CN117218081A - 快件安检方法 - Google Patents
快件安检方法 Download PDFInfo
- Publication number
- CN117218081A CN117218081A CN202311182923.9A CN202311182923A CN117218081A CN 117218081 A CN117218081 A CN 117218081A CN 202311182923 A CN202311182923 A CN 202311182923A CN 117218081 A CN117218081 A CN 117218081A
- Authority
- CN
- China
- Prior art keywords
- express
- level
- target
- item
- items
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 183
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000005070 sampling Methods 0.000 claims abstract description 197
- 238000003066 decision tree Methods 0.000 claims abstract description 37
- 230000006378 damage Effects 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 description 24
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 5
- 239000000523 sample Substances 0.000 description 5
- 239000002360 explosive Substances 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- YXFVVABEGXRONW-UHFFFAOYSA-N Toluene Chemical compound CC1=CC=CC=C1 YXFVVABEGXRONW-UHFFFAOYSA-N 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 2
- 229910052785 arsenic Inorganic materials 0.000 description 2
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- -1 mercurides Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- GRYLNZFGIOXLOG-UHFFFAOYSA-N Nitric acid Chemical compound O[N+]([O-])=O GRYLNZFGIOXLOG-UHFFFAOYSA-N 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 239000003518 caustics Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000003721 gunpowder Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000003915 liquefied petroleum gas Substances 0.000 description 1
- 150000002731 mercury compounds Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910017604 nitric acid Inorganic materials 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000000941 radioactive substance Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Landscapes
- Character Discrimination (AREA)
Abstract
本发明提供一种快件安检方法,包括:获取各快件的目标图像;在基于目标图像预测对应快件中包括禁止寄递物品的情况下,确定禁止寄递物品的种类;将种类输入基于决策树预先构建的分层概率抽检模型中,得到快件的目标级别,目标级别用于表征快件中禁止寄递物品对人体的危害度;目标级别与危害度呈负相关;基于各目标级别,从所有快件中确定目标快件;目标快件包括目标级别为最低级别的所有快件、以及除最低级别之外的其他级别的部分快件;部分快件为基于第一抽检概率从除最低级别之外的其他级别的所有快件中确定的;输出用于指示对目标快件进行开件安检的提示信息。该方法能减少开件安检的数量,降低了开件安检耗费的时间,能提高快件安检的效率。
Description
技术领域
本发明涉及安全检查技术领域,尤其涉及一种快件安检方法。
背景技术
随着商业和物流业的蓬勃发展,每天通过快递服务发送的快件数量越来越庞大。在快件发出和转运时,都需要对快件进行安全检查,以确定快件中是否包含禁止寄递的物品。
快件安检通常采用人工检查的方式,通过安检X光机对快件进行扫描,采集包含快件内物品的X光图像,再通过人工观察X光图像对快件内部的物品进行检查,当检查出可疑物品时,需要打开快件进一步检查确认可疑物品是否为禁止寄递物品。
依靠人工观察X光图像进行快件安检时,需要投入大量有鉴别能力的安检人员,人力成本较高;并且,若对所有包含可疑物品的快件实施开件安检时,工作量巨大,需要大量人员消耗时间逐一开件检查确认,因此,快件安检的效率较低。
发明内容
本发明提供一种快件安检方法,用以解决现有技术中快件安检的效率较低的缺陷,实现提高快件安检效率的目的。
本发明提供一种快件安检方法,包括:
获取各快件的目标图像;
针对各所述目标图像,在基于所述目标图像预测对应快件中包括禁止寄递物品的情况下,确定所述禁止寄递物品的种类;
将所述种类输入基于决策树预先构建的分层概率抽检模型中,得到所述分层概率抽检模型的第一级子节点输出的所述快件的目标级别,所述目标级别用于表征所述快件中禁止寄递物品对人体的危害度;所述目标级别与所述危害度呈负相关;
基于各所述目标级别,从所有所述快件中确定目标快件;所述目标快件包括所述目标级别为最低级别的所有快件、以及除所述最低级别之外的其他级别的部分快件;所述部分快件为基于第一抽检概率从除所述最低级别之外的其他级别的所有快件中确定的;
输出提示信息;所述提示信息用于指示对所述目标快件进行开件安检。
根据本发明提供的快件安检方法,所述目标快件还包括第一快件;所述方法还包括:
确定所有快件中基于所述第一抽检概率未进行开件安检的至少一个第二快件;
针对各所述第二快件,获取所述第二快件的寄件地址和收件地址;
将所述寄件地址和所述收件地址输入所述分层概率抽检模型中,得到所述分层概率抽检模型的第二级子节点输出的所述第二快件的邮寄路径的目标风险等级;
基于各所述目标风险等级,从所有所述第二快件中确定所述第一快件;所述第一快件包括所述目标风险等级为最高级别的所有第二快件、以及除最高级别之外的其他级别的部分第二快件;所述部分第二快件为基于第二抽检概率从除最高级别之外的其他级别的所有第二快件中确定的。
根据本发明提供的快件安检方法,所述目标快件还包括第三快件;所述方法还包括:
确定所有快件中基于所述第一抽检概率和所述第二抽检概率均未进行开件安检的至少一个第四快件;
针对各所述第四快件,获取所述第四快件的目标对象,所述目标对象包括寄件对象和/或收件对象;
将所述目标对象输入所述分层概率抽检模型中,得到所述分层概率抽检模型的第三级子节点输出的所述目标对象的目标信用等级;
基于各所述目标信用等级,从所有所述第四快件中确定所述第三快件;所述第三快件包括所述目标信用等级为最低级别的所有第四快件、以及除最低级别之外的其他级别的部分第四快件;所述部分第四快件为基于第三抽检概率从除最低级别之外的其他级别的所有第四快件中确定的。
根据本发明提供的快件安检方法,所述将所述种类输入基于决策树预先构建的分层概率抽检模型中,得到所述分层概率抽检模型的第一级子节点输出的所述快件的目标级别,包括:
在基于所述目标图像预测对应快件中包括至少两类禁止寄递物品的情况下,获取各所述禁止寄递物品对应种类的置信度;
将最高置信度对应的种类输入所述分层概率抽检模型中,得到所述分层概率抽检模型的第一级子节点输出的所述快件的目标级别。
根据本发明提供的快件安检方法,所述将所述种类输入基于决策树预先构建的分层概率抽检模型中,得到所述分层概率抽检模型的第一级子节点输出的所述快件的目标级别,包括:
在基于所述目标图像预测对应快件中包括至少两类禁止寄递物品的情况下,将各所述种类均输入所述分层概率抽检模型中,得到各所述种类对应的级别,将所有种类对应的级别中最低级别从所述第一级子节点输出,得到所述目标级别。
根据本发明提供的快件安检方法,所述将所述种类输入基于决策树预先构建的分层概率抽检模型中,得到所述分层概率抽检模型的第一级子节点输出的所述快件的目标级别,包括:
在基于所述目标图像预测对应快件中包括至少两类禁止寄递物品的情况下,将各所述种类均输入所述分层概率抽检模型中,确定各所述种类对应的级别,并基于各所述种类对应的级别确定包含种类最多的第一级别;
基于所述第一级别中各种类对应的置信度确定第一级别对应的置信度;
在所述第一级别对应的置信度大于所述第一级别对应的预设置信度的情况下,将所述第一级别从所述第一级子节点输出,得到所述目标级别。
根据本发明提供的快件安检方法,所述将所述种类输入基于决策树预先构建的分层概率抽检模型中,得到所述分层概率抽检模型的第一级子节点输出的所述快件的目标级别,包括:
将所述种类输入基于决策树预先构建的分层概率抽检模型中,所述分层概率抽检模型基于禁止寄递物品集合与级别的对应关系,确定所述禁止寄递物品所属的目标禁止寄递物品集合,将所述目标禁止寄递物品集合对应的级别从所述分层概率抽检模型的第一级子节点输出,得到所述目标级别。
根据本发明提供的快件安检方法,所述将所述寄件地址和所述收件地址输入所述分层概率抽检模型中,得到所述分层概率抽检模型的第二级子节点输出的所述第二快件的邮寄路径的目标风险等级,包括:
将所述寄件地址和所述收件地址输入所述分层概率抽检模型中,所述分层概率抽检模型基于邮寄路径和风险等级的对应关系,确定所述第二快件的邮寄路径对应的风险等级,将所述第二快件的邮寄路径对应的风险等级从所述分层概率抽检模型的第二级子节点输出,得到所述目标风险等级;所述邮寄路径和风险等级的对应关系是基于第一预设时长内各邮寄路径邮寄的快件总数和各邮寄路径邮寄的快件中包含禁止寄递物品的快件的总数确定的。
根据本发明提供的快件安检方法,所述将所述目标对象输入所述分层概率抽检模型中,得到所述分层概率抽检模型的第三级子节点输出的所述目标对象的目标信用等级,包括:
将所述目标对象输入所述分层概率抽检模型中,所述分层概率抽检模型基于对象和信用等级的对应关系,确定所述目标对象的目标信用等级,将所述目标对象的目标信用等级从所述分层概率抽检模型的第三级子节点输出,得到所述目标信用等级;所述对象和信用等级的对应关系是基于第二预设时长内与各对象相关的快件总数和相关的快件中包含禁止寄递物品的快件的总数确定的。
根据本发明提供的快件安检方法,所述方法还包括:
基于级别和抽检概率的对应关系,确定除所述最低级别之外的其他级别各自对应的所述第一抽检概率。
本发明还提供一种快件安检装置,包括:
获取模块,用于获取各快件的目标图像;
第一确定模块,用于针对各所述目标图像,在基于所述目标图像预测对应快件中包括禁止寄递物品的情况下,确定所述禁止寄递物品的种类;
处理模块,用于将所述种类输入基于决策树预先构建的分层概率抽检模型中,得到所述分层概率抽检模型的第一级子节点输出的所述快件的目标级别,所述目标级别用于表征所述快件中禁止寄递物品对人体的危害度;所述目标级别与所述危害度呈负相关;
第二确定模块,用于基于各所述目标级别,从所有所述快件中确定目标快件;所述目标快件包括所述目标级别为最低级别的所有快件、以及除所述最低级别之外的其他级别的部分快件;所述部分快件为基于第一抽检概率从除所述最低级别之外的其他级别的所有快件中确定的;
输出模块,用于输出提示信息;所述提示信息用于指示对所述目标快件进行开件安检。
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快件安检方法。
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快件安检方法。
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快件安检方法。
本发明提供的快件安检方法,在获取各快件的目标图像后,基于各目标图像,在预测对应快件中包括禁止寄递物品的情况下,确定禁止寄递物品的种类,并将种类输入分层概率抽检模型,得到分层概率抽检模型输出的快件的目标级别,该目标级别可以表征快件中禁止寄递物品对人体的危害度,基于此,能通过非人工的方式预测识别出包含禁止寄递物品的快件,并确定出能反映该快件对人体危害程度的目标级别。基于各目标级别,从各快件中确定目标快件,并输出指示对目标快件进行开件安检的提示信息,其中,目标快件中包括对人体危害度最高的所有快件,还包括从非最高危害度的各快件中抽检出的部分快件,因此,基于提示信息进行开件安检时,能避免漏检危害度最高的所有快件,还能减少开件安检的数量,降低开件安检耗费的时间,进而提高了快件安检的效率。
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快件安检方法的流程示意图;
图2是本发明实施例提供的目标图像的示意图;
图3是本发明实施例提供的邮寄路径的示意图;
图4是本发明实施例提供的确定目标级别的示意框图;
图5是本发明实施例提供的分层概率抽检模型的结构示意图;
图6是本发明实施例提供的快件安检装置的结构示意图;
图7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。
快件是快递服务组织依法收寄并封装完好的信件或包裹等寄递物品的统称,随着电子商务的不断发展,快件寄递的业务量不断增大,尤其在电商促销期间,快件的发运数量出现爆发式的突增。采用人工安检的方式对快件进行安检时,需要安检人员评经验检出疑似包含禁止寄递物品的存疑快件,并对所有存疑快件打开包装进行开件安检,开件的数量大耗时多,安检的效率极低,不能满足快递时效性的需求。
针对上述存在的问题,本发明提出采用非人工的方式预测识别出包含禁止寄递物品的存疑快件,并结合分类抽检的策略对不同危害度的各存疑快件实施不同概率的抽检,以减少开件安检的数量,实现提高安检效率的目的。
本发明实施例提供一种快件安检方法,该方法通过获取的各快件的目标图像预测识别出存疑快件,并确定存疑快件中禁止寄递物品的种类;通过分层概率抽检模型,得到存疑快件的目标级别,利用目标级别反映各存疑快件对人体的危害度;进一步地,基于各存疑快件的目标级别,对危害度最高的所有快件全部开件安检,对危害度非最高的各快件按第一抽检概率进行抽检,在不漏检危害度最高的所有快件的前提下,适度减少开件安检的数量,降低开件安检耗费的时间,达到提高安检效率的目的。
下面结合图1至图5对本发明实施例提供的快件安检方法进行描述。本方法的执行主体可以是安检机、X光机、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快件安检装置,该快件安检装置可以通过软件、硬件或两者的结合来实现。图1是本发明实施例提供的快件安检方法的流程示意图,如图1所示,该方法包括步骤110至步骤150。
步骤110,获取各快件的目标图像。
具体地,通过图像采集装置对需要进行安检的快件进行拍摄或扫描,可以获取快件的目标图像。其中,图像采集装置例如可以是单能量X光机、多能量X光机或安检机等;获取的目标图像可以是能用于预测识别快件内部物品的任意形式的图像,例如可以是X光图像等。
例如,需要对10000个快件进行快件安检,通过多能量X光机分别对该10000个快件进行X光扫描,可以获取该10000个快件各自对应的至少一个目标图像。
步骤120,针对各目标图像,在基于目标图像预测对应快件中包括禁止寄递物品的情况下,确定禁止寄递物品的种类。
具体地,获取各快件各自对应的目标图像后,针对各目标图像,确定快件中是否包括禁止寄递物品,当确定出快件对应的目标图像中存在禁止寄递物品的影像时,则确定出该快件包括禁止寄递物品,该快件可作为存疑快件,并确定其内部的禁止寄递物品的种类。
示例性的,针对各目标图像,可以采用图像识别的方法对目标图像进行检测,以预测识别出目标图像中是否存在禁止寄递物品,以及禁止寄递物品的种类。例如,可以通过能对图像中的物体影像进行识别和种类判断的目标检测模型对目标图像进行检测,即可预测识别出目标图像中是否存在禁止寄递物品并输出禁止寄递物品的种类。其中,禁止寄递物品的种类可以是禁止通过快递运输的方式寄递的物品种类,例如炸药、雷管、烟花、鞭炮、液化石油气、打火机、气雾剂、汽油、酒精、砒霜、汞化物、硫酸、硝酸、甲苯、丙酮等运输行业规定的禁止寄递物品的种类。
图2是本发明实施例提供的目标图像的示意图,如图2所示,通过安检X光机对快件进行扫描可以获取快件对应的目标图像,图2中的目标图像为伪彩色的X光图像。将该目标图像输入预先训练好的目标检测模型中,目标检测模型可以预测识别目标图像中的各物品是否为禁止寄递物品,当预测出对应快件中包括禁止寄递物品时,目标检测模型可以框选禁止寄递物品的影像,示出其在目标图像中的位置。目标检测模型可对识别出的禁止寄递物品的种类进行判断,并可标示出该禁止寄递物品的种类。如图2中,目标检测模型使用矩形框在目标图像中框选出各禁止寄递物品并标示其种类名称,各禁止寄递物品分别为手雷、子弹和鞭炮。
目标检测模型可以是基于至少一个样本图像和禁止寄递物品的种类标签对初始目标检测模型进行训练后得到的模型。样本图像中包括禁止寄递物品的影像,对样本图像中禁止寄递物品的影像进行种类标注可得到其对应的种类标签。
初始目标检测模型例如可以是端到端的探测变压器(DEtectionTRansformer,DETR),初始目标检测模型可以包括一个主干网络Backbone、一个多层的Transformer编码器、一个多层的Transformer解码器、查询选择模块和多个预测头。基于样本图像和种类标签对初始目标检测模型进行有监督的训练,可以得到目标检测模型。
将目标图像输入训练后的目标检测模型中,通过Backbone网络提取多尺度特征,例如,不同分辨率下的颜色、边缘特征、纹理特征、亮度特征、对比度特征。将多尺度特征和物品影像的目标位置像素坐标信息输入Transformer编码器中对特征进行增强,将增强后的特征输入查询选择模块,并将初始的锚点anchor作为Transformer解码器的位置查询,通过多个预测头使用可变形注意力将编码器输出的特征和初始化锚点以及可学习的内容查询结合,逐层更新查询,即可输出目标图像中禁止寄递物品的位置以及禁止寄递物品的种类。目标检测模型可以预测识别的禁止寄递物品的种类包括但不限于弓弩、电击器、烟花、鞭炮、摔炮、拉炮、砸炮、彩药弹等烟花爆竹及黑火药、烟火药、发令纸、引火线、瓶装液体、压力容器、蓄电池、书籍、音像制品、药品、喷雾、酒精瓶、护手、水果刀、锯、飞镖、弹弓和雷管等。
例如,针对10000个快件的目标图像,将各目标图像分别输入目标检测模型中,目标检测模型可以输出框选有禁止寄递物品的目标图像,例如,10000个快件中有100个快件包括禁止寄递物品,则该100个快件均为存疑快件,各存疑快件的目标图像中分别标示有各禁止寄递物品的种类,目标检测模型可以输出存疑快件中各禁止寄递物品的种类。
步骤130,将种类输入基于决策树预先构建的分层概率抽检模型中,得到分层概率抽检模型的第一级子节点输出的快件的目标级别,目标级别用于表征快件中禁止寄递物品对人体的危害度;目标级别与危害度呈负相关。
具体地,可以根据禁止寄递物品对人体的危害度将各种类的禁止寄递物品进行级别划分,通过划分的级别以区分禁止寄递物品对人体的危害程度。其中,级别与危害度呈负相关,可以理解为,级别越高的禁止寄递物品对人体的危害度越低,级别越低的禁止寄递物品对人体的危害度越高。基于决策树预先构建的分层概率抽检模型可以基于快件中禁止寄递物品的种类,确定快件的目标级别。
示例性的,根据禁止寄递物品对人体造成瞬时危害的强弱程度可划分出N个级别,各级别中包括至少一个种类的禁止寄递物品,其中,N可以为任意大于0的正整数。例如,针对各禁止寄递物品的危害度划分出三个级别,分别为级别1、级别2和级别3,其中,级别3为最高级别,级别3对应的禁止寄递物品对人体的危害度最弱,如包括书籍、音像制品等不易致人受伤的禁止寄递物品;级别2为次高级别,级别2对应的禁止寄递物品对人体的危害度介于级别1和级别3之间,如包括砒霜和汞化物等易致人受伤的禁止寄递物品;级别1为最低级别,级别1对应的禁止寄递物品对人体的危害度最强,如包括炸药、雷管、鞭炮和汽油等可致人严重伤亡的禁止寄递物品。
禁止寄递物品的种类可以包括行业管理部门发布的《禁止寄递物品管理规定》中规定的各禁止寄递物品的种类。在《禁止寄递物品管理规定》中将各种类的禁止寄递物品划分为18个大类,例如爆炸物品、压缩和液化气体及其容器、易燃液体、易燃固体、放射性物质、管制器具、毒性物质、生化制品、氧化剂和过氧化剂、腐蚀性物质、濒危野生动物及其制品以及禁止进出境物品等。根据禁止寄递物品对人体造成瞬时危害的强弱程度进行级别划分时,可以根据《禁止寄递物品管理规定》中的18个大类进行划分,例如,将18个大类划分为3个级别,其中第1类至第6类划分为级别1,该级别为最低级别;第7类至第11类划分为级别2,该级别为次低级别;第12类至第18类划分为级别3,该级别为最高级别。
分层概率抽检模型可以是以决策树为基础的树状模型,通过该模型可以将是否对存疑快件进行开件安检的问题归为概率分类问题,可以分为两类结果:开件安检和不开件安检,开件安检即打开快件的包装进行检查。分层概率抽检模型在决策树上以信息增益比来选择特征,从根节点开始,对节点计算所有可能的特征的信息增益比,选择信息增益比最大的特征作为节点的特征,由该特征的不同取值建立子节点,再对子节点递归调用以上方法,即可构建该树状模型。构建的分层概率抽检模型可以是包括若干决策数层的树状模型,例如可以是包括三层决策数层的树状模型,也可以是包括四层决策树层的树状模型等。构建出分层概率抽检模型后,分层概率抽检模型的第一层决策数层即第一级子节点,可以确定出快件对应的目标级别。
示例性的,将存疑快件中的禁止寄递物品的种类输入分层概率抽检模型中,分层概率抽检模型的第一子节点可以输出该存疑快件对应的目标级别。例如,将禁止寄递物品的种类“鞭炮”输入分层概率抽检模型中,分层概率抽检模型的第一子节点输出对应快件的目标级别为级别1。
步骤140,基于各目标级别,从所有快件中确定目标快件;目标快件包括目标级别为最低级别的所有快件、以及除最低级别之外的其他级别的部分快件;部分快件为基于第一抽检概率从除最低级别之外的其他级别的所有快件中确定的。
具体地,基于分层概率抽检模型确定出快件的目标级别后,可以基于各快件各自对应的目标级别,从各快件中确定出目标快件。其中,目标快件包括目标级别为最低级别的所有快件,即对人体的危害度最高的所有快件;目标快件还包括基于第一抽检概率从除最低级别之外的其他级别的所有快件中确定的部分快件。第一抽检概率可以是任意概率值的抽检概率,例如,第一抽检概率为20%、50%、70%或80%等。
举例来说,分别将100个存疑快件的禁止寄递物品的种类输入分层概率抽检模型中,得到各存疑快件对应的目标级别,其中,100个存疑快件中有10个存疑快件的目标级别为级别1,20个存疑快件的目标级别为级别2,70个存疑快件的目标级别为级别3。级别1的级别最低,其对应的禁止寄递物品对人体的危害度最强,则10个目标级别为级别1的存疑快件均为目标快件。还可以基于第一抽检概率从除最低级别之外的其他级别的所有快件中确定目标快件,即,基于第一抽检概率从20个目标级别为级别2的存疑快件以及70个目标级别为级别3的存疑快件中确定部分快件作为目标快件。例如,第一抽检概率为80%,则可以从20个目标级别为级别2的存疑快件中确定出16个存疑快件为目标快件,可以从70个目标级别为级别3的存疑快件中确定出56个存疑快件为目标快件,基于第一抽检概率确定目标快件时可以是随机确定或非随机确定。
示例性的,还可以基于级别和抽检概率的对应关系,确定除最低级别之外的其他级别各自对应的第一抽检概率。
具体地,可以预设级别和抽检概率的对应关系,例如,可以根据级别的高低对应设置抽检概率,对级别较低即危害度较高的级别设置较大概率值的抽检概率,对级别较高即危害度较低的级别设置较小概率值的抽检概率。
例如,若预设的级别和抽检概率的对应关系为:级别2对应的抽检概率为80%,级别3对应的抽检概率为20%。则在100个存疑快件中,20个目标级别为级别2的存疑快件对应的第一抽检概率为80%,70个目标级别为级别3的存疑快件对应的第一抽检概率为20%。因此,基于第一抽检概率从20个目标级别为级别2的存疑快件中确定出16个存疑快件为目标快件;基于第一抽检概率从70个目标级别为级别3的存疑快件中确定出14个存疑快件为目标快件;相较于上述采用相同的第一抽检概率对除最低级别之外的其他级别的所有快件中确定目标快件,可以减少42个危害度最低的目标快件,极大地降低了目标快件的数量。
基于此,可以根据不同级别对应的禁止寄递物品的不同危害度,合理设置各级别各自对应的第一抽检概率,可以达到合理地适度减少开件数量的目的,以实现提高快件安检效率的同时兼顾快件安检的质量。
步骤150,输出提示信息;提示信息用于指示对目标快件进行开件安检。
具体地,在确定出目标快件后,可以输出用于指示对目标快件进行开件安检的提示信息。提示信息例如可以包括各目标快件的运单号、揽件人姓名、发件人姓名或运单二维码等信息,还可以包括提示安检人员开件安检的提示文本或提示语音等。
本发明提供的快件安检方法,在获取各快件的目标图像后,基于各目标图像,在预测对应快件中包括禁止寄递物品的情况下,确定禁止寄递物品的种类,并将种类输入分层概率抽检模型,得到分层概率抽检模型输出的快件的目标级别,该目标级别可以表征快件中禁止寄递物品对人体的危害度,基于此,能通过非人工的方式预测识别出包含禁止寄递物品的快件,并确定出能反映该快件对人体危害程度的目标级别。基于各目标级别,从各快件中确定目标快件,并输出指示对目标快件进行开件安检的提示信息,其中,目标快件中包括对人体危害度最高的所有快件,还包括从非最高危害度的各快件中抽检出的部分快件,因此,基于提示信息进行开件安检时,能避免漏检危害度最高的所有快件,还能减少开件安检的数量,降低开件安检耗费的时间,进而提高了快件安检的效率。
示例性的,快件的寄件地址和收件地址是快件的重要信息,快件的寄件地址和收件地址可以在一定程度上反映出快件的安全性,即快件是否对人体有危害。为了提高快件安检的检查质量,尽可能避免漏检安全性较低的快件,可以针对未进行开件安检的各存疑快件,根据各自的寄件地址和收件地址确定出目标快件中的第一快件,可以对第一快件进行开件安检。
在一实施例中,目标快件还包括第一快件;该方法还包括:
确定所有快件中基于第一抽检概率未进行开件安检的至少一个第二快件;针对各第二快件,获取第二快件的寄件地址和收件地址;将寄件地址和收件地址输入分层概率抽检模型中,得到分层概率抽检模型的第二级子节点输出的第二快件的邮寄路径的目标风险等级;基于各目标风险等级,从所有第二快件中确定第一快件;第一快件包括目标风险等级为最高级别的所有第二快件、以及除最高级别之外的其他级别的部分第二快件;部分第二快件为基于第二抽检概率从除最高级别之外的其他级别的所有第二快件中确定的。
具体地,第二快件可以理解为存疑快件中未进行开件安检的快件,其中,存疑快件即包括禁止寄递物品的快件。针对各第二快件,获取第二快件的寄件地址和收件地址,例如,可以通过扫描快件单号、二维码或条形码等方式获取寄件地址和收件地址,或可以调取数据库中的数据信息获取寄件地址和收件地址。将寄件地址和收件地址输入分层概率抽检模型中,得到分层概率抽检模型的第二级子节点输出的第二快件的邮寄路径的目标风险等级。
示例性的,一个寄件地址和一个收件地址可以构成一条邮寄路径,风险等级可以用于表征邮寄路径下快件的安全性。可以根据邮寄路径下的快件的安全性高低,将风险等级划分为N个级别,其中,N可以为任意大于0的正整数。例如可以划分为三个级别的风险等级,分别为高风险路径、中风险路径和低风险路径,高风险路径下的快件其安全性最低,对人体的危害度最高;低风险路径下的快件其安全性最高,对人体的危害度最低。
图3是本发明实施例提供的邮寄路径的示意图,如图3所示,可以根据寄件地址所在的城市和收件地址所在的城市确定邮寄路径,例如,城市1与城市2可构成一条邮寄路径,该邮寄路径中可以不区分邮寄的方向;城市3与城市3可构成一条邮寄路径,该邮寄路径可以为同城的邮寄路径。
在一种实现方式中,将寄件地址和收件地址输入分层概率抽检模型中,得到分层概率抽检模型的第二级子节点输出的第二快件的邮寄路径的目标风险等级,具体可以通过如下方式实现:
将寄件地址和收件地址输入分层概率抽检模型中,分层概率抽检模型基于邮寄路径和风险等级的对应关系,确定第二快件的邮寄路径对应的风险等级,将第二快件的邮寄路径对应的风险等级从分层概率抽检模型的第二级子节点输出,得到目标风险等级;邮寄路径和风险等级的对应关系是基于第一预设时长内各邮寄路径邮寄的快件总数和各邮寄路径邮寄的快件中包含禁止寄递物品的快件的总数确定的。
具体地,邮寄路径和风险等级的对应关系可以基于第一预设时长内各邮寄路径邮寄的快件总数和各邮寄路径邮寄的快件中包含禁止寄递物品的快件的总数确定。第一预设时长可以是任意的时长,例如可以是一个月,六个月或一年等。
通过快件业务的统计数据,可以获取第一预设时长内邮寄路径邮寄的快件总数,可记为m,并获取第一预设时长内邮寄路径邮寄的快件中包含禁止寄递物品的快件的总数,可记为n,则n除以m,可以表示在第一预设时长内该邮寄路径中邮寄的包括禁止寄递物品的快件的比例。对划分的各风险等级设置比例阈值范围,根据比例以及各风险等级的比例阈值范围,可以确定邮寄路径和风险等级的对应关系。
例如,将风险等级划分为三个级别,分别为高风险路径、中风险路径和低风险路径,并设置高风险路径的比例阈值范围为(0.02%,100%],中风险路径的比例阈值范围为[0.01%,0.02%],低风险路径的比例阈值范围为[0,0.01%)。获取第一预设时长内邮寄路径A中邮寄的快件总数为100万件,并获取第一预设时长内邮寄路径A中邮寄的快件中包含禁止寄递物品的快件的总数为500件,可以确定出第一预设时长内邮寄路径A对应的比例为0.0005,即0.05%,根据各风险等级的比例阈值范围,可以确定邮寄路径A对应的目标风险等级为高风险路径。
示例性的,分层概率抽检模型的风险等级决策树层即分层概率抽检模型的第二级子节点,可以根据第二快件的寄件地址和收件地址,确定出该第二快件对应邮寄路径的比例,并可根据各风险等级的比例阈值范围,确定出第二快件的邮寄路径对应的风险等级,分层概率抽检模型的第二级子节点可以输出该风险等级,即可得到目标风险等级。
示例性的,可以实时更新和存储快件的各类相关信息,如快件的邮寄路径、寄件人或收件人等信息,以建立快件业务的统计数据。可以对各邮寄路径的快件数量以及包含禁止寄递物品的快件的数量进行实时更新和存储,获取快件业务的统计数据,进而可以得到第一预设时长内各邮寄路径邮寄的快件总数,以及该邮寄路径邮寄的快件中包含禁止寄递物品的快件的总数。
示例性的,可以根据收件地址设置邮寄路径和风险等级的对应关系。例如,收件地址为重要城市时,可以设置该收件地址的邮寄路径对应最高级别的风险等级。可以根据不同的时间段,设置收件地址的邮寄路径与风险等级的对应关系。例如,在重要城市召开重大活动或会议时,可以设置该收件地址的邮寄路径对应最高级别的风险等级。
在本实现方式中,可以将寄件地址和收件地址输入分层概率抽检模型中,分层概率抽检模型基于邮寄路径和风险等级的对应关系,确定第二快件的邮寄路径对应的风险等级,并通过分层概率抽检模型的第二级子节点输出该第二快件的邮寄路径对应的风险等级,即可得到目标风险等级。基于此,可以通过分层概率抽检模型准确快捷地确定出第二快件的邮寄路径对应的目标风险等级,提高确定目标风险等级的效率。
示例性的,在确定出各第二快件各自对应的目标风险等级后,可以基于各目标风险等级,从所有第二快件中确定第一快件。该第一快件包括目标风险等级为最高级别的所有第二快件、以及除最高级别之外的其他级别的部分第二快件;部分第二快件为基于第二抽检概率从除最高级别之外的其他级别的所有第二快件中确定的。其中,第二抽检概率可以是任意概率值的抽检概率,例如,第二抽检概率为20%、50%、70%或80%等。
基于第二抽检概率从除最高级别之外的其他级别的所有第二快件中确定出的第一快件的过程,可以与步骤140中基于第一抽检概率从除最低级别之外的其他级别的所有快件中确定部分快件的过程类似,此处不再赘述。将目标风险等级为最高级别的所有第二快件,以及基于第二抽检概率确定的部分快件均确定为第一快件,将第一快件作为目标快件,输出用于指示对目标快件进行开件安检的提示信息,以提示安检人员对第一快件进行开件安检。
在本实施例中,基于各第二快件的寄件地址和收件地址,可以确定出各第二快件的邮寄路径对应的目标风险等级,基于目标风险等级对第二快件进行抽检,可以有效降低漏检安全性较低的存疑快件的概率,从而可以提高快件安检的检查质量。
示例性的,快件的寄件人即寄件对象,以及快件的收件人即收件对象,均是快件的重要信息,其也能在一定程度上反映出快件的安全性。为了进一步提高快件安检的检查质量,尽可能避免漏检安全性较低的快件,可以针对未进行开件安检的各存疑快件,根据寄件对象和/或收件对象确定出目标快件中的第三快件,可以对第三快件进行开件安检。
在一实施例中,目标快件还包括第三快件;该方法还包括:
确定所有快件中基于第一抽检概率和第二抽检概率均未进行开件安检的至少一个第四快件;针对各第四快件,获取第四快件的目标对象,目标对象包括寄件对象和/或收件对象;将目标对象输入分层概率抽检模型中,得到分层概率抽检模型的第三级子节点输出的目标对象的目标信用等级;基于各目标信用等级,从所有第四快件中确定第三快件;第三快件包括目标信用等级为最低级别的所有第四快件、以及除最低级别之外的其他级别的部分第四快件;部分第四快件为基于第三抽检概率从除最低级别之外的其他级别的所有第四快件中确定的。
具体地,第四快件可以理解为存疑快件中基于第一抽检概率和第二抽检概率均未进行开件安检的快件。针对各第四快件,获取第四快件的目标对象,目标对象包括寄件对象和/或收件对象。例如,可以通过扫描快件单号、二维码或条形码等方式获取寄件对象和/或收件对象,即获取寄件人的姓名或名称,或者获取收件人的姓名或名称,或者获取寄件人的姓名或名称以及收件人的姓名或名称。又例如,可以调取数据库中存储的快件业务的数据信息,以获取寄件对象和/或收件对象。
示例性的,可以根据快递寄递对象的安全性高低,建立N个级别的信用等级,其中,N可以为任意大于0的正整数。快递寄递对象即寄快件或收快件的一方,寄件对象和收件对象均可以是快件寄递对象。例如,可以建立一级信用等级、二级信用等级和三级信用等级的三个级别的信用等级,其中,一级信用等级的级别最低,其对应的信用度最低,表明属于该信用等级的对象其历史快件中包含禁止寄递物品的数量最多;三级信用等级的级别最高,其对应的信用度最高,表明属于该信用等级的对象其历史快件中包含禁止寄递物品的数量最少;二级信用等级的级别介于二者之间。确定第四快件的目标对象对应的目标信用等级后,可以基于各目标信用等级对各第四快件进行抽检。
在一种实现方式中,将目标对象输入分层概率抽检模型中,得到分层概率抽检模型的第三级子节点输出的目标对象的目标信用等级,具体可以通过如下方式实现:
将目标对象输入分层概率抽检模型中,分层概率抽检模型基于对象和信用等级的对应关系,确定目标对象的目标信用等级,将目标对象的目标信用等级从分层概率抽检模型的第三级子节点输出,得到目标信用等级;对象和信用等级的对应关系是基于第二预设时长内与各对象相关的快件总数和相关的快件中包含禁止寄递物品的快件的总数确定的。
具体地,对象和信用等级的对应关系可以基于第二预设时长内与各对象相关的快件总数和相关的快件中包含禁止寄递物品的快件的总数确定的。第二预设时长可以是任意的时长,例如可以是一个月,六个月或一年等。可以通过快件业务的统计数据,获取第二预设时长内与各对象相关的快件总数和相关的快件中包含禁止寄递物品的快件的总数。
通过对寄件人或收件人填写的信息索引到实名信息记录的历史报备邮寄物品种类和实际邮寄物品种类记录获取快件寄递对象的信用等级。例如,可以在实时更新和存储快件的各类相关信息时,更新并存储各快件的寄件人的姓名或名称,以及收件人的姓名或名称,以建立包括快件寄递对象的历史报备邮寄物品种类和实际邮寄物品种类记录。
基于快件业务的统计数据,获取第二预设时长内与各快件寄递对象相关的快件总数,可记为p,并获取第二预设时长内与各快件寄递对象相关的快件中包含禁止寄递物品的快件的总数,可记为q,则(p-q)/p可以表示在第二预设时长内该快件寄递对象的信用评价等级得分。对划分的各信用等级设置得分阈值范围,根据信用评价等级得分以及各信用等级的得分阈值范围,可以确定对象和信用等级的对应关系。
例如,将信用等级划分为上述的三个级别,即一级信用等级、二级信用等级和三级信用等级,并设置一级信用等级的得分阈值范围为[0,0.9),二级信用等级的得分阈值范围为[0.9,0.99],三级信用等级的得分阈值范围为(0.99,1]。若获取的第二预设时长内与快件寄递对象B相关的快件总数为100件,相关快件中包含禁止寄递物品的快件的总数为1件,(100-1)/100=0.99则该快件寄递对象B的信用评价等级得分为0.99。根据得分阈值范围[0.9,0.99],可以确定该快件寄递对象B对应的信用等级为二级信用等级。
示例性的,分层概率抽检模型的信用等级决策树层即分层概率抽检模型的第三级子节点,可以根据第四快件的目标对象,确定出该第四快件的目标对象对应的信用评价等级得分,并可根据各信用等级的得分阈值范围,确定出第四快件的目标对象对应的信用等级,分层概率抽检模型的第三级子节点可以输出该信用等级,即可得到目标信用等级。
在本实现方式中,将目标对象输入分层概率抽检模型中,分层概率抽检模型可以基于对象和信用等级的对应关系,确定出目标对象的目标信用等级,将目标对象的目标信用等级从分层概率抽检模型的第三级子节点输出,即可得到目标信用等级,基于此,可以通过分层概率抽检模型准确地确定出第四快件的目标对象对应的目标信用等级,提高确定目标信用等级的效率。
示例性的,在确定出各第四快件各自对应的目标信用等级后,可以基于各目标信用等级,从所有第四快件中确定出第三快件。该第三快件包括目标信用等级为最低级别的所有第四快件、以及除最低级别之外的其他级别的部分第四快件;部分第四快件为基于第三抽检概率从除最低级别之外的其他级别的所有第四快件中确定的。其中,第三抽检概率可以是任意概率值的抽检概率,例如,第三抽检概率为20%、50%、70%或80%等。
基于第三抽检概率从除最低级别之外的其他级别的所有第四快件中确定出的第三快件的过程,可以与步骤140中基于第一抽检概率从除最低级别之外的其他级别的所有快件中确定部分快件的过程类似,此处不再赘述。将目标信用等级为最低级别的所有第四快件,以及基于第三抽检概率确定的部分快件均确定为第三快件,将第三快件作为目标快件,输出用于指示对目标快件进行开件安检的提示信息,以提示安检人员对第三快件进行开件安检。
在本实施例中,基于各第四快件的寄件对象和/或收件对象,可以确定出各第四快件的目标对象对应的目标风险等级,基于目标风险等级对第四快件进行抽检,可以进一步有效降低漏检安全性较低的存疑快件的概率,从而可以提高快件安检的检查质量。
示例性的,将目标图像输入预先训练好的目标检测模型中,目标检测模型可以预测识别目标图像中的各物品是否为禁止寄递物品,并可以输出禁止寄递物品的种类以及该种类对应的置信度,该种类对应的置信度可以表征禁止寄递物品种类预测识别的准确程度。
如图2所示,在该目标图像中预测识别出的三个种类的禁止寄递物品的置信度分别为手雷0.9、子弹0.65、鞭炮0.98,各置信度可以表明该目标对象对应的快件中,手雷位置处识别出的禁止寄递物品是手雷的概率为90%,手子弹位置处识别出的禁止寄递物品是子弹的概率为65%,鞭炮位置处识别出的禁止寄递物品是鞭炮的概率为98%。当预测识别出目标图像中存在至少两个种类的禁止寄递物品时,可以基于各禁止寄递物品各自对应的置信度确定出该目标图像对应快件的目标级别。
在一实施例中,将种类输入基于决策树预先构建的分层概率抽检模型中,得到分层概率抽检模型的第一级子节点输出的快件的目标级别,具体可以通过如下方式实现:
在基于目标图像预测对应快件中包括至少两类禁止寄递物品的情况下,获取各禁止寄递物品对应种类的置信度;将最高置信度对应的种类输入分层概率抽检模型中,得到分层概率抽检模型的第一级子节点输出的快件的目标级别。
具体地,置信度越高表明预测的禁止寄递物品的种类是正确种类的概率越大,置信度越低表明预测的禁止寄递物品的种类是正确种类的概率越小,则可以根据目标图像中各禁止寄递物品对应种类的置信度,将最高置信度对应的种类输入分层概率抽检模型中,得到分层概率抽检模型的第一级子节点输出的快件的目标级别。
图4是本发明实施例提供的确定目标级别的示意框图,如图4所示,将快件的目标图像输入目标检测模型中进行图像识别,目标检测模型可以预测出各禁止寄递物品的种类以及各种类对应的置信度。目标检测模型基于各种类对应的置信度,确定出最高置信度对应的种类,并将该最高置信度对应的种类输入分层概率抽检模型中,分层概率抽检模型基于该最高置信度对应的种类确定目标级别,并从分层概率抽检模型的第一级子节点输出该目标级别。如图2中,该目标图像中鞭炮的置信度为0.98,高于其他各种类的置信度,因此,可以将鞭炮的种类输入分层概率抽检模型中确定目标级别。
在本实施例中,当目标图像预测对应快件中包括至少两类禁止寄递物品时,可以基于各禁止寄递物品各自对应的置信度,将最高置信度对应的种类输入分层概率抽检模型中,得到目标级别。基于此,可以将预测的准确度最高的种类作为确定快件的目标级别的种类,能排除较低准确度的各种类对确定目标级别形成的干扰,能提高确定出的目标级别的准确度。
在一实施例中,将种类输入基于决策树预先构建的分层概率抽检模型中,得到分层概率抽检模型的第一级子节点输出的快件的目标级别,具体可以通过如下方式实现:
在基于目标图像预测对应快件中包括至少两类禁止寄递物品的情况下,将各种类均输入分层概率抽检模型中,得到各种类对应的级别,将所有种类对应的级别中最低级别从第一级子节点输出,得到目标级别。
具体地,预测出目标图像中包括至少两类禁止寄递物品时,可以将各禁止寄递物品的种类全部输入分层概率抽检模型中,分层概率抽检模型可以分别针对各种类,确定各种类各自对应的级别,并对各级别进行比较。比较各级别后,将最低级别作为目标级别从第一级子节点输出,即可得到快件的目标级别。
级别与禁止寄递物品对人体的危害度呈负相关,因此,快件中最低级别对应的禁止寄递物品是对人体危害度最大的禁止寄递物品。基于该方式确定的目标级别准确度更高,根据该目标级别确定的目标快件包含了对人体危害度大的禁止寄递物品,进而可以避免漏检危害度较大的快件。
在一实施例中,将种类输入基于决策树预先构建的分层概率抽检模型中,得到分层概率抽检模型的第一级子节点输出的快件的目标级别,具体可以通过如下方式实现:
在基于目标图像预测对应快件中包括至少两类禁止寄递物品的情况下,将各种类均输入分层概率抽检模型中,确定各种类对应的级别,并基于各种类对应的级别确定包含种类最多的第一级别;基于第一级别中各种类对应的置信度确定第一级别对应的置信度;在第一级别对应的置信度大于第一级别对应的预设置信度的情况下,将第一级别从第一级子节点输出,得到目标级别。
具体地,预测出目标图像中包括至少两类禁止寄递物品时,可以将各禁止寄递物品的种类全部输入分层概率抽检模型中,分层概率抽检模型可以分别针对各种类,确定各种类各自对应的级别,并可根据各级别中包括的种类的数量,将种类的数量最多的级别确定为第一级别。
基于第一级别中各种类对应的置信度确定第一级别对应的置信度,例如,可以将第一级别中各种类的置信度的加权求和平均值确定为第一级别对应的置信度,其中,加权求和平均值是将各种类的置信度先进行加权求和,再计算平均值后得到的值。预设置信度可以是用于对第一级别对应的置信度进行判定的预设值,预设置信度可以是任意数值,例如可以为0.5。
以上述实施例中根据《禁止寄递物品管理规定》中的18个大类划分的三个级别进行举例,划分的各级别分别为级别1、级别2和级别3,预设各级别的预设置信度均为0.5。当目标图像中包括的禁止寄递物品分别为手雷、子弹和鞭炮时,可基于各种类对应的级别确定第一级别。手雷和子弹为18个大类禁止寄递物品中的第6类,鞭炮为18个大类禁止寄递物品中的第1类,而第1类至第6类均为级别1,级别1为包含种类最多的级别,即级别1为第一级别。因此,对手雷的置信度、子弹的置信度和鞭炮的置信度进行加权求和后再计算平均值即可确定该第一级别对应的置信度。假设各种类的置信度分别为手雷0.9、子弹0.65、鞭炮0.98,若计算后得到的加权求和平均值为0.84,则根据该加权求和平均值与该第一级别对应的预设置信度进行比较。由于0.84大于预设置信度0.5,则可以将第一级别从第一级子节点输出,得到目标级别,该目标级别为级别1。需要说明的是,本举例中各种类的加权值均相同,因此计算的加权求和平均值相等于三者的平均值;在实际应用中,预设各种类的加权值时,可以根据各种类对人体的危害度预设各种类各自对应的加权值,通过加权运算,可以区分各种类的置信度对第一级别的置信度的影响,使第一级别的置信度更灵活更合理。
示例性的,当包括禁止寄递物品的快件中存在多种类的禁止寄递物品,且各种类的级别不为同一级别时,可以针对各级别分别确定各级别各自对应的置信度,并通过各级别的预设置信度对各级别的置信度进行判定,保留大于预设置信度的各级别的置信度。在一实现方式中,在各大于预设置信度的级别置信度对应的级别中,将最大的级别置信度对应的级别确定为目标级别。在另一实现方式中,在各大于预设置信度的级别置信度对应的级别中,将最低级别确定为目标级别。
需要说明的是,当各级别对应的置信度均小于预设置信度时,可以确定该快件为安全快件,不再输入分层概率抽检模型进行抽检判断,不进行开件安检。
在本实施例中,在包括至少两类禁止寄递物品的情况下,可以基于各种类对应的级别确定第一级别,并基于第一级别中各种类对应的置信度确定第一级别对应的置信度,并基于预设置信度对第一级别对应的置信度进行判断,可以得到目标级别。基于此,在包括多种类的禁止寄递物品时,可以合理确定出快件的目标级别,提高目标级别的有效性,进而可以提高确定目标快件的准确度,提高安检质量。
在一实施例中,将种类输入基于决策树预先构建的分层概率抽检模型中,得到分层概率抽检模型的第一级子节点输出的快件的目标级别,具体可以通过如下方式实现:
将种类输入基于决策树预先构建的分层概率抽检模型中,分层概率抽检模型基于禁止寄递物品集合与级别的对应关系,确定禁止寄递物品所属的目标禁止寄递物品集合,将目标禁止寄递物品集合对应的级别从分层概率抽检模型的第一级子节点输出,得到目标级别。
具体地,禁止寄递物品集合可以是由至少两个种类的禁止寄递物品组成的种类集合。禁止寄递物品集合与级别的对应关系可以是预设的对应关系,例如,《禁止寄递物品管理规定》中的18个大类中第1类至第6类的各种类禁止寄递物品均对应于级别1,第7类至第11类的各种类禁止寄递物品均对应于级别2,第12类至第18类的各种类禁止寄递物品均对应于级别3。
将种类输入基于决策树预先构建的分层概率抽检模型中,分层概率抽检模型可以确定该种类所属的目标禁止寄递物品集合,并基于禁止寄递物品集合与级别的对应关系,可以确定出该目标禁止寄递物品集合对应的级别,将目标禁止寄递物品集合对应的级别从分层概率抽检模型的第一级子节点输出,即可得到目标级别。
在本实施例中,禁止寄递物品集合可以包括多种类的禁止寄递物品,能提高对各禁止寄递物品分类的效率,分层概率抽检模型基于禁止寄递物品集合与级别的对应关系可以迅速确定出目标禁止寄递物品集合对应的级别,即快速确定快件的目标级别,基于此,可以减少模型的运算量,提高模型运算效率,进而提高快件安检的效率。
图5是本发明实施例提供的分层概率抽检模型的结构示意图,如图5所示,分层概率抽检模型可以包括三层决策树层,每层决策树层对应一级子节点。第一层决策树层可以对存疑快件的目标级别进行确定,输出目标级别,基于各目标级别可以确定目标快件。对于不同目标级别的存疑快件,可以按照Cn%的抽检概率进行抽检,比如级别2的存疑快件按照80%的概率抽检,级别3的存疑快件按照60%的概率抽检,级别N的存疑快件按照20%的概率抽检。
针对经过第一层后未开件安检的存疑快件,第二层决策树层基于存疑快件的寄件地址和收件地址确定其目标风险等级,基于目标风险等级可以对存疑快件进行分类抽检,确定目标快件。对于不同目标风险等级的存疑快件,可以按照Pn%的抽检概率进行抽检,比如一级风险路径的存疑快件按照20%的概率抽检,二级风险路径的存疑快件按照50%的概率抽检,三级风险路径的存疑快件按照70%的概率抽检,N级风险路径的存疑快件按照80%的概率抽检。
针对经过第一层和第二层后未开件安检的存疑快件,第三层决策树层基于存疑快件的目标对象确定其目标信用等级,基于目标信用等级可以对存疑快件进行分类抽检,确定目标快件。对于不同目标信用等级的存疑快件,可以按照Kn%的抽检概率进行抽检,比如一级信用等级的存疑快件按照50%的概率抽检,二级信用等级的存疑快件按照30%的概率抽检,三级信用等级的存疑快件按照10%的概率抽检,N级信用等级的存疑快件按照5%的概率抽检。
通过分层概率抽检模型的不同决策树层,可以基于存疑快件的不同维度信息确定不同的目标快件,能合理地对安全性各异的存疑快件实施例分类抽检的开件安检,可以在保证安检质量的情况下,有效提升快件安检的效率。
下面对本发明实施例提供的快件安检装置进行描述,下文描述的快件安检装置与上文描述的快件安检方法可相互对应参照。
图6是本发明实施例提供的快件安检装置的结构示意图,该快件安检装置600包括:
获取模块610,用于获取各快件的目标图像;
第一确定模块620,用于针对各目标图像,在基于目标图像预测对应快件中包括禁止寄递物品的情况下,确定禁止寄递物品的种类;
处理模块630,用于将种类输入基于决策树预先构建的分层概率抽检模型中,得到分层概率抽检模型的第一级子节点输出的快件的目标级别,目标级别用于表征快件中禁止寄递物品对人体的危害度;目标级别与危害度呈负相关;
第二确定模块640,用于基于各目标级别,从所有快件中确定目标快件;目标快件包括目标级别为最低级别的所有快件、以及除最低级别之外的其他级别的部分快件;部分快件为基于第一抽检概率从除最低级别之外的其他级别的所有快件中确定的;
输出模块650,用于输出提示信息;提示信息用于指示对目标快件进行开件安检。
在一种示例实施例中,目标快件还包括第一快件;快件安检装置600还包括第三确定模块;
第三确定模块,用于确定所有快件中基于第一抽检概率未进行开件安检的至少一个第二快件;
获取模块610,还用于针对各第二快件,获取第二快件的寄件地址和收件地址;
处理模块630,还用于将寄件地址和收件地址输入分层概率抽检模型中,得到分层概率抽检模型的第二级子节点输出的第二快件的邮寄路径的目标风险等级;
第三确定模块,还用于基于各目标风险等级,从所有第二快件中确定第一快件;第一快件包括目标风险等级为最高级别的所有第二快件、以及除最高级别之外的其他级别的部分第二快件;部分第二快件为基于第二抽检概率从除最高级别之外的其他级别的所有第二快件中确定的。
在一种示例实施例中,目标快件还包括第三快件;快件安检装置600还包括第四确定模块;
第四确定模块,用于确定所有快件中基于第一抽检概率和第二抽检概率均未进行开件安检的至少一个第四快件;
获取模块610,还用于针对各第四快件,获取第四快件的目标对象,目标对象包括寄件对象和/或收件对象;
处理模块630,还用于将目标对象输入分层概率抽检模型中,得到分层概率抽检模型的第三级子节点输出的目标对象的目标信用等级;
第四确定模块,还用于基于各目标信用等级,从所有第四快件中确定第三快件;第三快件包括目标信用等级为最低级别的所有第四快件、以及除最低级别之外的其他级别的部分第四快件;部分第四快件为基于第三抽检概率从除最低级别之外的其他级别的所有第四快件中确定的。
在一种示例实施例中,处理模块630具体用于:
在基于目标图像预测对应快件中包括至少两类禁止寄递物品的情况下,获取各禁止寄递物品对应种类的置信度;
将最高置信度对应的种类输入分层概率抽检模型中,得到分层概率抽检模型的第一级子节点输出的快件的目标级别。
在一种示例实施例中,处理模块630具体用于:
在基于目标图像预测对应快件中包括至少两类禁止寄递物品的情况下,将各种类均输入分层概率抽检模型中,得到各种类对应的级别,将所有种类对应的级别中最低级别从第一级子节点输出,得到目标级别。
在一种示例实施例中,处理模块630具体用于:
在基于目标图像预测对应快件中包括至少两类禁止寄递物品的情况下,将各种类均输入分层概率抽检模型中,确定各种类对应的级别,并基于各种类对应的级别确定包含种类最多的第一级别;
基于第一级别中各种类对应的置信度确定第一级别对应的置信度;
在第一级别对应的置信度大于第一级别对应的预设置信度的情况下,将第一级别从第一级子节点输出,得到目标级别。
在一种示例实施例中,处理模块630具体用于:
将种类输入基于决策树预先构建的分层概率抽检模型中,分层概率抽检模型基于禁止寄递物品集合与级别的对应关系,确定禁止寄递物品所属的目标禁止寄递物品集合,将目标禁止寄递物品集合对应的级别从分层概率抽检模型的第一级子节点输出,得到目标级别。
在一种示例实施例中,处理模块630具体用于:
将寄件地址和收件地址输入分层概率抽检模型中,分层概率抽检模型基于邮寄路径和风险等级的对应关系,确定第二快件的邮寄路径对应的风险等级,将第二快件的邮寄路径对应的风险等级从分层概率抽检模型的第二级子节点输出,得到目标风险等级;邮寄路径和风险等级的对应关系是基于第一预设时长内各邮寄路径邮寄的快件总数和各邮寄路径邮寄的快件中包含禁止寄递物品的快件的总数确定的。
在一种示例实施例中,处理模块630具体用于:
将目标对象输入分层概率抽检模型中,分层概率抽检模型基于对象和信用等级的对应关系,确定目标对象的目标信用等级,将目标对象的目标信用等级从分层概率抽检模型的第三级子节点输出,得到目标信用等级;对象和信用等级的对应关系是基于第二预设时长内与各对象相关的快件总数和相关的快件中包含禁止寄递物品的快件的总数确定的。
在一种示例实施例中,快件安检装置600还包括第五确定模块;
第五确定模块,用于基于级别和抽检概率的对应关系,确定除最低级别之外的其他级别各自对应的第一抽检概率。
本实施例的装置,可以用于执行快件安检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快件安检方法侧实施例中类似,具体可以参见快件安检方法侧实施例中的详细介绍,此处不再赘述。
图7是本发明实施例提供的电子设备的结构示意图,如图7所示,该电子设备可以包括:处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令,以执行快件安检方法,该方法包括:获取各快件的目标图像;针对各目标图像,在基于目标图像预测对应快件中包括禁止寄递物品的情况下,确定禁止寄递物品的种类;将种类输入基于决策树预先构建的分层概率抽检模型中,得到分层概率抽检模型的第一级子节点输出的快件的目标级别,目标级别用于表征快件中禁止寄递物品对人体的危害度;目标级别与危害度呈负相关;基于各目标级别,从所有快件中确定目标快件;目标快件包括目标级别为最低级别的所有快件、以及除最低级别之外的其他级别的部分快件;部分快件为基于第一抽检概率从除最低级别之外的其他级别的所有快件中确定的;输出提示信息;提示信息用于指示对目标快件进行开件安检。
此外,上述的存储器730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,该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,该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快件安检方法,该方法包括:获取各快件的目标图像;针对各目标图像,在基于目标图像预测对应快件中包括禁止寄递物品的情况下,确定禁止寄递物品的种类;将种类输入基于决策树预先构建的分层概率抽检模型中,得到分层概率抽检模型的第一级子节点输出的快件的目标级别,目标级别用于表征快件中禁止寄递物品对人体的危害度;目标级别与危害度呈负相关;基于各目标级别,从所有快件中确定目标快件;目标快件包括目标级别为最低级别的所有快件、以及除最低级别之外的其他级别的部分快件;部分快件为基于第一抽检概率从除最低级别之外的其他级别的所有快件中确定的;输出提示信息;提示信息用于指示对目标快件进行开件安检。
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快件安检方法,该方法包括:获取各快件的目标图像;针对各目标图像,在基于目标图像预测对应快件中包括禁止寄递物品的情况下,确定禁止寄递物品的种类;将种类输入基于决策树预先构建的分层概率抽检模型中,得到分层概率抽检模型的第一级子节点输出的快件的目标级别,目标级别用于表征快件中禁止寄递物品对人体的危害度;目标级别与危害度呈负相关;基于各目标级别,从所有快件中确定目标快件;目标快件包括目标级别为最低级别的所有快件、以及除最低级别之外的其他级别的部分快件;部分快件为基于第一抽检概率从除最低级别之外的其他级别的所有快件中确定的;输出提示信息;提示信息用于指示对目标快件进行开件安检。
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 (10)
1.一种快件安检方法,其特征在于,包括:
获取各快件的目标图像;
针对各所述目标图像,在基于所述目标图像预测对应快件中包括禁止寄递物品的情况下,确定所述禁止寄递物品的种类;
将所述种类输入基于决策树预先构建的分层概率抽检模型中,得到所述分层概率抽检模型的第一级子节点输出的所述快件的目标级别,所述目标级别用于表征所述快件中禁止寄递物品对人体的危害度;所述目标级别与所述危害度呈负相关;
基于各所述目标级别,从所有所述快件中确定目标快件;所述目标快件包括所述目标级别为最低级别的所有快件、以及除所述最低级别之外的其他级别的部分快件;所述部分快件为基于第一抽检概率从除所述最低级别之外的其他级别的所有快件中确定的;
输出提示信息;所述提示信息用于指示对所述目标快件进行开件安检。
2.根据权利要求1所述的快件安检方法,其特征在于,所述目标快件还包括第一快件;所述方法还包括:
确定所有快件中基于所述第一抽检概率未进行开件安检的至少一个第二快件;
针对各所述第二快件,获取所述第二快件的寄件地址和收件地址;
将所述寄件地址和所述收件地址输入所述分层概率抽检模型中,得到所述分层概率抽检模型的第二级子节点输出的所述第二快件的邮寄路径的目标风险等级;
基于各所述目标风险等级,从所有所述第二快件中确定所述第一快件;所述第一快件包括所述目标风险等级为最高级别的所有第二快件、以及除最高级别之外的其他级别的部分第二快件;所述部分第二快件为基于第二抽检概率从除最高级别之外的其他级别的所有第二快件中确定的。
3.根据权利要求2所述的快件安检方法,其特征在于,所述目标快件还包括第三快件;所述方法还包括:
确定所有快件中基于所述第一抽检概率和所述第二抽检概率均未进行开件安检的至少一个第四快件;
针对各所述第四快件,获取所述第四快件的目标对象,所述目标对象包括寄件对象和/或收件对象;
将所述目标对象输入所述分层概率抽检模型中,得到所述分层概率抽检模型的第三级子节点输出的所述目标对象的目标信用等级;
基于各所述目标信用等级,从所有所述第四快件中确定所述第三快件;所述第三快件包括所述目标信用等级为最低级别的所有第四快件、以及除最低级别之外的其他级别的部分第四快件;所述部分第四快件为基于第三抽检概率从除最低级别之外的其他级别的所有第四快件中确定的。
4.根据权利要求1所述的快件安检方法,其特征在于,所述将所述种类输入基于决策树预先构建的分层概率抽检模型中,得到所述分层概率抽检模型的第一级子节点输出的所述快件的目标级别,包括:
在基于所述目标图像预测对应快件中包括至少两类禁止寄递物品的情况下,获取各所述禁止寄递物品对应种类的置信度;
将最高置信度对应的种类输入所述分层概率抽检模型中,得到所述分层概率抽检模型的第一级子节点输出的所述快件的目标级别。
5.根据权利要求1所述的快件安检方法,其特征在于,所述将所述种类输入基于决策树预先构建的分层概率抽检模型中,得到所述分层概率抽检模型的第一级子节点输出的所述快件的目标级别,包括:
在基于所述目标图像预测对应快件中包括至少两类禁止寄递物品的情况下,将各所述种类均输入所述分层概率抽检模型中,得到各所述种类对应的级别,将所有种类对应的级别中最低级别从所述第一级子节点输出,得到所述目标级别。
6.根据权利要求1所述的快件安检方法,其特征在于,所述将所述种类输入基于决策树预先构建的分层概率抽检模型中,得到所述分层概率抽检模型的第一级子节点输出的所述快件的目标级别,包括:
在基于所述目标图像预测对应快件中包括至少两类禁止寄递物品的情况下,将各所述种类均输入所述分层概率抽检模型中,确定各所述种类对应的级别,并基于各所述种类对应的级别确定包含种类最多的第一级别;
基于所述第一级别中各种类对应的置信度确定第一级别对应的置信度;
在所述第一级别对应的置信度大于所述第一级别对应的预设置信度的情况下,将所述第一级别从所述第一级子节点输出,得到所述目标级别。
7.根据权利要求1所述的快件安检方法,其特征在于,所述将所述种类输入基于决策树预先构建的分层概率抽检模型中,得到所述分层概率抽检模型的第一级子节点输出的所述快件的目标级别,包括:
将所述种类输入基于决策树预先构建的分层概率抽检模型中,所述分层概率抽检模型基于禁止寄递物品集合与级别的对应关系,确定所述禁止寄递物品所属的目标禁止寄递物品集合,将所述目标禁止寄递物品集合对应的级别从所述分层概率抽检模型的第一级子节点输出,得到所述目标级别。
8.根据权利要求2所述的快件安检方法,其特征在于,所述将所述寄件地址和所述收件地址输入所述分层概率抽检模型中,得到所述分层概率抽检模型的第二级子节点输出的所述第二快件的邮寄路径的目标风险等级,包括:
将所述寄件地址和所述收件地址输入所述分层概率抽检模型中,所述分层概率抽检模型基于邮寄路径和风险等级的对应关系,确定所述第二快件的邮寄路径对应的风险等级,将所述第二快件的邮寄路径对应的风险等级从所述分层概率抽检模型的第二级子节点输出,得到所述目标风险等级;所述邮寄路径和风险等级的对应关系是基于第一预设时长内各邮寄路径邮寄的快件总数和各邮寄路径邮寄的快件中包含禁止寄递物品的快件的总数确定的。
9.根据权利要求3所述的快件安检方法,其特征在于,所述将所述目标对象输入所述分层概率抽检模型中,得到所述分层概率抽检模型的第三级子节点输出的所述目标对象的目标信用等级,包括:
将所述目标对象输入所述分层概率抽检模型中,所述分层概率抽检模型基于对象和信用等级的对应关系,确定所述目标对象的目标信用等级,将所述目标对象的目标信用等级从所述分层概率抽检模型的第三级子节点输出,得到所述目标信用等级;所述对象和信用等级的对应关系是基于第二预设时长内与各对象相关的快件总数和相关的快件中包含禁止寄递物品的快件的总数确定的。
10.根据权利要求1-9任一项所述的快件安检方法,其特征在于,所述方法还包括:
基于级别和抽检概率的对应关系,确定除所述最低级别之外的其他级别各自对应的所述第一抽检概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311182923.9A CN117218081B (zh) | 2023-09-13 | 2023-09-13 | 快件安检方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311182923.9A CN117218081B (zh) | 2023-09-13 | 2023-09-13 | 快件安检方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117218081A true CN117218081A (zh) | 2023-12-12 |
CN117218081B CN117218081B (zh) | 2024-04-09 |
Family
ID=89040144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311182923.9A Active CN117218081B (zh) | 2023-09-13 | 2023-09-13 | 快件安检方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117218081B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403155A (zh) * | 2017-07-26 | 2017-11-28 | 北京声迅电子股份有限公司 | 一种快速分级分类方法及装置 |
CN109615051A (zh) * | 2018-12-25 | 2019-04-12 | 公安部第研究所 | 一种基于运单信息的寄递物品危险程度分级系统及方法 |
CN110738096A (zh) * | 2019-08-23 | 2020-01-31 | 银河水滴科技(北京)有限公司 | 一种智能安检方法、设备和计算机可读存储介质 |
CN111310635A (zh) * | 2020-02-10 | 2020-06-19 | 上海应用技术大学 | 基于TensorFlow的安检违禁品识别系统及方法 |
CN111861330A (zh) * | 2020-07-22 | 2020-10-30 | 南京奥拓电子科技有限公司 | 一种违禁品的识别、安检方法及快递柜装置 |
CN112232652A (zh) * | 2020-10-12 | 2021-01-15 | 中国民航信息网络股份有限公司 | 一种旅客风险等级分类方法、装置、电子设备及存储介质 |
CN112712093A (zh) * | 2021-01-11 | 2021-04-27 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 安检图像识别方法、装置、电子设备及存储介质 |
CN114913480A (zh) * | 2022-05-31 | 2022-08-16 | 杭州睿影科技有限公司 | 一种包裹检测方法、装置、系统、控制器及存储介质 |
CN115620097A (zh) * | 2022-10-26 | 2023-01-17 | 北京声迅电子股份有限公司 | 一种基于数字孪生的智能安检测试方法 |
CN116051874A (zh) * | 2023-02-14 | 2023-05-02 | 中国工商银行股份有限公司 | 物品识别方法、装置、电子设备、介质和程序产品 |
CN116563628A (zh) * | 2023-05-08 | 2023-08-08 | 广州新科佳都科技有限公司 | 安检判图识别方法、装置、设备及存储介质 |
CN116740429A (zh) * | 2023-06-08 | 2023-09-12 | 哈尔滨工业大学 | 一种基于目标检测的云边协同危险物品自动检测识别与定位抓取方法及系统 |
-
2023
- 2023-09-13 CN CN202311182923.9A patent/CN117218081B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403155A (zh) * | 2017-07-26 | 2017-11-28 | 北京声迅电子股份有限公司 | 一种快速分级分类方法及装置 |
CN109615051A (zh) * | 2018-12-25 | 2019-04-12 | 公安部第研究所 | 一种基于运单信息的寄递物品危险程度分级系统及方法 |
CN110738096A (zh) * | 2019-08-23 | 2020-01-31 | 银河水滴科技(北京)有限公司 | 一种智能安检方法、设备和计算机可读存储介质 |
CN111310635A (zh) * | 2020-02-10 | 2020-06-19 | 上海应用技术大学 | 基于TensorFlow的安检违禁品识别系统及方法 |
CN111861330A (zh) * | 2020-07-22 | 2020-10-30 | 南京奥拓电子科技有限公司 | 一种违禁品的识别、安检方法及快递柜装置 |
CN112232652A (zh) * | 2020-10-12 | 2021-01-15 | 中国民航信息网络股份有限公司 | 一种旅客风险等级分类方法、装置、电子设备及存储介质 |
CN112712093A (zh) * | 2021-01-11 | 2021-04-27 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 安检图像识别方法、装置、电子设备及存储介质 |
CN114913480A (zh) * | 2022-05-31 | 2022-08-16 | 杭州睿影科技有限公司 | 一种包裹检测方法、装置、系统、控制器及存储介质 |
CN115620097A (zh) * | 2022-10-26 | 2023-01-17 | 北京声迅电子股份有限公司 | 一种基于数字孪生的智能安检测试方法 |
CN116051874A (zh) * | 2023-02-14 | 2023-05-02 | 中国工商银行股份有限公司 | 物品识别方法、装置、电子设备、介质和程序产品 |
CN116563628A (zh) * | 2023-05-08 | 2023-08-08 | 广州新科佳都科技有限公司 | 安检判图识别方法、装置、设备及存储介质 |
CN116740429A (zh) * | 2023-06-08 | 2023-09-12 | 哈尔滨工业大学 | 一种基于目标检测的云边协同危险物品自动检测识别与定位抓取方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117218081B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111045847B (zh) | 事件审计方法、装置、终端设备以及存储介质 | |
CN1620657A (zh) | 用于进出口货物和/或安检处的乘客和行李的电子处理的系统和方法 | |
CN103257957A (zh) | 一种基于中文分词的文本相似性识别方法及装置 | |
CN106802883B (zh) | 一种申报的方法和设备 | |
Downes et al. | Combating nuclear smuggling? Exploring drivers and challenges to detecting nuclear and radiological materials at maritime facilities | |
CN117218081B (zh) | 快件安检方法 | |
CN109558486A (zh) | 电力客服客户诉求智能识别方法 | |
CN114743073A (zh) | 一种基于深度学习的危险货物集装箱预警方法及装置 | |
Anitha et al. | Email spam filtering using machine learning based XGBoost classifier method | |
CN107526823B (zh) | 物流嫌情信息的查证分析方法及系统 | |
CN116958646B (zh) | 基于x光图像的违禁物品检测方法 | |
CN113421007A (zh) | 风险包裹的识别方法、装置、设备和存储介质 | |
CN114548839B (zh) | 基于风险分级和定位的危险货物集装箱落水分类救援方法 | |
US20050119904A1 (en) | Cargo handling security handling system and method | |
RU2763921C1 (ru) | Система и способ создания эвристических правил для обнаружения мошеннических писем, относящихся к категории ВЕС-атак | |
CN115689282A (zh) | 一种进出口食品安全风险监测和预警系统 | |
CN112906811B (zh) | 基于物联网架构的工程车载设备图像自动分类方法 | |
CN113849703A (zh) | 船舶信息查询方法及装置、可读存储介质 | |
Seljan et al. | Information Extraction from Security-Related Datasets | |
Carrillo-Páez | Wildlife trafficking by parcel service: A national problem that threatens biodiversity | |
Demirci et al. | Deficiency analysis identified in PSC inspections using event tree analysis | |
Dahlman et al. | Container Security: A Proposal for a Comprehensive Code of Conducts | |
CN110929633A (zh) | 基于小数据集实现涉烟车辆异常检测的方法 | |
Sonare et al. | E-mail Spam Detection Using Machine Learning | |
CN113239079B (zh) | 货物灭火方式的选择方法、系统和存储介质 |
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 |