CN116958646B - 基于x光图像的违禁物品检测方法 - Google Patents
基于x光图像的违禁物品检测方法 Download PDFInfo
- Publication number
- CN116958646B CN116958646B CN202310690253.5A CN202310690253A CN116958646B CN 116958646 B CN116958646 B CN 116958646B CN 202310690253 A CN202310690253 A CN 202310690253A CN 116958646 B CN116958646 B CN 116958646B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- detection
- area
- candidate pixel
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 306
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000009432 framing Methods 0.000 claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims description 20
- 238000003709 image segmentation Methods 0.000 claims description 14
- 239000013626 chemical specie Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 35
- 238000003066 decision tree Methods 0.000 description 20
- 238000012549 training Methods 0.000 description 20
- 239000000126 substance Substances 0.000 description 19
- 238000007689 inspection Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 239000000843 powder Substances 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000004880 explosion Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 239000002360 explosive Substances 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000003721 gunpowder Substances 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 238000004040 coloring Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000007800 oxidant agent Substances 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001590 oxidative effect Effects 0.000 description 2
- FGIUAXJPYTZDNR-UHFFFAOYSA-N potassium nitrate Chemical compound [K+].[O-][N+]([O-])=O FGIUAXJPYTZDNR-UHFFFAOYSA-N 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 239000011593 sulfur Substances 0.000 description 2
- 229910052717 sulfur Inorganic materials 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- XTEGARKTQYYJKE-UHFFFAOYSA-M Chlorate Chemical class [O-]Cl(=O)=O XTEGARKTQYYJKE-UHFFFAOYSA-M 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 159000000009 barium salts Chemical class 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003610 charcoal Substances 0.000 description 1
- 229910052729 chemical element Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001879 copper Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- VHHHONWQHHHLTI-UHFFFAOYSA-N hexachloroethane Chemical compound ClC(Cl)(Cl)C(Cl)(Cl)Cl VHHHONWQHHHLTI-UHFFFAOYSA-N 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 239000011812 mixed powder Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 150000002823 nitrates Chemical class 0.000 description 1
- 229920000915 polyvinyl chloride Polymers 0.000 description 1
- 239000004800 polyvinyl chloride Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 235000010333 potassium nitrate Nutrition 0.000 description 1
- 239000004323 potassium nitrate Substances 0.000 description 1
- RBGOCSKFMWMTRZ-UHFFFAOYSA-M potassium picrate Chemical compound [K+].[O-]C1=C([N+]([O-])=O)C=C([N+]([O-])=O)C=C1[N+]([O-])=O RBGOCSKFMWMTRZ-UHFFFAOYSA-M 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 159000000000 sodium salts Chemical class 0.000 description 1
- 159000000008 strontium salts Chemical class 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
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明提供一种基于X光图像的违禁物品检测方法,包括:获取待检测X光图像和对应的等效原子序数图像;将待检测X光图像输入特征单元检测模型得到第一检测图像;当第一检测图像包括至少一个用于表征违禁物品基本单元的目标特征单元时,基于待检测X光图像和各目标特征单元确定第二检测图像;第二检测图像包括各目标特征单元对应的候选像素区域;候选像素区域内的各像素点均为预测的表征违禁物品基本单元的像素点;基于等效原子序数图像,在所有候选像素区域中确定至少一个目标候选像素区域;将包括至少一个目标候选像素区域的第三检测图像输入霍夫森林模型,得到包括框选各违禁物品的目标区域的第四检测图像。本方法能提高检测的准确度。
Description
技术领域
本发明涉及安全检查技术领域,尤其涉及一种基于X光图像的违禁物品检测方法。
背景技术
在一些公共场所中,需要对人员携带的物品进行安全检查,以防止人员携带违禁物品进入场所内对公众的安全造成损害。例如,在乘坐公共交通工具前,乘客需要将随身携带的箱包送入X光安检机中扫描,安检人员利用扫描得到的X光图像对箱包内的物品进行检测,确认乘客是否携带了违禁物品。
相关技术中,基于X光图像对箱包内的物品进行检测时,会使用经过训练的图像识别模型进行检测。图像识别模型是基于大量的样本图像,通过学习违禁物品的图像形状特征训练后得到的模型。图像识别模型可以对包括烟花爆竹等易燃易爆品在内的违禁物品进行初步识别并提示安检人员开箱复查确认。
但是,在实际应用中,违禁物品通常会由多个相同或不同的基本单元组成,组成后的各违禁物品之间的整体形状存在差异,反映在X光图像中,各违禁物品整体的图像形状差异较大,图像识别模型可能因违禁物品整体图像形状的差异,出现无法识别或误识别的情况,导致违禁物品检测的准确度较低。
发明内容
本发明提供一种基于X光图像的违禁物品检测方法,用以解决现有技术中利用图像识别模型基于X光图像进行违禁物品检测时,检测准确度较低的缺陷,实现提高违禁物品检测准确度的目的。
本发明提供一种基于X光图像的违禁物品检测方法,包括:
获取待检测X光图像和所述待检测X光图像对应的等效原子序数图像;
将所述待检测X光图像输入至特征单元检测模型中,得到所述特征单元检测模型输出的第一检测图像;
当所述第一检测图像中包括至少一个用于表征违禁物品基本单元的目标特征单元时,基于所述待检测X光图像和各所述目标特征单元,确定所述第一检测图像对应的第二检测图像;所述第二检测图像中包括各所述目标特征单元对应的候选像素区域;所述候选像素区域内的各像素点均为预测的表征违禁物品基本单元的像素点;
基于所述等效原子序数图像,在所述第二检测图像的所有所述候选像素区域中确定出至少一个目标候选像素区域;
将包括至少一个所述目标候选像素区域的第三检测图像输入至霍夫森林模型中,得到所述霍夫森林模型输出的第四检测图像;所述第四检测图像中包括框选各违禁物品的目标区域。
本发明还提供一种基于X光图像的违禁物品检测装置,包括:
获取单元,用于获取待检测X光图像和所述待检测X光图像对应的等效原子序数图像;
第一处理单元,用于将所述待检测X光图像输入至特征单元检测模型中,得到所述特征单元检测模型输出的第一检测图像;
第二处理单元,用于当所述第一检测图像中包括至少一个用于表征违禁物品基本单元的目标特征单元时,基于所述待检测X光图像和各所述目标特征单元,确定所述第一检测图像对应的第二检测图像;所述第二检测图像中包括各所述目标特征单元对应的候选像素区域;所述候选像素区域内的各像素点均为预测的表征违禁物品基本单元的像素点;
第三处理单元,用于基于所述等效原子序数图像,在所述第二检测图像的所有所述候选像素区域中确定出至少一个目标候选像素区域;
输出单元,用于将包括至少一个所述目标候选像素区域的第三检测图像输入至霍夫森林模型中,得到所述霍夫森林模型输出的第四检测图像;所述第四检测图像中包括框选各违禁物品的目标区域。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上述任一种基于X光图像的违禁物品检测方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述任一种基于X光图像的违禁物品检测方法。
本发明还提供一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现如上述任一种基于X光图像的违禁物品检测方法。
本发明提供的基于X光图像的违禁物品检测方法,该方法基于获取到的待检测X光图像,通过特征单元检测模型能得到第一检测图像。在包括至少一个目标特征单元的第一检测图像中,利用各目标特征单元表征出违禁物品基本单元,并基于待检测X光图像和各目标特征单元确定出第二检测图像。在第二检测图像中包括各目标特征单元对应的候选像素区域,用候选像素区域预测的表征违禁物品基本单元的像素点,这些候选像素区域可能是违禁物品基本单元在图像中的像素区域。基于获取到的等效原子序数图像,得到各候选像素区域内像素点的等效原子序数,利用等效原子序数在第二检测图像的各候选像素区域中确定出至少一个目标候选像素区域,确定出的目标候选像素区域即为真正的表征违禁物品基本单元的像素点。将包括目标候选像素区域的第三检测图像输入霍夫森林模型,通过霍夫森林模型得到第四检测图像。在第四检测图像中包括框选各违禁物品的目标区域,各目标区域内的图像即为各违禁物品整体的图像。基于此,本方法利用目标候选像素区域在第三检测图像中表征违禁物品基本单元的像素点,基于霍夫森林模型和第三检测图像得到框选各违禁物品的第四检测图像,能在第四检测图像中利用目标区域框选各违禁物品整体的图像,从而实现对违禁物品的整体识别,提高检测违禁物品的准确度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于X光图像的违禁物品检测方法的流程示意图;
图2是本发明实施例提供的待检测X光图像的示意图;
图3是本发明实施例提供的第一检测图像的示意图之一;
图4a是本发明实施例提供的烟花爆竹类违禁物品基本单元的结构示意图之一;
图4b是本发明实施例提供的烟花爆竹类违禁物品基本单元的结构示意图之二;
图4c是本发明实施例提供的烟花爆竹类违禁物品基本单元的结构示意图之三;
图4d是本发明实施例提供的烟花爆竹类违禁物品基本单元的结构示意图之四;
图4e是本发明实施例提供的烟花爆竹类违禁物品基本单元的结构示意图之五;
图4f是本发明实施例提供的烟花爆竹类违禁物品基本单元的结构示意图之六;
图4g是本发明实施例提供的烟花爆竹类违禁物品基本单元的结构示意图之七;
图5a是本发明实施例提供的预处理第一检测图像的示意图;
图5b是本发明实施例提供的第一检测图像的示意图之二;
图6是本发明实施例提供的分割结果图像的示意图;
图7是本发明实施例提供的第二检测图像的示意图;
图8是本发明实施例提供的图像分割的流程示意图;
图9是本发明实施例提供的统计图表的示意图;
图10是本发明实施例提供的霍夫森林模型训练方法的流程示意图;
图11是本发明实施例提供的霍夫森林模型确定目标预测参考点的流程示意图;
图12是本发明实施例提供的第四检测图像的示意图;
图13是本发明实施例提供的基于X光图像的违禁物品检测装置的结构示意图;
图14是本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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。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。
需要说明的是,本发明中为描述的对象所编序号本身,例如“第一”,“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。
基于X光图像的安检技术逐渐由传统的人工识别方式向机器自动识别方式发展,以卷积神经网络为核心的目标检测算法在安检技术中广泛应用。以烟花爆竹等易燃易爆违禁物品为例,其具有可燃可爆的性质,是安全检查中需要重点关注的一类违禁物品。
烟花爆竹类违禁物品的细分类别较多,可燃物的组成成分多样,且各可燃爆最小单元的结构各异,组合后形成的各个烟花爆竹之间的整体存在差异,这导致了烟花爆竹类违禁物品在X光图像中图像形状的差异较大。以多响鞭炮为例,鞭炮的可燃爆最小单元形状相近,但1000响的鞭炮和20000响的鞭炮在整体形状上存在差异,反映在X光图像中,两种型号鞭炮的整体图像形状差异较大。
现有的图像识别领域中,会使用以卷积神经网络为核心的目标检测算法直接对烟花爆竹类违禁物品进行整体目标检测,该方式能识别出烟花爆竹类违禁品的种类较少,无法以单个可燃爆最小单元为基础,不能对多个烟花爆竹进行有效的单独区分,检测的准确度较低。
针对此问题,本发明实施例提供一种基于X光图像的违禁物品检测方法,在安检场景中,当携带有违禁物品的箱包经过X光安检机后,能够对违禁物品的基本单元进行检测,基于包括至少一个用于表征违禁物品基本单元的目标特征单元进一步确定并输出框选各违禁物品整体的图像,能提高违禁物品检测的准确度。
下面结合图1至图12对本发明实施例提供的基于X光图像的违禁物品检测方法进行描述。本方法的执行主体可以是X光安检机、计算机或服务器等电子设备,或者是专门设计的智能设备,也可以是设置在该电子设备或智能设备中的基于X光图像的违禁物品检测装置,该基于X光图像的违禁物品检测装置可以通过软件、硬件或两者的结合来实现。本方法可以应用于任意需要进行安全检查的场景中,例如,地铁进站的安全检查、机场进站的安全检查或楼宇通行的安全检查等场景中,使用该方法可以提高违禁物品检测的准确度。
图1是本发明实施例提供的基于X光图像的违禁物品检测方法的流程示意图,如图1所示,该方法包括如下的步骤110至步骤150。
步骤110:获取待检测X光图像和待检测X光图像对应的等效原子序数图像。
示例地,使用X光设备对待检测的物体进行X光扫描,可以获取待检测X光图像,对待测X光图像通过图像转化的方式可以获取待检测X光图像对应的等效原子序数图像。例如,按照X光安检机成像原理对待测X光图像进行逆变换,根据不同原子序数的物质对高能低能X射线衰减的差异来计算出等效原子序数,可以获取到待检测X光图像对应的等效原子序数图像。等效原子序数图像可以有效表征物体的物质组成成分。
双能X光安检机等设备可以直接获取物体的等效原子序数图像。利用双能X光安检机等设备对待检测的物体进行拍摄,由双能X光安检机的X射线接收模块可以获取待检测X光图像以及与该待检测X光图像对应的等效原子序数图像。
图2是本发明实施例提供的待检测X光图像的示意图,如图2所示,待检测X光图像中包括箱包的X光影像以及箱包内的多个物品的X光影像。待检测X光图像为伪彩色图像,为了便于描述本发明各实施例,图2及下文提供的各示意图是在原始图像的基础上进行灰度处理后形成的示意性图像,不应将各示意图理解为对本发明实施例的限制。
步骤120:将待检测X光图像输入至特征单元检测模型中,得到特征单元检测模型输出的第一检测图像。
示例地,特征单元检测模型可以是针对违禁物品基本单元进行识别的模型,基于特征单元检测模型在待检测X光图像中确定出目标特征单元后,可以输出第一检测图像。违禁物品基本单元可以是组成违禁物品的基本部分,违禁物品可以是由至少一个违禁物品基本单元组成。
特征单元检测模型可以在初始特征单元检测模型的基础上训练得到。将待检测X光图像输入至特征单元检测模型中,可以得到特征单元检测模型输出的第一检测图像,第一检测图像中可能包括至少一个目标特征单元,目标特征单元可以是在第一检测图像中确定出的、用于表征违禁物品基本单元的像素区域。
可选地,当第一检测图像中包括至少一个用于表征违禁物品基本单元的目标特征单元时,将第一检测图像中的各目标特征单元用基础特征框标示出来,基础特征框优选为矩形框,也可以是圆形框、三角形框等任意形状的框。图3是本发明实施例提供的第一检测图像的示意图之一,将待检测X光图像输入至特征单元检测模型中,可以得到第一检测图像。可以用矩形的基础特征框将各目标特征单元标示出来。如图3所示,图中的五个矩形框标示的像素区域均为目标特征单元。
在一种实现方式中,特征单元检测模型可以基于初始特征单元检测模型训练后得到。初始特征单元检测模型可以采用改进型YOLOv8x算法,模型的网络结构主要由主干网络(Backbone)、中间网络(Neck)、输出网络(Head)三部分构成。Backbone使用长程注意力网络,通过分支跨层链接,丰富模型的特征传导,同时在第一层卷积中使用3×3的卷积核,采用并行加串行的最大池化(maxpooling)。对于Neck和Head部分,可以采用解耦头,同时使用目标检测(Anchor Free)的模式,匹配策略上采用动态的根据分类与回归的分数加权的分数选择正样本。初始特征单元检测模型的损失函数分为分类分支损失函数和回归分支损失函数,其中,分类分支损失函数采用二元交叉熵损失函数(Binary Cross Entropy Loss,BCELoss),回归分支损失函数使用分布焦点损失函数(Distribution Focal Loss),以及CIoU损失函数(CIoU Loss),三个损失函数通过平均权重加权生成最终的损失函数。基于初始特征单元检测模型进行训练,可以得到特征单元检测模型。
在一实施例中,违禁物品为烟花爆竹,违禁物品基本单元为构成该烟花爆竹的可燃爆最小单元。
示例地,可以根据烟花爆竹主要含有的可燃物成分,以及可燃爆最小单元的形态,对可燃爆最小单元进行分类。其中,可燃物成分例如可以是传统火药(硫、硝酸钾、碳按照接近1:2:3的比例混合)、氧化剂或火焰着色物等物质;可燃爆最小单元的形态例如可以是单颗粒形、条形或环形等。烟花爆竹可以是由传统黑火药组成的爆竹;或者由氧化剂、可燃物搭配不同火焰着色物组成的混合型鞭炮,还可以是可燃金属组成的冷光烟花仙女棒、电光花等,本实施例对此不做限制。
例如,可以对烟花爆竹类违禁物品基本单元进行分类,图4a是本发明实施例提供的烟花爆竹类违禁物品基本单元的结构示意图之一,图4b是本发明实施例提供的烟花爆竹类违禁物品基本单元的结构示意图之二,图4c是本发明实施例提供的烟花爆竹类违禁物品基本单元的结构示意图之三,图4d是本发明实施例提供的烟花爆竹类违禁物品基本单元的结构示意图之四,图4e是本发明实施例提供的烟花爆竹类违禁物品基本单元的结构示意图之五,图4f是本发明实施例提供的烟花爆竹类违禁物品基本单元的结构示意图之六,图4g是本发明实施例提供的烟花爆竹类违禁物品基本单元的结构示意图之七。如图4a至图4g所示,可以将烟花爆竹的可燃爆最小单元分为以下七种类型:1类、单颗粒鞭炮火药单元(如图4a中的框选部分所示);2类、均匀分布火药单元(如图4b中的框选部分所示);3类、条状火药单元(如图4c中的框选部分所示);4类、环形火药单元(如图4d中的框选部分所示);5类、点状混合火药单元(如图4e中的框选部分所示);6类、环形可燃金属物单元(如图4f中的框选部分所示);7类、条状可燃金属物单元(如图4g中的框选部分所示)。可选地,可以将可燃爆最小单元所属的分类类别作为该可燃爆最小单元对应的违禁物品基本单元的类别,也可以理解为目标特征单元对应的分类。
在一实施例中,将待检测X光图像输入至特征单元检测模型中,得到特征单元检测模型输出的第一检测图像时,特征单元检测模型可以基于违禁物品基本单元属于对应类别的概率得分确定目标特征单元,并输出第一检测图像。
示例地,将待检测X光图像输入至特征单元检测模型中,特征单元检测模型基于图像中各像素区域的图像特征确定各像素区域属于违禁物品基本单元的类别及对应的概率得分,根据预设的先验阈值,确定各像素区域是否为目标特征单元。
例如,特征单元检测模型对待测X光图像进行图像识别,在识别出的至少一个像素区域中,确定各像素区域属于违禁物品基本单元的类别中某一类别的概率得分,基于先验阈值对确定出的各概率得分进行判断,将大于或等于先验阈值的概率得分所对应的像素区域确定为目标特征单元,将小于先验阈值的概率得分所对应的像素区域确定为非目标特征单元。
可选地,在待测X光图像中识别出至少一个像素区域,用基础特征框标示各像素区域,并标示出各像素区域的编号,例如A、B或C等,得到预处理第一检测图像,在预处理第一检测图像中显示用基础特征框标示的各像素区域,并显示各像素区域的编号、对应的类别以及概率得分。
举例来说,针对烟花爆竹类的违禁物品,将违禁物品基本单元分为上述的七种类型。对各像素区域进行标示,标示各像素区域的基础特征框、各像素区域的编号、对应的类别以及概率得分。图5a是本发明实施例提供的预处理第一检测图像的示意图,图5b是本发明实施例提供的第一检测图像的示意图之二,如图5a所示,预处理第一检测图像包括各基础特征框标示的像素区域A、像素区域B、像素区域C、像素区域D、像素区域E和像素区域F(图中未示出像素区域C和像素区域D的类别及概率得分)。其中,像素区域A对应的类别为3类,即条状火药单元,概率得分为0.8,表示由像素区域A的基础特征框框选出的物品是条状火药单元的概率为0.8。由图5a可知,像素区域B对应的类别为3类,即条状火药单元,概率得分为0.78;像素区域E对应的类别为7类,即条状可燃金属物单元,概率得分为0.08;像素区域F对应的类别为2类,即均匀分布火药单元,概率得分为0.7。先验阈值可以是从数值范围内取的一个点值,例如,从数值范围[0.05,0.1]内取一点值0.1。则将大于或等于0.1的概率得分所对应的像素区域确定为目标特征单元,将小于0.1的概率得分所对应的像素区域确定为非目标特征单元。则图5a中的像素区域A、像素区域B和像素区域F为目标特征单元,像素区域E为非目标特征单元。
示例地,基于先验阈值和各像素区域对应的概率得分确定出目标特征单元后,在预处理第一检测图像中保留目标特征单元,不保留非目标特征单元,可以得到如图5b所示的第一检测图像。
步骤130:当第一检测图像中包括至少一个用于表征违禁物品基本单元的目标特征单元时,基于待检测X光图像和各目标特征单元,确定第一检测图像对应的第二检测图像;第二检测图像中包括各目标特征单元对应的候选像素区域;候选像素区域内的各像素点均为预测的表征违禁物品基本单元的像素点。
示例地,将待检测X光图像输入特征单元检测模型后,特征单元检测模型输出的第一检测图像中若包括表征违禁物品基本单元的目标特征单元时,需基于待检测X光图像和各目标特征单元,确定出与第一检测图像对应的第二检测图像。
第二检测图像可以是包括目标特征单元对应的候选像素区域的图像。候选像素区域可以理解为在目标特征单元中,确定出候选像素点,由候选像素点所组成的区域即为候选像素区域,候选像素区域所在的目标特征单元与该候选像素区域具有对应关系。其中,候选像素点即候选像素区域内的各像素点,是可以预测表征违禁物品基本单元的像素点,这里的预测是指有一定概率。例如,在目标特征单元中,有一定概率是违禁物品基本单元成像像素点的像素点即为候选像素点。确定第二检测图像,并从第二检测图像的候选像素区域中确定出目标候选像素区域,以实现进一步确定违禁物品的目的。
可选地,在基于待检测X光图像和各目标特征单元确定第二检测图像时,可以基于各目标特征单元在第一检测图像中的位置信息,即基于各目标特征单元内各像素点在第一检测图像中的坐标。在待检测X光图像中定位出各目标特征单元内各像素点的坐标,基于这些像素点分别确定出候选像素点和非候选像素点,由各候选像素点形成的区域即为各目标特征单元对应的候选像素区域,进而可以得到第二检测图像。确定各候选像素点时,可以使用像素点分析的方法在各目标特征单元中确定出候选像素点,例如,利用像素点的像素值进行分析,分辨各像素点是否为同一实体成像后的像素点,将同一实体的像素点均确定为候选像素区域内的像素点。
步骤140:基于等效原子序数图像,在第二检测图像的所有候选像素区域中确定出至少一个目标候选像素区域。
示例地,待检测X光图像对应的等效原子序数图像,其每个像素点均一一对应于待检测X光图像中的各像素点。等效原子序数图像像素点的值即像素点的等效原子序数,能反映该像素点成像物点物质的化学元素组成成分。因此,从等效原子序数图像中可以获取到待检测X光图像各像素点的等效原子序数。
从第二检测图像的各候选像素区域中基于各候选像素区域内像素点的等效原子序数,可以确定出目标候选像素区域。可以理解为,目标候选像素区域内的各像素点为更大概率可以表征违禁物品基本单元的像素点。
例如,通过比较等效原子序数,确定概率较大的可以表征违禁物品基本单元的像素点为目标候选像素区域内的像素点,即目标候选像素点,将包含目标候选像素点的数量超过设定阈值的候选像素区域确定为目标候选像素区域。
步骤150:将包括至少一个目标候选像素区域的第三检测图像输入至霍夫森林模型中,得到霍夫森林模型输出的第四检测图像;第四检测图像中包括框选各违禁物品的目标区域。
示例地,第三检测图像是包括至少一个目标候选像素区域的图像。在第二检测图像的基础上,去除不是目标候选像素区域对应的目标特征单元,可以得到第三检测图像。
霍夫森林模型可以是基于经过标注的训练集训练后得到的网络模型,可以用于对第三检测图像进行检测。将第三检测图像输入霍夫森林模型可以输出第四检测图像,在第四检测图像中包括框选各违禁物品的目标区域,目标区域可以将各违禁物品的整体分别框选出来。例如,目标区域可以是在第四检测图像中,用矩形框标示出各违禁物品的整体。
本发明提供的基于X光图像的违禁物品检测方法,该方法基于获取到的待检测X光图像,通过特征单元检测模型能得到第一检测图像。在包括至少一个目标特征单元的第一检测图像中,利用各目标特征单元表征出违禁物品基本单元,并基于待检测X光图像和各目标特征单元确定出第二检测图像。在第二检测图像中包括各目标特征单元对应的候选像素区域,用候选像素区域预测的表征违禁物品基本单元的像素点,这些候选像素区域可能是违禁物品基本单元在图像中的像素区域。基于获取到的等效原子序数图像,得到各候选像素区域内像素点的等效原子序数,利用等效原子序数在第二检测图像的各候选像素区域中确定出至少一个目标候选像素区域,确定出的目标候选像素区域即为真正的表征违禁物品基本单元的像素点。将包括目标候选像素区域的第三检测图像输入霍夫森林模型,通过霍夫森林模型得到第四检测图像。在第四检测图像中包括框选各违禁物品的目标区域,各目标区域内的图像即为各违禁物品整体的图像。基于此,本方法利用目标候选像素区域在第三检测图像中表征违禁物品基本单元的像素点,基于霍夫森林模型和第三检测图像得到框选各违禁物品的第四检测图像,能在第四检测图像中利用目标区域框选各违禁物品整体的图像,从而实现对违禁物品的整体识别,提高检测违禁物品的准确度。
当第一检测图像中包括至少一个用于表征违禁物品基本单元的目标特征单元时,可以利用图像分割模型对待检测X光图像进行处理得到分割结果图像,在分割结果图像中可以更加精确地确定候选像素区域。
在一实施例中,基于待检测X光图像和各目标特征单元,确定第一检测图像对应的第二检测图像,具体可通过以下方式实现:
将待检测X光图像输入至图像分割模型中,得到分割结果图像;在分割结果图像中确定与各目标特征单元对应的第一特征区域;去除各第一特征区域内的背景区域,得到第二检测图像;背景区域为不表征违禁物品基本单元的像素点组成的区域。
示例地,图像分割模型可以是能对图像中不同的目标区域进行分割的模型。对图像进行分割处理可以理解为对图像中的像素点标记标签的过程,利用不同类型的标签对图像中的像素点进行标记,实现定位图像中的各物体和物体边界。
分割结果图像是将待检测X光图像输入至图像分割模型中得到的图像。在分割结果图像的基础上将第一检测图像中各目标特征单元所处的区域确定为第一特征区域。在第一特征区域中包含有候选像素区域和背景区域,其中,背景区域为不表征违禁物品基本单元的像素点组成的区域,而候选像素区域为预测的可以表征违禁物品基本单元的像素点组成的区域。
图6是本发明实施例提供的分割结果图像的示意图,将图2所示待检测X光图像输入图像分割模型,即可得到如图6所示的分割结果图像。图7是本发明实施例提供的第二检测图像的示意图,将分割结果图像与第一检测图像进行像素级叠加,即在分割结果图像中拾取与第一检测图像的各目标特征单元相对应的区域为第一特征区域,去除各第一特征区域内的背景区域,剩余部分则为候选像素区域,进而得到第二检测图像。
在一种实现方式中,图像分割模型可以是SAM模型(Segment Anything Model,SAM)。将待检测X光图像输入SAM模型,可以得到分割结果图像。图8是本发明实施例提供的图像分割的流程示意图,如图8所示,SAM模型包括图像编码器、图像嵌入模块、掩码模块、卷积模块、提示编码器、掩码解码器。图像编码器基于可扩展的预训练方法,使用掩码自动编码器(Masked Auto Encoder,MAE),适用处理高分辨率图像输入。提示编码器通过位置编码来表示点和框,密集的提示(如掩码)通过卷积后由图像嵌入模块嵌入,提示可以是一组前景像素点或背景像素点、一个提示框等。掩码解码器将图像嵌入、提示嵌入和输出令牌(token)映射到掩码。将待检测X光图像输入图像分割模型即可得到分割结果图像。
在本实施例中,利用图像分割模型对待检测X光图像进行图像分割,得到分割结果图像,分割结果图像简化了待检测X光图像中各物体的表示,使物体和边界更加清晰,利于后续图像处理。利用各目标特征单元在分割结果图像中确定出第一特征区域,在第一特征区域内清晰的物体和边界可以快速准确地分辨背景区域和候选像素区域,在去除各第一特征区域内的背景区域后即可得到第二检测图像。采用该方法得到的第二检测图像,其第一特征区域内的候选像素区域表征违禁物品基本单元的可靠性更高。
在第二检测图像中,为从各候选像素区域中高效地确定出至少一个目标候选像素区域,可以只针对各候选像素区域内像素点的等效原子序数进行确定。在确定时可以基于预设原子序数范围和像素点对应的等效原子序数进行分析,以快速准确地确定出目标候选像素区域。
在一实施例中,基于等效原子序数图像,在第二检测图像的所有候选像素区域中确定出至少一个目标候选像素区域,具体可通过以下方式实现:
在等效原子序数图像中确定与各候选像素区域对应的第二特征区域;针对各第二特征区域,获取第二特征区域内各像素点对应的等效原子序数;基于至少一个预设原子序数范围和各第二特征区域内各像素点对应的等效原子序数,在所有候选像素区域中确定出至少一个目标候选像素区域;各预设原子序数范围用于表征违禁物品基本单元包括的不同化学物质类型。
示例地,可以设置至少一个预设原子序数范围来表征违禁物品基本单元内物质的化学物质类型,例如,建立预设原子序数范围与违禁物品基本单元化学物质类型的对应关系,利用该对应关系基于等效原子序数图像确定各违禁物品基本单元化学物质的类型,从而可以在所有候选像素区域中确定出至少一个目标候选像素区域。
基于各候选像素区域在第二检测图像中的位置信息,在等效原子序数图像中确定与各候选像素区域相同位置的区域为第二特征区域。基于第二特征区域内各像素点的等效原子序数,以及设置的至少一个预设原子序数范围,根据第二特征区域内各像素点的等效原子序数与各预设原子序数范围之间的对应关系,确定第二特征区域是否为表征违禁物品基本单元的区域。
例如,若该第二特征区域内各像素点的等效原子序数,所对应的预设原子序数范围表征的化学物质类型,是违禁物品基本单元的化学物质类型,则将该第二特征区域对应的、第二检测图像中的候选像素区域,确定为目标候选像素区域;若该第二特征区域内各像素点的等效原子序数,所对应的预设原子序数范围表征的化学物质类型,不是违禁物品基本单元的化学物质类型,则将该第二特征区域对应的、第二检测图像中的候选像素区域,不确定为目标候选像素区域。据此,可以基于至少一个预设原子序数范围和各第二特征区域内各像素点对应的等效原子序数,在所有候选像素区域中确定出至少一个目标候选像素区域。
在本实施例中,利用各候选像素区域在等效原子序数图像中确定第二特征区域,获取第二特征区域内各像素点对应的等效原子序数,实现了快速高效确定候选像素区域内像素点的等效原子序数。基于至少一个预设原子序数范围和各第二特征区域内各像素点对应的等效原子序数,可以确定出至少一个目标候选像素区域,该目标候选像素区域是基于等效原子序数确定出的,基于化学物质类型确定的目标候选像素区域可以更可靠地表征违禁物品基本单元,提高检测违禁物品的准确度。
在一实施例中,基于至少一个预设原子序数范围和各第二特征区域内各像素点对应的等效原子序数,在所有候选像素区域中确定出至少一个目标候选像素区域,具体可通过以下方式实现:
针对各第二特征区域,对于各预设原子序数范围,基于第二特征区域中位于预设原子序数范围内的各等效原子序数对应的像素点确定第一等效原子条状图;基于第二特征区域中未位于所有预设原子序数范围内的各等效原子序数对应的像素点确定第二等效原子条状图;在第二等效原子条状图和各第一等效原子条状图中,确定像素点数量最多的目标等效原子条状图;在确定目标等效原子条状图对应的像素点的等效原子序数位于任一预设原子序数范围内的情况下,确定第二特征区域对应的候选像素区域为目标候选像素区域。
示例地,获取第二特征区域内各像素点的等效原子序数后,可以基于各预设原子序数范围以及各像素点的等效原子序数,确定第一等效原子条状图和第二等效原子条状图。
第一等效原子条状图和第二等效原子条状图可以是基于各像素点的等效原子序数,对不同预设原子序数范围对应的违禁物品基本单元各化学物质类型中像素点数量进行统计的统计图表。第一等效原子条状图和第二等效原子条状图可以是同一统计图表中的不同条状图形,也可以是不同统计图表中的不同条状图形。例如,第一等效原子条状图是第一统计图表中的条状图形,第二等效原子条状图是第二统计图表中的条状图形;或者,第一等效原子条状图是第一统计图表中的条状图形,第二等效原子条状图是该第一统计图表中不同于第一等效原子条状图对应的化学物质类型的条状图形。
举例来说,针对烟花爆竹类的违禁物品,可以根据烟花爆竹的可燃爆最小单元内化学物质的类型,将预设原子序数范围分为四类,分别为:第一类:氧化剂类(硝酸盐、氯酸盐);第二类:燃烧物质类(硫磺、木炭、镁粉、赤磷);第三类:火焰着色物类(钡盐、锶盐、钠盐、铜盐等),第四类:特效药物(苦味酸钾、聚氯乙烯树脂、六氯乙烷等)。并设定各预设原子序数范围的数值区间为:第一类[X1,X2]、第二类[X3,X4]、第三类[X5,X6]和第四类[X7,X8]。可选地,可以设置其他类,将未位于第一类、第二类、第三类和第四类内的各等效原子序数对应的像素点确定为其他类内的像素点。
根据上述的分类和数值区间,可以对原子序数位于或未位于上述数值区间的像素点进行分类统计并图形化表达,以得到第一等效原子条状图和第二等效原子条状图。
图9是本发明实施例提供的统计图表的示意图,如图9所示,该统计图表是基于第一类、第二类、第三类和第四类预设原子序数范围,对一个第二特征区域内的像素点进行统计后确定出的统计图表。将该第二特征区域中位于预设原子序数范围内的各等效原子序数对应的像素点进行分类统计,可以在统计图表中用四个第一等效原子条状图分别表示出第一类、第二类、第三类和第四类预设原子序数范围对应的像素点数量。如图9中的第一类、第二类、第三类和第四类所对应的条状图形均为第一等效原子条状图。经统计,该第二特征区域内位于第一类的像素点数量为230个,位于第二类的像素点数量为560个,位于第三类的像素点数量为324个,位于第四类的像素点数量为475个。将第二特征区域中未位于所有预设原子序数范围内的各等效原子序数对应的像素点归入其他类进行统计,可以在统计图表中用第二等效原子条状图标示,如图9所示,其他类对应的、用斜线填充的条状图形为第二等效原子条状图,位于其他类的像素点数量为410个,即,未位于所有预设原子序数范围内的各等效原子序数对应的像素点的数量为410个。
目标等效原子条状图是从各第一等效原子条状图和第二等效原子条状图中确定出的、像素点数量最多的等效原子条状图。在确定目标等效原子条状图对应的像素点的等效原子序数位于任一预设原子序数范围内的情况下,确定第二特征区域对应的候选像素区域为目标候选像素区域。可以理解为,若目标等效原子条状图是从各第一等效原子条状图中确定出来的,则该第二特征区域中的候选像素区域确定为目标候选像素区域;若目标等效原子条状图是从第二等效原子条状图中确定出来的,则该第二特征区域中的候选像素区域确定为不是目标候选像素区域。
如图9所示,第二类对应的第一等效原子条状图的像素点数量为560个,在统计图表中是像素点数量最多的一类,因此,可以将第二类对应的第一等效原子条状图确定为目标等效原子条状图。第二类是预设原子序数范围分类中的一个类型,因此,可以将该第二特征区域对应的候选像素区域确定为目标候选像素区域。
在本实施例中,利用第一等效原子条状图和第二等效原子条状图对第二特征区域内各像素点进行分类统计,可以基于像素点数量最多的预设原子序数范围是否与违禁物品基本单元对应,进而确定候选像素区域是否为目标候选像素区域。利用该方式确定第二特征区域对应的候选像素区域为目标候选像素区域,可以提高目标候选像素区域可以用于表征违禁物品基本单元的概率,进而提高违禁物品检测的准确度。
在第四检测图像中,目标区域可以框选各违禁物品。为了便于霍夫森林模型对第三检测图像进行处理,输出更加准确的第四检测图像,可以针对第三检测图像确定图像块集合,将图像块集合作为霍夫森林模型的输入以得到第四检测图像。
在一实施例中,将包括至少一个目标候选像素区域的第三检测图像输入至霍夫森林模型中,得到霍夫森林模型输出的第四检测图像,具体可通过以下方式实现:
针对第三检测图像中的各目标候选像素区域,确定包括目标候选像素区域的外接区域,将外接区域确定为图像块集合;将各图像块集合输入至霍夫森林模型中,得到霍夫森林模型输出的第四检测图像。
示例地,在第二检测图像的各候选像素区域中,确定出至少一个目标候选像素区域后,去除不是目标候选像素区域的候选像素区域,可以得到包括至少一个目标候选像素区域的第三检测图像。
在将第三检测图像输入霍夫森林模型前,可以针对第三检测图像中的目标候选像素区域确定对应的外接区域,即对各目标候选像素区域分别进行预处理。外接区域可以是包括目标候选像素区域内所有像素点的最小化标准像素区域,可以理解为,使用面积最小化的标准形状的像素区域,将目标候选像素区域内所有像素点均包括在内。例如,使用能将目标候选像素区域内所有像素点均包括在内的最小面积的矩形像素区域作为该目标候选像素区域的外接区域。
将每个外接区域确定为由至少一个图像块组成的图像块集合,将图像块集合输入霍夫森林模型,霍夫森林模型中的每个决策树会对图像块集合中的各图像块分别进行决策,从而得到第四检测图像。可选地,将外接区域确定为由至少一个图像块组成的图像块集合时,可以将外接区域等分为面积相同的像素块,像素块即为图像块。
基于此,利用外接区域将目标候选像素区域确定为图像块集合,将目标候选像素区域以图像块集合的方式输入霍夫森林模型,便于霍夫森林模型对图像块集合中的各图像块进行处理,以得到准确度更高的第四检测图像。
在一种实现方式中,霍夫森林模型可以通过如下的方法训练得到。图10是本发明实施例提供的霍夫森林模型训练方法的流程示意图,训练时需要使用标注好的训练数据来构建决策树,利用构建出的至少一个决策树可以组成霍夫森林模型。
如图10所示,在构建决策树时,先从训练数据中抽取训练样本的至少一个图像块(patch),其中,训练数据可以是至少一个包括违禁物品的待检测X光图像,训练样本可以是对训练数据中包括违禁物品的待检测X光图像进行标注后形成的样本。例如,对一个包括违禁物品的待检测X光图像中的违禁物品整体进行标注,在临近标注的违禁物品范围内随机抽取32个大小为16×16像素的图像块,将图像块输入根节点,并从根节点递归构建决策树。构建决策树时,判断节点是否为叶子节点。
如果一个节点判断为非叶子节点(包括根节点),则将其分裂为两个新的子节点,并根据分裂的二值测试结果将该节点原本保存的patch作为一个patch集合分别分配到两个新的子节点上,若新分裂出的子节点也是一个非叶子节点则不断重复这一分裂过程,直到子节点被判定为叶子节点为止。另外,如果一个节点深度达到最大深度,例如最大深度Dmax为15,或者节点储存的patch集合的数量少于预设数值,例如patch集合的数量Mmin为20,则将该节点作为叶子节点,不再分裂,并且将叶子节点的投票信息记录并存储起来。
如果一个节点判断为叶子节点,则在该叶子节点上记录用于预测的投票信息,该投票信息是基于图像块得出的信息,例如正样本比例CL和样本偏移量的集合DL。叶子节点上记录的投票信息就是利用模型进行推理时使用的投票元素。在判断节点是否为叶子节点时,可以基于patch在节点上进行二值测试,例如,基于分类不确定度或偏移不确定度来执行二值测试。
在实际应用中,可以通过交替地选择分类不确定度和偏移不确定度作为二值测试的衡量标准,从根节点开始不断分裂生成新的节点来创建决策树。这样决策树构建的过程保证了所有到达叶子的区块在类别标签和偏移属性上均具有较好的不变性,最终每个叶子节点上都能记录投票信息。
在实际应用中,节点分裂可以是对节点上保存的所有patch进行二值测试并根据结果将它们分配到两个新节点中。例如,可以对于每一次的节点分裂,随机生成2000种二值测试方法,计算每种二值测试对节点中各patch的分类效果,最终从中选取分类结果最优的二值测试方法作为该节点的分类方法,并据此将该节点分裂为两个新的节点。这一步骤的核心在于二值测试的生成方法与选取规则。
基于此,由训练数据产生出的所有叶子节点可以构成一个决策树,由构建出的至少一个决策树可以组成霍夫森林模型。示例地,可以共训练十个决策树,训练获得的十个决策树对测试样本进行测试,获得难以分类的负样本,将这些难以分类的负样本投入负样本池中,使用负样本池重复上述过程再训练一次,得到最终的十个决策树,即可得到准确度更高的霍夫森林模型。
在一实施例中,确定包括目标候选像素区域的外接区域,具体可通过以下方式实现:
基于第一预设像素数量的第一预设倍数确定第一方向的第一长度,并基于第二预设像素数量的第二预设倍数确定第二方向的第二长度;第一方向与第二方向相互垂直;第一预设倍数和第二预设倍数均为在保证外接区域包括目标候选像素区域内所有像素点的情况下对应的最小正整数;基于目标候选像素区域的中心、第一长度和第二长度确定外接区域。
示例地,在确定包括目标候选像素区域的外接区域时,可以将目标候选像素区域所处的最小矩形像素区域确定为该目标候选像素区域的外接区域。其中,最小矩形像素区域可以理解为由预设像素长度和预设像素宽度构建的、以目标候选像素区域的中心为中心的矩形像素区域。
可选地,最小矩形像素区域的长可以是基于第一预设像素数量的第一预设倍数确定第一方向的第一长度,其中,第一预设像素数量可以是基于实际需求而设定的像素数量,例如:4、8、16或32个像素等;第一预设倍数可以是任意整数,例如:1、2、3或4等;第一方向例如可以是任意方向,例如:水平方向;确定第一预设像素数量和第一预设倍数后,即可确定该外接区域在第一方向上的第一长度。
最小矩形像素区域的宽可以是基于第二预设像素数量的第二预设倍数确定第二方向的第二长度,其中,第二预设像素数量可以是任意像素数量,例如:4、8、16或32个像素等;第二预设倍数可以是任意整数,例如:1、2、3或4等;第二方向例如可以是垂直于第一方向的方向,例如,与水平方向垂直的竖直方向;确定第二预设像素数量和第二预设倍数后,即可确定该外接区域在第二方向上的第二长度。
举例来说,以目标候选像素区域的中心为中心,以16个像素为第一预设像素数量,以m为第一预设倍数,可以确定16×m个像素的最小矩形像素区域的长;以16个像素为第二预设像素数量,以n为第二预设倍数,可以确定16×n个像素的最小矩形像素区域的宽。由此,构建了一个长为16×m个像素,宽为16×n个像素的可以包括目标候选像素区域的最小矩形像素区域,即该目标候选像素区域的外接区域。需要说明的是,m和n的取值由目标候选像素区域的大小来确定,在保证外接区域可以包括该目标候选像素区域内所有的像素点的前提下,m和n的数值取最小正整数。确定外接区域后,该外接区域可以看作是由m×n个16×16像素大小的像素块构成的像素区域,即该外接区域可以确定为m×n个16×16像素大小的图像块组成的图像块集合,以图像块集合作为霍夫森林模型的输入。
在本实施例中,基于目标候选像素区域的中心、第一长度和第二长度确定外接区域,并基于第一预设像素数量和第二预设像素数量确定外接区域对应的图像块集合,可以将图像块集合划分为预设数量的图像块,便于霍夫森林模型中的每个决策树分别对图像块集合中的图像块进行决策,使第四检测图像中框选出的各违禁物品的准确度更高。
在一实施例中,将各图像块集合输入至霍夫森林模型中,得到霍夫森林模型输出的第四检测图像,具体可通过以下方式实现:
将各图像块集合输入至霍夫森林模型中,通过霍夫森林模型确定各图像块集合对应的目标预测参考点;目标预测参考点用于表征图像块集合对应的目标候选像素区域,所表征的违禁物品基本单元所属的违禁物品的中心点;基于各目标预测参考点确定第四检测图像。
示例地,目标预测参考点用于表征图像块集合对应的目标候选像素区域,所表征的违禁物品基本单元所属的违禁物品的中心点,该中心点即为霍夫森林模型预测出的某违禁物品的中心点,该违禁物品是该目标候选像素区域对应的违禁物品。目标预测参考点可以用该目标预测参考点在第四检测图像中的坐标值表示。
图11是本发明实施例提供的霍夫森林模型确定目标预测参考点的流程示意图。如图11所示,在第三检测图像中分别提取图像块集合,将各图像块集合中的图像块分别输入霍夫森林模型各决策树的根节点。所有图像块分别从根节点出发经过所有路过节点上的二值测试后,到达对应的叶子节点,叶子节点在此前训练过程中记录的信息被认为是到达该叶子节点的图像块的投票信息,根据投票信息计算各决策树的投票预测结果,根据投票预测结果可以确定出该图像块集合的目标预测参考点。
在一种实现方式中,根据投票信息计算各决策树的投票预测结果,根据投票预测结果确定该图像块集合的目标预测参考点,可以通过如下的具体方式实现。
将图像块集合输入霍夫森林模型后,在一个决策树上会得到该决策树针对该图像块集合对应的概率密度分布预测,即投票预测结果。将霍夫森林模型中每个决策树上得到的概率密度分布预测进行叠加,可以得到该图像块集合对应的整体概率密度分布预测,可以将整体概率密度分布预测值中最大值对应的位置作为目标预测参考点。其中,整体概率密度分布预测的公式如下:
式中,V(x)为图像块集合对应的目标候选像素区域对于目标预测参考点为第四检测图像中任意坐标点x的整体概率密度分布预测值;为图像块在整个霍夫森林模型中对于目标预测参考点为第四检测图像中任意坐标点x的整体概率密度分布预测值,其中E(x)表示目标预测参考点在坐标点x的随机事件;I(y)表示以y坐标点为中心点的图像块的表现特征;/>表示霍夫森林模型中所有的决策树。B(x)表示目标候选像素区域对应的外接区域。
在确定出各图像块集合对应的目标预测参考点后,可以基于各目标预测参考点确定各图像块集合对应的目标候选像素区域是否为同一违禁物品的目标候选像素区域,将同一违禁物品的目标候选像素区域确定为一个目标区域,可以得到第四检测图像。
在本实施例中,利用霍夫森林模型对各图像块集合对应的目标预测参考点进行确定,并基于各目标预测参考点确定出第四检测图像,可以在第四检测图像中框选出表征各违禁物品的各目标区域,将各违禁物品的整体确定出来,提高检测的准确度。
在一实施例中,基于各目标预测参考点确定第四检测图像,具体可通过以下方式实现:
将所有目标预测参考点进行聚类,得到至少一个参考点集合;针对各参考点集合,基于参考点集合中各目标预测参考点对应的第一目标候选像素区域,在第四检测图像中确定包括各第一目标候选像素区域的第三特征区域,将第三特征区域确定为对应违禁物品的目标区域。
示例地,将所有目标预测参考点进行聚类可以是按照预设的聚类规则,将符合聚类规则的各目标预测参考点聚类为一个集合,该集合即为参考点集合,在参考点集合中,各目标预测参考点对应的目标候选像素区域即为第一目标候选像素区域。
在第四检测图像中,将参考点集合对应的各第一目标候选像素区域均包括在第三特征区域内,该第三特征区域即可确定为对应违禁物品的目标区域,该目标区域是将第四检测图像中违禁物品的整体框选在内的像素区域。
可以理解的是,各第一目标候选像素区域是从各目标候选像素区域中基于聚类规则确定出的,所以,同一参考点集合中的各第一目标候选像素区域表征的是同一违禁物品的各个基本单元,因此,第三特征区域可以表征同一个违禁物品。将第三特征区域确定为目标区域,可以实现在第四检测图像中框选各违禁物品的目的,实现基于X光图像对违禁物品进行准确检测的目的。
聚类规则可以是预设的将目标预测参考点进行聚类的规则。在一种实现方式中,将各目标预测参考点进行聚类时,计算各目标预测参考点中任意两个之间的几何坐标距离,将每两个目标预测参考点之间的几何坐标距离小于预设像素值L的目标预测参考点聚类为一个参考点集合,其中,预设像素值L可以是任意值,例如L=10。遍历所有目标预测参考点,当得到至少一个参考点集合后,将位于同一参考点集合内的各目标预测参考点对应第一目标候选像素区域框选在同一目标区域内,该目标区域即为各违禁物品在第四检测图像中的像素区域。当遍历所有目标预测参考点,不能基于预设像素值L将至少两个目标预测参考点聚类为一个参考点集合时,可以将各目标预测参考点分别作为参考点集合,将各目标预测参考点对应的第一目标候选像素区域分别框选为目标区域,各目标区域即为各违禁物品在第四检测图像中的像素区域。
可选地,在基于各目标预测参考点确定第四检测图像时,将所有目标预测参考点进行聚类的过程,可以通过聚类算法来实现,也可以通过霍夫森林模型中的网络结构来实现,本发明实施例对此不做限制。
在使用目标区域框选各违禁物品时,可以在第四检测图像中,将参考点集合对应的各第一目标候选像素区域框选在同一个基础特征框中。可选地,用面积最小的一个基础特征框框选一个参考点集合中所有目标预测参考点对应的第一目标候选像素区域。
图12是本发明实施例提供的第四检测图像的示意图,结合图5b和图12可知,像素区域A、像素区域B、像素区域C和像素区域D被聚类在同一参考点集合内,像素区域F被聚类在另一个参考点集合内。因此,由像素区域A、像素区域B、像素区域C和像素区域D构成一个第三特征区域,即在一个目标区域内;像素区域F构成另一个第三特征区域,即在另一个目标区域内。如图12所示,在第四检测图像中确定出了两个违禁物品,分别使用了两个面积最小化的矩形框将两个违禁物品框选确定出来。
在本实施例中,可以基于聚类的方式,将各目标预测参考点确定出至少一个参考点集合,基于各参考点集合可以确定出第三特征区域,将第三特征区域确定为对应违禁物品的目标区域,实现了基于目标区域在第四检测图像中框选各违禁物品的目的。
在一实施例中,第一检测图像中还包括各目标特征单元对应的违禁物品基本单元的属性信息;属性信息包括以下至少一项:违禁物品基本单元的类别、目标特征单元表征为该类别的概率、目标特征单元在第一检测图像中的位置信息;第四检测图像中还包括目标区域表征的违禁物品的目标类别;目标类别为目标区域中各第一目标候选像素区域对应的违禁物品基本单元的类别。
示例地,违禁物品基本单元的类别可以是可燃爆最小单元所属的分类类别,例如上述实施例中的分类:1类、单颗粒鞭炮火药单元;2类、均匀分布火药单元等。目标特征单元表征为该类别的概率可以是该目标特征单元属于分类类别之一的可能性大小,也可以理解为上述实施例中的概率得分。目标特征单元在第一检测图像中的位置信息可以是目标特征单元内各像素点在第一检测图像中的坐标值的集合,也可以是标示目标特征单元的基础特征框的顶点坐标值的集合。
在第四检测图像中确定出目标区域后,将与目标区域对应的各第一目标候选像素区域对应的违禁物品基本单元的类别确定为目标区域表征的违禁物品的目标类别。
在一种实现方式中,若各第一目标候选像素区域对应的违禁物品基本单元的各类别相同时,将该类别确定为目标区域表征的违禁物品的目标类别。若各第一目标候选像素区域对应的违禁物品基本单元的各类别不相同时,统计各第一目标候选像素区域对应的违禁物品基本单元的各类别的数量,将数量最多的第一目标候选像素区域对应的违禁物品基本单元的类别确定为目标区域表征的违禁物品的目标类别。
在本实施例中,第一检测图像中包括各目标特征单元对应的违禁物品基本单元的属性信息,该属性信息可以直观地表达各目标特征单元对应的违禁物品基本单元的属性,可以提高对各目标特征单元后续的应用,增强了本发明方法的适用性。类似地,在第四检测图像中目标类别可以表征各目标区域对应的违禁物品所属的类别,在图像中表达各违禁物品的类别属性,便于安检人员直观地获取各违禁物品的属性信息,提高安全检查的工作效率。
当烟花爆竹等违禁物品整体作为识别对象时,如果不进行分类,将所有烟花爆竹整体目标归于一类,将使图像识别模型很难学习到有效目标特征,训练时需要大量的训练样本,训练得到的模型通常识别性能差。因此为改善识别性能,需人工进行烟花子类别划分以提高模型识别能力。此时将面临分类类别繁杂的问题,相同基本单元组成的烟花,由于组成数量或是结构不同的差异需要被划分至不同类别中,例如由七类可燃爆最小单元组合而成的烟花爆竹整体,根据不同形态特征需要划分为50-100个子类别,这给分类工作以及识别类别数量造成巨大负荷,同时由于分类数量上升,样本采集也更加困难。本发明实施例提供的基于X光图像的违禁物品检测方法,在针对烟花爆竹等各类违禁物品的检测时,由于待检测X光图像中的违禁物品基本单元的重复度高、区分度高以及特征明显,因此可以通过识别违禁物品基本单元来确定违禁物品的整体,能有效提高检测的准确度。
下面对本发明实施例提供的基于X光图像的违禁物品检测装置进行描述,下文描述的基于X光图像的违禁物品检测装置与上文描述的基于X光图像的违禁物品检测方法可相互对应参照。
图13是本发明实施例提供的基于X光图像的违禁物品检测装置的结构示意图,该基于X光图像的违禁物品检测装置1300包括:
获取单元1310,用于获取待检测X光图像和待检测X光图像对应的等效原子序数图像;
第一处理单元1320,用于将待检测X光图像输入至特征单元检测模型中,得到特征单元检测模型输出的第一检测图像;
第二处理单元1330,用于当第一检测图像中包括至少一个用于表征违禁物品基本单元的目标特征单元时,基于待检测X光图像和各目标特征单元,确定第一检测图像对应的第二检测图像;第二检测图像中包括各目标特征单元对应的候选像素区域;候选像素区域内的各像素点均为预测的表征违禁物品基本单元的像素点;
第三处理单元1340,用于基于等效原子序数图像,在第二检测图像的所有候选像素区域中确定出至少一个目标候选像素区域;
输出单元1350,用于将包括至少一个目标候选像素区域的第三检测图像输入至霍夫森林模型中,得到霍夫森林模型输出的第四检测图像;第四检测图像中包括框选各违禁物品的目标区域。
在一种示例实施例中,第二处理单元1330具体用于:
将待检测X光图像输入至图像分割模型中,得到分割结果图像;
在分割结果图像中确定与各目标特征单元对应的第一特征区域;
去除各第一特征区域内的背景区域,得到第二检测图像;背景区域为不表征违禁物品基本单元的像素点组成的区域。
在一种示例实施例中,第三处理单元1340具体用于:
在等效原子序数图像中确定与各候选像素区域对应的第二特征区域;
针对各第二特征区域,获取第二特征区域内各像素点对应的等效原子序数;
基于至少一个预设原子序数范围和各第二特征区域内各像素点对应的等效原子序数,在所有候选像素区域中确定出至少一个目标候选像素区域;各预设原子序数范围用于表征违禁物品基本单元包括的不同化学物质类型。
在一种示例实施例中,第三处理单元1340具体用于:
针对各第二特征区域,对于各预设原子序数范围,基于第二特征区域中位于预设原子序数范围内的各等效原子序数对应的像素点确定第一等效原子条状图;
基于第二特征区域中未位于所有预设原子序数范围内的各等效原子序数对应的像素点确定第二等效原子条状图;
在第二等效原子条状图和各第一等效原子条状图中,确定像素点数量最多的目标等效原子条状图;
在确定目标等效原子条状图对应的像素点的等效原子序数位于任一预设原子序数范围内的情况下,确定第二特征区域对应的候选像素区域为目标候选像素区域。
在一种示例实施例中,输出单元1350具体用于:
针对第三检测图像中的各目标候选像素区域,确定包括目标候选像素区域的外接区域,将外接区域确定为图像块集合;
将各图像块集合输入至霍夫森林模型中,得到霍夫森林模型输出的第四检测图像。
在一种示例实施例中,输出单元1350具体用于:
基于第一预设像素数量的第一预设倍数确定第一方向的第一长度,并基于第二预设像素数量的第二预设倍数确定第二方向的第二长度;第一方向与第二方向相互垂直;第一预设倍数和第二预设倍数均为在保证外接区域包括目标候选像素区域内所有像素点的情况下对应的最小正整数;
基于目标候选像素区域的中心、第一长度和第二长度确定外接区域。
在一种示例实施例中,输出单元1350具体用于:
将各图像块集合输入至霍夫森林模型中,通过霍夫森林模型确定各图像块集合对应的目标预测参考点;目标预测参考点用于表征图像块集合对应的目标候选像素区域,所表征的违禁物品基本单元所属的违禁物品的中心点;
基于各目标预测参考点确定第四检测图像。
在一种示例实施例中,输出单元1350具体用于:
将所有目标预测参考点进行聚类,得到至少一个参考点集合;
针对各参考点集合,基于参考点集合中各目标预测参考点对应的第一目标候选像素区域,在第四检测图像中确定包括各第一目标候选像素区域的第三特征区域,将第三特征区域确定为对应违禁物品的目标区域。
在一种示例实施例中,第一检测图像中还包括各目标特征单元对应的违禁物品基本单元的属性信息;属性信息包括以下至少一项:违禁物品基本单元的类别、目标特征单元表征为类别的概率、目标特征单元在第一检测图像中的位置信息;
第四检测图像中还包括目标区域表征的违禁物品的目标类别;目标类别为目标区域中各第一目标候选像素区域对应的违禁物品基本单元的类别。
在一种示例实施例中,违禁物品为烟花爆竹,违禁物品基本单元为构成烟花爆竹的可燃爆最小单元。
本实施例的装置,可以用于执行基于X光图像的违禁物品检测方法侧实施例中任一实施例的方法,其具体实现过程和技术效果与基于X光图像的违禁物品检测方法侧实施例中类似,具体可以参见基于X光图像的违禁物品检测方法侧实施例中的详细介绍,此处不再赘述。
图14是本发明实施例提供的电子设备的结构示意图,如图14所示,该电子设备1400可以包括:处理器(processor)1410、通信接口(Communications Interface)1420、存储器(memory)1430和通信总线1440,其中,处理器1410,通信接口1420,存储器1430通过通信总线1440完成相互间的通信。处理器1410可以调用存储器1430中的逻辑指令,以执行基于X光图像的违禁物品检测方法,该方法包括:获取待检测X光图像和待检测X光图像对应的等效原子序数图像;将待检测X光图像输入至特征单元检测模型中,得到特征单元检测模型输出的第一检测图像;当第一检测图像中包括至少一个用于表征违禁物品基本单元的目标特征单元时,基于待检测X光图像和各目标特征单元,确定第一检测图像对应的第二检测图像;第二检测图像中包括各目标特征单元对应的候选像素区域;候选像素区域内的各像素点均为预测的表征违禁物品基本单元的像素点;基于等效原子序数图像,在第二检测图像的所有候选像素区域中确定出至少一个目标候选像素区域;将包括至少一个目标候选像素区域的第三检测图像输入至霍夫森林模型中,得到霍夫森林模型输出的第四检测图像;第四检测图像中包括框选各违禁物品的目标区域。
此外,上述的存储器1430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于X光图像的违禁物品检测方法,该方法包括:获取待检测X光图像和待检测X光图像对应的等效原子序数图像;将待检测X光图像输入至特征单元检测模型中,得到特征单元检测模型输出的第一检测图像;当第一检测图像中包括至少一个用于表征违禁物品基本单元的目标特征单元时,基于待检测X光图像和各目标特征单元,确定第一检测图像对应的第二检测图像;第二检测图像中包括各目标特征单元对应的候选像素区域;候选像素区域内的各像素点均为预测的表征违禁物品基本单元的像素点;基于等效原子序数图像,在第二检测图像的所有候选像素区域中确定出至少一个目标候选像素区域;将包括至少一个目标候选像素区域的第三检测图像输入至霍夫森林模型中,得到霍夫森林模型输出的第四检测图像;第四检测图像中包括框选各违禁物品的目标区域。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于X光图像的违禁物品检测方法,该方法包括:获取待检测X光图像和待检测X光图像对应的等效原子序数图像;将待检测X光图像输入至特征单元检测模型中,得到特征单元检测模型输出的第一检测图像;当第一检测图像中包括至少一个用于表征违禁物品基本单元的目标特征单元时,基于待检测X光图像和各目标特征单元,确定第一检测图像对应的第二检测图像;第二检测图像中包括各目标特征单元对应的候选像素区域;候选像素区域内的各像素点均为预测的表征违禁物品基本单元的像素点;基于等效原子序数图像,在第二检测图像的所有候选像素区域中确定出至少一个目标候选像素区域;将包括至少一个目标候选像素区域的第三检测图像输入至霍夫森林模型中,得到霍夫森林模型输出的第四检测图像;第四检测图像中包括框选各违禁物品的目标区域。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于X光图像的违禁物品检测方法,其特征在于,包括:
获取待检测X光图像和所述待检测X光图像对应的等效原子序数图像;
将所述待检测X光图像输入至特征单元检测模型中,得到所述特征单元检测模型输出的第一检测图像;
当所述第一检测图像中包括至少一个用于表征违禁物品基本单元的目标特征单元时,基于所述待检测X光图像和各所述目标特征单元,确定所述第一检测图像对应的第二检测图像;所述第二检测图像中包括各所述目标特征单元对应的候选像素区域;所述候选像素区域内的各像素点均为预测的表征违禁物品基本单元的像素点;
在所述等效原子序数图像中确定与各所述候选像素区域对应的第二特征区域;
针对各所述第二特征区域,获取所述第二特征区域内各像素点对应的等效原子序数;
针对各所述第二特征区域,对于各预设原子序数范围,基于所述第二特征区域中位于所述预设原子序数范围内的各等效原子序数对应的像素点确定第一等效原子条状图;各所述预设原子序数范围用于表征违禁物品基本单元包括的不同化学物质类型;
基于所述第二特征区域中未位于所有所述预设原子序数范围内的各等效原子序数对应的像素点确定第二等效原子条状图;
在所述第二等效原子条状图和各所述第一等效原子条状图中,确定像素点数量最多的目标等效原子条状图;
在确定所述目标等效原子条状图对应的像素点的等效原子序数位于任一所述预设原子序数范围内的情况下,确定所述第二特征区域对应的候选像素区域为目标候选像素区域;
将包括至少一个所述目标候选像素区域的第三检测图像输入至霍夫森林模型中,得到所述霍夫森林模型输出的第四检测图像;所述第四检测图像中包括框选各违禁物品的目标区域。
2.根据权利要求1所述的基于X光图像的违禁物品检测方法,其特征在于,所述基于所述待检测X光图像和各所述目标特征单元,确定所述第一检测图像对应的第二检测图像,包括:
将所述待检测X光图像输入至图像分割模型中,得到分割结果图像;
在所述分割结果图像中确定与各所述目标特征单元对应的第一特征区域;
去除各所述第一特征区域内的背景区域,得到所述第二检测图像;所述背景区域为不表征违禁物品基本单元的像素点组成的区域。
3.根据权利要求1所述的基于X光图像的违禁物品检测方法,其特征在于,所述将包括至少一个所述目标候选像素区域的第三检测图像输入至霍夫森林模型中,得到所述霍夫森林模型输出的第四检测图像,包括:
针对所述第三检测图像中的各所述目标候选像素区域,确定包括所述目标候选像素区域的外接区域,将所述外接区域确定为图像块集合;
将各所述图像块集合输入至所述霍夫森林模型中,得到所述霍夫森林模型输出的所述第四检测图像。
4.根据权利要求3所述的基于X光图像的违禁物品检测方法,其特征在于,所述确定包括所述目标候选像素区域的外接区域,包括:
基于第一预设像素数量的第一预设倍数确定第一方向的第一长度,并基于第二预设像素数量的第二预设倍数确定第二方向的第二长度;所述第一方向与所述第二方向相互垂直;所述第一预设倍数和所述第二预设倍数均为在保证所述外接区域包括所述目标候选像素区域内所有像素点的情况下对应的最小正整数;
基于所述目标候选像素区域的中心、所述第一长度和所述第二长度确定所述外接区域。
5.根据权利要求3所述的基于X光图像的违禁物品检测方法,其特征在于,所述将各所述图像块集合输入至所述霍夫森林模型中,得到所述霍夫森林模型输出的所述第四检测图像,包括:
将各所述图像块集合输入至所述霍夫森林模型中,通过所述霍夫森林模型确定各所述图像块集合对应的目标预测参考点;所述目标预测参考点用于表征所述图像块集合对应的目标候选像素区域,所表征的违禁物品基本单元所属的违禁物品的中心点;
基于各所述目标预测参考点确定所述第四检测图像。
6.根据权利要求5所述的基于X光图像的违禁物品检测方法,其特征在于,所述基于各所述目标预测参考点确定所述第四检测图像,包括:
将所有所述目标预测参考点进行聚类,得到至少一个参考点集合;
针对各所述参考点集合,基于所述参考点集合中各目标预测参考点对应的第一目标候选像素区域,在所述第四检测图像中确定包括各所述第一目标候选像素区域的第三特征区域,将所述第三特征区域确定为对应违禁物品的目标区域。
7.根据权利要求6所述的基于X光图像的违禁物品检测方法,其特征在于,所述第一检测图像中还包括各所述目标特征单元对应的违禁物品基本单元的属性信息;所述属性信息包括以下至少一项:违禁物品基本单元的类别、所述目标特征单元表征为所述类别的概率、所述目标特征单元在所述第一检测图像中的位置信息;
所述第四检测图像中还包括所述目标区域表征的违禁物品的目标类别;所述目标类别为所述目标区域中各所述第一目标候选像素区域对应的违禁物品基本单元的类别。
8.根据权利要求1-7任一项所述的基于X光图像的违禁物品检测方法,其特征在于,所述违禁物品为烟花爆竹,所述违禁物品基本单元为构成所述烟花爆竹的可燃爆最小单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310690253.5A CN116958646B (zh) | 2023-06-12 | 2023-06-12 | 基于x光图像的违禁物品检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310690253.5A CN116958646B (zh) | 2023-06-12 | 2023-06-12 | 基于x光图像的违禁物品检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116958646A CN116958646A (zh) | 2023-10-27 |
CN116958646B true CN116958646B (zh) | 2024-01-30 |
Family
ID=88441736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310690253.5A Active CN116958646B (zh) | 2023-06-12 | 2023-06-12 | 基于x光图像的违禁物品检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116958646B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118035481A (zh) * | 2024-04-11 | 2024-05-14 | 同方威视技术股份有限公司 | 检索器的生成方法、目标检测方法及射线扫描检测系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006082521A2 (en) * | 2005-02-01 | 2006-08-10 | Qrsciences Pty Ltd | Article sequencing for scanning and improved article screening for detecting objects and substances |
JP2010074368A (ja) * | 2008-09-17 | 2010-04-02 | Ricoh Co Ltd | 画像処理装置、画像処理方法、およびプログラム |
CN108198227A (zh) * | 2018-03-16 | 2018-06-22 | 济南飞象信息科技有限公司 | 基于x光安检机图像的违禁品智能识别方法 |
CN109902643A (zh) * | 2019-03-07 | 2019-06-18 | 浙江啄云智能科技有限公司 | 基于深度学习的智能安检方法、装置、系统及其电子设备 |
CN110020647A (zh) * | 2018-01-09 | 2019-07-16 | 杭州海康威视数字技术股份有限公司 | 一种违禁品目标检测方法、装置及计算机设备 |
CN110488368A (zh) * | 2019-07-26 | 2019-11-22 | 中控智慧科技股份有限公司 | 一种基于双能x光安检机的违禁品识别方法及装置 |
CN110956225A (zh) * | 2020-02-25 | 2020-04-03 | 浙江啄云智能科技有限公司 | 一种违禁品检测方法及系统、一种计算设备及存储介质 |
CN111860510A (zh) * | 2020-07-29 | 2020-10-30 | 浙江大华技术股份有限公司 | 一种x光图像目标检测方法及装置 |
CN112884085A (zh) * | 2021-04-02 | 2021-06-01 | 中国科学院自动化研究所 | 基于x光图像的违禁物品检测识别方法、系统及设备 |
CN113792826A (zh) * | 2021-11-17 | 2021-12-14 | 湖南苏科智能科技有限公司 | 基于神经网络和多源数据的双视角关联安检方法及系统 |
CN115620066A (zh) * | 2022-10-26 | 2023-01-17 | 北京声迅电子股份有限公司 | 一种基于x光图像的物品检测方法、装置及电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3764281A1 (en) * | 2016-02-22 | 2021-01-13 | Rapiscan Systems, Inc. | Methods of identifying firearms in radiographic images |
US10782441B2 (en) * | 2017-04-25 | 2020-09-22 | Analogic Corporation | Multiple three-dimensional (3-D) inspection renderings |
-
2023
- 2023-06-12 CN CN202310690253.5A patent/CN116958646B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006082521A2 (en) * | 2005-02-01 | 2006-08-10 | Qrsciences Pty Ltd | Article sequencing for scanning and improved article screening for detecting objects and substances |
JP2010074368A (ja) * | 2008-09-17 | 2010-04-02 | Ricoh Co Ltd | 画像処理装置、画像処理方法、およびプログラム |
CN110020647A (zh) * | 2018-01-09 | 2019-07-16 | 杭州海康威视数字技术股份有限公司 | 一种违禁品目标检测方法、装置及计算机设备 |
CN108198227A (zh) * | 2018-03-16 | 2018-06-22 | 济南飞象信息科技有限公司 | 基于x光安检机图像的违禁品智能识别方法 |
CN109902643A (zh) * | 2019-03-07 | 2019-06-18 | 浙江啄云智能科技有限公司 | 基于深度学习的智能安检方法、装置、系统及其电子设备 |
CN110488368A (zh) * | 2019-07-26 | 2019-11-22 | 中控智慧科技股份有限公司 | 一种基于双能x光安检机的违禁品识别方法及装置 |
CN110956225A (zh) * | 2020-02-25 | 2020-04-03 | 浙江啄云智能科技有限公司 | 一种违禁品检测方法及系统、一种计算设备及存储介质 |
CN111860510A (zh) * | 2020-07-29 | 2020-10-30 | 浙江大华技术股份有限公司 | 一种x光图像目标检测方法及装置 |
CN112884085A (zh) * | 2021-04-02 | 2021-06-01 | 中国科学院自动化研究所 | 基于x光图像的违禁物品检测识别方法、系统及设备 |
CN113792826A (zh) * | 2021-11-17 | 2021-12-14 | 湖南苏科智能科技有限公司 | 基于神经网络和多源数据的双视角关联安检方法及系统 |
CN115620066A (zh) * | 2022-10-26 | 2023-01-17 | 北京声迅电子股份有限公司 | 一种基于x光图像的物品检测方法、装置及电子设备 |
Non-Patent Citations (2)
Title |
---|
X光安检图像多尺度违禁品检测;张友康;苏志刚;张海刚;杨金锋;;信号处理(07);72-82 * |
多信息融合邮政分拣系统安全检测方法研究;朱亮;《中国博士学位论文全文数据库信息科技辑》;I138-230 * |
Also Published As
Publication number | Publication date |
---|---|
CN116958646A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446700B (zh) | 一种基于对抗攻击的车牌攻击生成方法 | |
CN109410184B (zh) | 基于稠密对抗网络半监督学习的直播色情图像检测方法 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN106778757A (zh) | 基于文本显著性的场景文本检测方法 | |
CN113822247B (zh) | 基于航拍影像的违章建筑识别方法及系统 | |
CN116958646B (zh) | 基于x光图像的违禁物品检测方法 | |
CN103020265B (zh) | 图像检索的方法和系统 | |
CN116363440B (zh) | 基于深度学习的土壤中有色微塑料的识别检测方法及系统 | |
CN108108751A (zh) | 一种基于卷积多特征和深度随机森林的场景识别方法 | |
CN110569905A (zh) | 基于生成对抗网络和注意力网络的细粒度图像分类方法 | |
CN101901346A (zh) | 一种对彩色数字图像进行不良内容识别的方法 | |
CN112633354B (zh) | 路面裂缝检测方法、装置、计算机设备和存储介质 | |
CN102542293A (zh) | 一种针对高分辨率sar图像场景解译的一类提取分类方法 | |
CN112183438B (zh) | 基于小样本学习神经网络的违规行为的图像识别方法 | |
CN111639610A (zh) | 一种基于深度学习的火情识别方法及系统 | |
CN114255403A (zh) | 基于深度学习的光学遥感图像数据处理方法及系统 | |
Wang et al. | A camouflaged object detection model based on deep learning | |
CN111783608B (zh) | 一种换脸视频检测方法 | |
Yandouzi et al. | Forest fires detection using deep transfer learning | |
CN115115863A (zh) | 水面多尺度目标检测方法、装置及系统和存储介质 | |
CN113516060B (zh) | 基于多时相高分辨率数据的建筑空间融合判别方法及装置 | |
CN112818774B (zh) | 一种活体检测方法及装置 | |
CN117437562A (zh) | 一种基于无人机遥感图像的野外烟火快速检测方法 | |
CN112699842A (zh) | 宠物识别方法、装置、设备及计算机可读存储介质 | |
Huang et al. | Anchor-free weapon detection for x-ray baggage security 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 |