方法为:
依据各检测时间段内所属各输送包裹的图像获取各检测时间段内所属各输送包裹对应各物体的尺寸信息,其中尺寸信息包括长度宽度/>高度/>和体积/>
分析各检测时间段所属各输送包裹的各物体与各危险物品对应的尺寸相似系数其中 其中λ1、λ2、λ3、λ4分别表示为预设的长度相似、宽度相似、高度相似和体积相似对应的权重影响因子。
4.根据权利要求1所述的一种爆炸物信息三维比对分析方法,其特征在于:所述各检测时间段所属各待解析包裹的各目标物体与指定危险物品的相似评估指数,其具体方法为:
依据各检测时间段所属各输送包裹对应各物体与各危险物品对应的初始相似系数分析各检测时间段所属各待解析包裹的各目标物体对应的指定危险物品;
从云数据库中提取各危险物品对应的表观图像,并从中随机选取各灰度值,进而据此构建各危险物品对应的表观参考灰度值范围,从而获取各检测时间段所属各待解析包裹的各目标物体对应指定危险物品的表观参考灰度值范围;
获取各检测时间段所属各待解析包裹对应各目标物体的各灰度值,分析各检测时间段所属各待解析包裹的各目标物体对应各表观灰度值区域的面积;
将各检测时间段所属各待解析包裹的各目标物体对应各表观灰度值区域的面积进行汇总,进而得到各检测时间段所属各待解析包裹的各目标物体对应的表观灰度值区域的总面积其中h表示为各待解析包裹的编号,h=1,2,...,g,f表示为各目标物体的编号,m=1,2,...,l;
获取各检测时间段所属各待解析包裹的各目标物体对应的表面积
分析各检测时间段所属各待解析包裹的各目标物体与指定危险物品的相似评估指数其中e为自然常数,χ1表示为预设的表观灰度相似对应的修正因子。
5.根据权利要求4所述的一种爆炸物信息三维比对分析方法,其特征在于:所述各检测时间段所属各待解析包裹的各目标物体对应的指定危险物品,其具体分析方法为:依据各检测时间段所属各输送包裹对应各物体与各危险物品的初始相似系数获取各检测时间段所属各待解析包裹的各目标物体与各目标危险物品的初始相似系数,进而筛选最大初始相似系数对应的目标危险物品,并将其作为指定危险物品,进而得到各检测时间段所属各待解析包裹的各目标物体对应的指定危险物品。
6.根据权利要求1所述的一种爆炸物信息三维比对分析方法,其特征在于:所述判断各检测时间段所属各待解析包裹是否属于危险物品,进而得到各检测时间段所属的各目标待处理危险包裹,其具体判断方法为:将各检测时间段所属各待解析包裹的各目标物体与指定危险物品的相似评估指数与预定义的相似评估指数阈值进行对比,若某检测时间段所属某待解析包裹的某目标物体与指定危险物品的相似评估指数大于或等于相似评估指数阈值,则将该待解析包裹标记为目标待处理危险包裹,进而得到各检测时间段所属的各目标待处理危险包裹。
7.根据权利要求1所述的一种爆炸物信息三维比对分析方法,其特征在于:所述各检测时间段所属的各目标待处理危险包裹对应的预计到达时间点,其具体分析方法为:
以安检输送机的长边为x轴,以安检输送机的短边为y轴建立二维直角坐标系,进而获取各检测时间段所属各目标待处理危险包裹对应中心点的坐标;
在安检输送机输送终端对应边界上随机选取一点,将其标记为参照点,进而获取参照点对应的x轴坐标值;
将各检测时间段所属各目标待处理危险包裹对应中心点坐标中的x轴坐标值减去参照点对应的x轴坐标值,进而得到各检测时间段所属各目标待处理危险包裹与安检输送机输送终端的x轴偏差值,并将其作为各检测时间段所属各目标待处理危险包裹对应的预计输送距离;
将各检测时间段所属的各目标待处理危险包裹对应的预计输送距离除以云数据库中存储的传送带对应的输送速度,进而得到各检测时间段所属的各目标待处理危险包裹对应的预计输送时长;
依据各检测时间段所属的各目标待处理危险包裹对应的预计输送时长和当前时间点获取各检测时间段所属的各目标待处理危险包裹对应的预计到达时间点。
8.根据权利要求1所述的一种爆炸物信息三维比对分析方法,其特征在于:所述各检测时间段所属各目标待处理危险包裹对应各关联人员的人脸图像和全流程流动视频,其具体分析方法为:从监控视频中获取各检测时间段所属的各目标待处理危险包裹的全流程视频,进而从监控视频中获取各检测时间段所属的各目标待处理危险包裹对应的首次携带人员、最终放置人员和中途接触人员,并将其标记为各关联人员,进而获取各关联人员的人脸图像,并获取各关联人员对应的全流程流动视频,进而得到各检测时间段所属各目标待处理危险包裹对应各关联人员的人脸图像和全流程流动视频。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310682464.4A CN116682063A (zh) | 2023-06-09 | 2023-06-09 | 一种爆炸物信息三维比对分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310682464.4A CN116682063A (zh) | 2023-06-09 | 2023-06-09 | 一种爆炸物信息三维比对分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116682063A true CN116682063A (zh) | 2023-09-01 |
Family
ID=87790492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310682464.4A Pending CN116682063A (zh) | 2023-06-09 | 2023-06-09 | 一种爆炸物信息三维比对分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116682063A (zh) |
-
2023
- 2023-06-09 CN CN202310682464.4A patent/CN116682063A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Development of crack detection system with unmanned aerial vehicles and digital image processing | |
WO2020173021A1 (zh) | 一种基于人工智能的违禁物识别方法、装置、设备和存储介质 | |
CN105809091B (zh) | 检查方法和系统 | |
CN109074889A (zh) | 用于检测货物中的危险品和违禁品的系统和方法 | |
CN109458978B (zh) | 一种基于多尺度检测算法的天线下倾角测量方法 | |
US20190339070A1 (en) | System and method for validating physical-item security | |
CN114612048B (zh) | 一种集装箱货物理货监测分析方法及存储介质 | |
CN112371540A (zh) | 一种可实现违禁品自动分拣的安检系统 | |
CN114160447B (zh) | 一种先期机检系统及方法 | |
CN115456963A (zh) | 一种基于视觉识别的料场皮带跑偏检测方法及系统 | |
Saeed | Unmanned aerial vehicle for automatic detection of concrete crack using deep learning | |
CN116682063A (zh) | 一种爆炸物信息三维比对分析方法 | |
WO2017101514A1 (zh) | 检查货物的方法、系统和装置 | |
CN106529784A (zh) | 风险监测信息系统中样品合格的判定方法以及装置 | |
CN110992324B (zh) | 一种基于x射线图像的智能危险品检测方法及系统 | |
CN110705552B (zh) | 行李托盘识别方法及装置 | |
CN114140044A (zh) | 一种货物多维度数据分析方法 | |
CN116563628A (zh) | 安检判图识别方法、装置、设备及存储介质 | |
US20190279153A1 (en) | Multi-threat maritime detection system | |
CN115218790A (zh) | 棒材检测方法、装置和系统 | |
CN112633286B (zh) | 一种基于危险品相似率和识别概率的智能安检系统 | |
Li et al. | Computer vision based conveyor belt congestion recognition in logistics industrial parks | |
CN110969559B (zh) | 一种基于阈值体系的危险品识别方法及系统 | |
CN113420851A (zh) | 行李监管系统及方法 | |
CN113239832A (zh) | 基于图像识别的隐患智能识别方法及系统 |
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 |