CN117272124A - 一种基于能级的化学品分类方法、系统、设备及存储介质 - Google Patents
一种基于能级的化学品分类方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN117272124A CN117272124A CN202311571708.8A CN202311571708A CN117272124A CN 117272124 A CN117272124 A CN 117272124A CN 202311571708 A CN202311571708 A CN 202311571708A CN 117272124 A CN117272124 A CN 117272124A
- Authority
- CN
- China
- Prior art keywords
- chemical
- atomic number
- equivalent atomic
- energy level
- data
- 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
- 239000000126 substance Substances 0.000 title claims abstract description 245
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000001514 detection method Methods 0.000 claims abstract description 84
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000012216 screening Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 description 6
- 239000007787 solid Substances 0.000 description 4
- 239000007788 liquid Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 1
- 235000011089 carbon dioxide Nutrition 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- -1 sheet Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- 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
- 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
-
- 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)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
Abstract
本发明公开了一种基于能级的化学品分类方法、系统、设备及存储介质,包括:通过第一特征属性数据训练第一神经网络模型得到化学品容器检测模型;获取化学品标准件对应的第一伪彩图、第一等效原子序数图、第一能级灰度图和等效原子序数区间;通过第一伪彩图、第一等效原子序数图和第一能级灰度图计算化学品标准件对应的第一灰度热图数据;将灰度热图数据和化学品标准件的RGB图叠加得到第一图像数组;通过第一图像数组训练第二神经网络模型得到化学品形态检测模型;通过化学品容器检测模型、化学品形态检测模型和等效原子序数区间依次对待检测物品进行检测,得到待检测物品的分类结果。本发明能进行更精细的化学品分类,提高化学品识别的鲁棒性。
Description
技术领域
本发明涉及化学品分类技术领域,尤其是涉及一种基于能级的化学品分类方法、系统、设备及存储介质。
背景技术
目前在国内公共交通场所,安检员通过判别X射线检查设备的伪彩图来发现行李中潜在的危险物品,消除站内安全隐患。但是伪彩图仅是为了方便人眼查看而特意生成的图像,其中仅包含物质部分的纹理及成像颜色信息,安检员能通过伪彩图能判断物体类别,但对物体材质或成分仅能简单判断是否为无机物、有机物或混合物。
而被广泛采用的双能X射线检查设备,通过不同能级的X射线穿透被检物,利用不同能级灰度值的差异一定程度上计算出被检物等效原子序数信息,但是由于双能X射线两种能级之间存在较大重叠,客观上限制了双能系统的物质识别能力。且目前对于多能级物质识别主要方法为,记录不同物质对应的双能灰度值或等效原子序数,然后直接划分阈值区间进行物质分类。由于不同物质形态的同一物质可能具备相同等效原子序数,同一物质不同物质形态下可能具备不同等效原子序数。如干冰与水的等效原子序数基本一致约为8.2左右,但冰的等效原子序数约为8.9,与水的等效原子序数有较大差异,因此实际检测中存在同一等效原子序数对应多种物质的可能,无法进行精确识别。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种基于能级的化学品分类方法、系统、设备及存储介质,能够通过特征属性数据输入化学品容器检测模型筛选化学品容器目标区域进行类别检测,然后根据由X射线获取的图像数据输入化学品形态检测模型进行化学品形态检测,最后根据等效原子序数和化学品形态进行精细分类,解决实际应用中未知场景的化学品分类问题,提高化学品识别的鲁棒性与稳定性。
第一方面,本发明的实施例提供了一种基于能级的化学品分类方法,包括:
获取化学品容器的第一特征属性数据;
通过所述第一特征属性数据训练预设的第一神经网络模型得到化学品容器检测模型;
获取化学品标准件对应的第一伪彩图、第一等效原子序数图、第一能级灰度图和等效原子序数区间;
通过所述第一伪彩图、所述第一等效原子序数图和所述第一能级灰度图计算所述化学品标准件对应的第一灰度热图数据;
将所述第一灰度热图数据和所述化学品标准件的RGB图叠加得到第一图像数组;
通过所述第一图像数组训练预设的第二神经网络模型得到化学品形态检测模型;
通过所述化学品容器检测模型、所述化学品形态检测模型和所述等效原子序数区间依次对待检测物品进行检测,得到所述待检测物品的分类结果。
根据本发明实施例的方法,至少具有如下有益效果:
本方法首先通过特征属性数据训练第一神经网络模型得到化学品容器检测模型,通过化学品容器检测模型能够通过快速定位化学品容器,在大规模的物品识别中,快速定位化学品容器能够减小后续化学品分类的算力成本,提高化学品分类效率;其次通过第一伪彩图、第一等效原子序数图和第一能级灰度图计算化学品标准件对应的灰度热图数据,使灰度热图数据具有伪彩图特征、能级灰度特征和等效原子序数图特征,为后续化学品形态检测模型的训练提供了具有纹理信息、厚度信息和等效原子序数信息的数据,实现了化学品的精细分类;然后将灰度热图数据和化学品标准件的RGB图叠加得到第一图像数组,使得特征信息能够集中,方便后续通过图像数组作为训练集输入到第二神经网络模型,提高第二神经网络模型的收敛速度,从而高效率地得到化学品形态检测模型;最后通过化学品容器检测模型、化学品形态检测模型和等效原子序数区间依次对待检测物品进行检测,得到待检测物品的分类结果,能够先结合化学品容器检测模型快速定位化学品位置,再通过化学品形态检测模型识别化学品位置的化学品形态,最后结合等效原子序数区间判断待检测物品的分类结果,提高了化学品识别的准确性和鲁棒性。
根据本发明的一些实施例,所述通过所述第一伪彩图、所述第一等效原子序数图和所述第一能级灰度图计算所述化学品标准件对应的第一灰度热图数据,包括:
将所述第一伪彩图、所述第一等效原子序数图和所述第一能级灰度图进行像素点对齐,得到第二伪彩图、第二等效原子序数图和第二能级灰度图;
通过对所述第二伪彩图进行标定,得到所述化学品标准件对应的第一掩膜;
通过所述第一掩膜提取所述第二等效原子序数图的第一等效原子序数掩膜点集,并通过所述第一等效原子序数掩膜点集和所述第二能级灰度图计算所述第一灰度热图数据。
根据本发明的一些实施例,所述通过所述第一等效原子序数掩膜点集和所述第二能级灰度图计算所述第一灰度热图数据,包括:
计算所述第一等效原子序数掩膜点集中的第一众数,并将所述第一众数集合得到第一众数点集;
通过所述第二能级灰度图计算所述第一众数点集的中点位置的第一灰度数据均值;
计算所述第二能级灰度图中的每个第一灰度数据和所述第一灰度数据均值的第一差值,并对所述第一差值进行归一化得到所述第一灰度热图数据。
根据本发明的一些实施例,所述通过所述化学品容器检测模型、所述化学品形态检测模型和所述等效原子序数区间依次对待检测物品进行检测,得到所述待检测物品的分类结果,包括:
获取所述待检测物品的第二特征属性数据;将所述第二特征属性数据输入至所述化学品容器检测模型,得到所述待检测物品中的化学容器位置;
根据所述化学容器位置获取对应的第三伪彩图、第三等效原子序数图和第三能级灰度图;将所述第三伪彩图、所述第三等效原子序数图和所述第三能级灰度图进行像素点对齐,得到第四伪彩图、第四等效原子序数图和第四能级灰度图;通过所述第四伪彩图进行标定,得到所述化学容器位置对应的第二掩膜;通过所述第二掩膜提取所述第四等效原子序数图的第二等效原子序数掩膜点集;计算所述第二等效原子序数掩膜点集中的第二众数,并将所述第二众数集合得到第二众数点集;通过所述第四能级灰度图计算所述第二众数点集的中点位置的第二灰度数据均值;计算所述第四能级灰度图中的每个第二灰度数据和所述第二灰度数据均值的第二差值,并对所述第二差值进行归一化得到第二灰度热图数据;将所述第二灰度热图数据和所述化学容器位置对应的RGB图叠加得到第二图像数组;将所述第二图像数组输入所述化学品形态检测模型,得到所述化学容器位置对应的化学品形态;
通过所述第二等效原子序数掩膜点集计算得到所述化学容器位置对应的等效原子序数值;通过在所述化学品形态下的所述等效原子序数值与所述等效原子序数区间对比,得到所述化学容器位置对应的化学品种类。
根据本发明的一些实施例,所述通过所述第二等效原子序数掩膜点集计算得到所述化学容器位置对应的等效原子序数值,包括:
计算所述第二等效原子序数掩膜点集中的每个点对应的矩阵和所述矩阵对应的波动数据;
选取所述波动数据小于波动阈值的第一点,得到第一点集;
选取所述第二灰度热图数据中大于热度阈值的第二点,并通过聚类算法计算所述第二点的离散程度值;
通过所述离散程度值筛选得到第二点集;
通过所述第一点集和所述第二点集计算得到所述等效原子序数值。
根据本发明的一些实施例,所述计算所述第二等效原子序数掩膜点集中的每个点对应的矩阵和所述矩阵对应的波动数据,包括:
通过预设的矩阵大小和所述第二等效原子序数掩膜点集计算每个点对应的所述矩阵;
通过所述矩阵大小和所述第二等效原子序数掩膜点集中每个点的坐标计算所述矩阵对应的波动数据;所述波动数据的计算公式包括:,
其中,表示第二等效原子序数掩膜点集中的点坐标为/>的波动数据,表示第二等效原子序数掩膜点集,/>和/>分别表示矩阵的长和宽,/>和/>分别表示矩阵波动数据的长和宽,/>表示第二等效原子序数掩膜点集中的点。
根据本发明的一些实施例,所述通过所述第一点集和所述第二点集计算得到所述等效原子序数值,包括:
计算所述第一点集和所述第二点集的交集;
根据所述交集的点数量、所述第一点集和所述第二点集计算得到所述等效原子序数值;所述等效原子序数值的计算公式包括:
,
其中,表示等效原子序数值,/>表示交集,/>表示第一点集,/>表示第二点集,/>表示正整数。
第二方面,本发明的实施例提供了一种基于能级的化学品分类系统,包括:
特征属性数据获取模块,用于获取化学品容器的第一特征属性数据;
化学品容器检测模型训练模块,用于通过所述第一特征属性数据训练预设的第一神经网络模型得到化学品容器检测模型;
化学品标准件数据获取模块,用于获取化学品标准件对应的第一伪彩图、第一等效原子序数图、第一能级灰度图和等效原子序数区间;
灰度热图数据计算模块,用于通过所述第一伪彩图、所述第一等效原子序数图和所述第一能级灰度图计算所述化学品标准件对应的第一灰度热图数据;
图像数组计算模块,用于将所述第一灰度热图数据和所述化学品标准件的RGB图叠加得到第一图像数组;
化学品形态检测模型训练模块,用于通过所述第一图像数组训练预设的第二神经网络模型得到化学品形态检测模型;
分类结果检测模块,用于通过所述化学品容器检测模型、所述化学品形态检测模型和所述等效原子序数区间依次对待检测物品进行检测,得到所述待检测物品的分类结果。
第三方面,本发明的实施例提供了一种电子设备,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如第一方面所述的基于能级的化学品分类方法。
第四方面,本发明的实施例提供了一种计算机存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如第一方面所述的基于能级的化学品分类方法。
需要注意的是,本发明的第二方面至第四方面与现有技术之间的有益效果与第一方面的基于能级的化学品分类方法的有益效果相同,此处不再细述。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明一实施例提供的一种基于能级的化学品分类方法的流程图;
图2是本发明一实施例提供的通过第一伪彩图、第一等效原子序数图和第一能级灰度图计算化学品标准件对应的第一灰度热图数据的流程图;
图3是本发明一实施例提供的通过第一等效原子序数掩膜点集和第二能级灰度图计算第一灰度热图数据的流程图;
图4是本发明一实施例提供的通过化学品容器检测模型、化学品形态检测模型和等效原子序数区间依次对待检测物品进行检测得到待检测物品的分类结果的流程图;
图5是本发明一实施例提供的通过第二等效原子序数掩膜点集计算得到化学容器位置对应的等效原子序数值的流程图;
图6是本发明一实施例提供的计算第二等效原子序数掩膜点集中的每个点对应的矩阵和矩阵对应的波动数据的流程图;
图7是本发明一实施例提供的通过第一点集和第二点集计算得到等效原子序数值的流程图;
图8是本发明一实施例提供的一种基于能级的化学品分类系统的结构图;
图9是本发明一实施例提供的一种电子设备的结构图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,如果有描述到第一、第二等只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
本发明的描述中,需要说明的是,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
下面将结合附图对本发明的技术方案进行清楚、完整的描述,显然,以下所描述的实施例是本发明一部分实施例,并非全部实施例。
参照图1,在本发明的一些实施例中,提供了一种基于能级的化学品分类方法,包括:
步骤S100、获取化学品容器的第一特征属性数据。
需要说明的是,第一特征属性数据可以为不同固体化学品容器、液态化学品容器、压力容器、气瓶的形状、大小等数据,此处不做具体限制,但是对应的,在训练过程中,第一特征属性数据必须是同一种类的数据,例如化学品容器检测模型的训练要求所用的第一特征属性数据为形状数据,那么不同类型的化学品容器统一提供本身的形状数据作为第一特征属性数据。
步骤S200、通过第一特征属性数据训练预设的第一神经网络模型得到化学品容器检测模型。
步骤S300、获取化学品标准件对应的第一伪彩图、第一等效原子序数图、第一能级灰度图和等效原子序数区间。
需要说明的是,化学品标准件包括不同类别和物质形态的标准化学品。
步骤S400、通过第一伪彩图、第一等效原子序数图和第一能级灰度图计算化学品标准件对应的第一灰度热图数据。
步骤S500、将第一灰度热图数据和化学品标准件的RGB图叠加得到第一图像数组。
需要说明的是,由于灰度热图数据具有能级信息,因此将不同能级的灰度数据热图与RGB图在channel维度上叠加组成一个4通道的图像数组,有利于后续化学品形态检测模型的训练。
步骤S600、通过第一图像数组训练预设的第二神经网络模型得到化学品形态检测模型。
步骤S700、通过化学品容器检测模型、化学品形态检测模型和等效原子序数区间依次对待检测物品进行检测,得到待检测物品的分类结果。
首先通过特征属性数据训练第一神经网络模型得到化学品容器检测模型,通过化学品容器检测模型能够通过快速定位化学品容器,在大规模的物品识别中,快速定位化学品容器能够减小后续化学品分类的算力成本,提高化学品分类效率;其次通过第一伪彩图、第一等效原子序数图和第一能级灰度图计算化学品标准件对应的灰度热图数据,使灰度热图数据具有伪彩图特征、能级灰度特征和等效原子序数图特征,为后续化学品形态检测模型的训练提供了具有纹理信息、厚度信息和等效原子序数信息的数据,实现了化学品的精细分类;然后将灰度热图数据和化学品标准件的RGB图叠加得到第一图像数组,使得特征信息能够集中,方便后续通过图像数组作为训练集输入到第二神经网络模型,提高第二神经网络模型的收敛速度,从而高效率地得到化学品形态检测模型;最后通过化学品容器检测模型、化学品形态检测模型和等效原子序数区间依次对待检测物品进行检测,得到待检测物品的分类结果,能够先结合化学品容器检测模型快速定位化学品位置,再通过化学品形态检测模型识别化学品位置的化学品形态,最后结合等效原子序数区间判断待检测物品的分类结果,提高了化学品识别的准确性和鲁棒性。
参照图2,在本发明的一些实施例中,通过第一伪彩图、第一等效原子序数图和第一能级灰度图计算化学品标准件对应的第一灰度热图数据,包括:
步骤S310、将第一伪彩图、第一等效原子序数图和第一能级灰度图进行像素点对齐,得到第二伪彩图、第二等效原子序数图和第二能级灰度图。
步骤S320、通过对第二伪彩图进行标定,得到化学品标准件对应的第一掩膜。
需要说明的是,通过对第二伪彩图进行标定得到的掩膜可以保证多种特征数据提取出来是对齐的,同时保证提取得到的数据没有前景信息的干扰。
步骤S330、通过第一掩膜提取第二等效原子序数图的第一等效原子序数掩膜点集,并通过第一等效原子序数掩膜点集和第二能级灰度图计算第一灰度热图数据。
通过将第一伪彩图、第一等效原子序数图和第一能级灰度图进行像素点对齐,能够体现同一位置的多种特征信息,然后通过标定伪彩图得到掩膜,可以保证后续掩膜提取出来的等效原子序数掩膜点集是对齐的,并且使得第一灰度热图数据能够体现同一位置的原子序数信息和能级灰度信息,使得第一灰度热图数据更加标准化,减少数据标注的错误率。
参照图3,在本发明的一些实施例中,通过第一等效原子序数掩膜点集和第二能级灰度图计算第一灰度热图数据,包括:
步骤S331、计算第一等效原子序数掩膜点集中的第一众数,并将第一众数集合得到第一众数点集。
步骤S332、通过第二能级灰度图计算第一众数点集的中点位置的第一灰度数据均值。
步骤S333、计算第二能级灰度图中的每个第一灰度数据和第一灰度数据均值的第一差值,并对第一差值进行归一化得到第一灰度热图数据。
需要说明的是,得到第一灰度热图数据的具体计算公式为:
,
,
,
其中,表示第一灰度热图数据,/>表示归一化后的第一差值,/>表示第一差值,/>代表第一众数点集中点的个数,/>代表不同能级,/>表示第一灰度数据,/>表示中点位置灰度数据,/>表示比重。
通过归一化方法将不同能级的灰度热图数据能够集中在第一灰度热图数据上,并且实现办法简易,能够使得特征信息集中,有利于后续模型对多种特征信息的学习训练。
参照图4,在本发明的一些实施例中,通过化学品容器检测模型、化学品形态检测模型和等效原子序数区间依次对待检测物品进行检测,得到待检测物品的分类结果,包括:
步骤S710、获取待检测物品的第二特征属性数据;将第二特征属性数据输入至化学品容器检测模型,得到待检测物品中的化学容器位置。
需要说明的是,同理第二特征属性数据与第一特征属性数据的数据类型是相同的。
步骤S720、根据化学容器位置获取对应的第三伪彩图、第三等效原子序数图和第三能级灰度图;将第三伪彩图、第三等效原子序数图和第三能级灰度图进行像素点对齐,得到第四伪彩图、第四等效原子序数图和第四能级灰度图;通过第四伪彩图进行标定,得到化学容器位置对应的第二掩膜;通过第二掩膜提取第四等效原子序数图的第二等效原子序数掩膜点集;计算第二等效原子序数掩膜点集中的第二众数,并将第二众数集合得到第二众数点集;通过第四能级灰度图计算第二众数点集的中点位置的第二灰度数据均值;计算第四能级灰度图中的每个第二灰度数据和第二灰度数据均值的第二差值,并对第二差值进行归一化得到第二灰度热图数据;将第二灰度热图数据和化学容器位置对应的RGB图叠加得到第二图像数组;将第二图像数组输入化学品形态检测模型,得到化学容器位置对应的化学品形态。
需要说明的是,同理,得到第二灰度热图数据的具体计算公式和第一灰度热图数据的具体计算公式一样。
步骤S730、通过第二等效原子序数掩膜点集计算得到化学容器位置对应的等效原子序数值;通过在化学品形态下的等效原子序数值与等效原子序数区间对比,得到化学容器位置对应的化学品种类。
依次通过化学品容器检测模型、化学品形态检测模型和等效原子序数区间依次对待检测物品进行检测,能够合理利用检测数据,避免算力浪费,同时通过等效原子序数值和化学品形态结合识别化学品种类,能够使得化学品分类更加精确。
参照图5,在本发明的一些实施例中,通过第二等效原子序数掩膜点集计算得到化学容器位置对应的等效原子序数值,包括:
步骤S731、计算第二等效原子序数掩膜点集中的每个点对应的矩阵和矩阵对应的波动数据。
步骤S732、选取波动数据小于波动阈值的第一点,得到第一点集。
需要说明的是,小于波动阈值的第一点可能存在波动数据为空的情况,空集并入第一点集并没有任何作用,因此波动数据为空的第一点不并入第一点集。
步骤S733、选取第二灰度热图数据中大于热度阈值的第二点,并通过聚类算法计算第二点的离散程度值。
需要说明的是,聚类算法在本实施例不做具体限制,但是算法更新簇的均值向量公式如下:
,
其中,表示算法更新簇的均值向量公式的计算结果,/>表示簇/>的样本个数。
步骤S734、通过离散程度值筛选得到第二点集。
需要说明的是,通过离散程度值筛选得到第二点集具体通过设置离散阈值进行筛选,将超过离散阈值的第二点称为离群点,删除所有第二点中的离群点,得到第二点集。
步骤S735、通过第一点集和第二点集计算得到等效原子序数值。
通过波动阈值限制第一点集以及通过聚类算法筛选得到第二点集,进行了一定的数据清洗,能够使第一点集和第二点集的数据更具代表性,通过第一点集和第二点集计算得到的等效原子序数值也更加准确。
参照图6,在本发明的一些实施例中,计算第二等效原子序数掩膜点集中的每个点对应的矩阵和矩阵对应的波动数据,包括:
步骤S7311、通过预设的矩阵大小和第二等效原子序数掩膜点集计算每个点对应的矩阵。
步骤S7312、通过矩阵大小和第二等效原子序数掩膜点集中每个点的坐标计算矩阵对应的波动数据;波动数据的计算公式包括:,
其中,表示第二等效原子序数掩膜点集中的点坐标为/>的波动数据,表示第二等效原子序数掩膜点集,/>和/>分别表示矩阵的长和宽,/>和/>分别表示矩阵波动数据的长和宽,/>表示第二等效原子序数掩膜点集中的点。
通过预设的矩阵大小能够适应不同规模的等效原子序数掩膜点集,并使后续波动数据的计算精度更高。
参照图7,在本发明的一些实施例中,通过第一点集和第二点集计算得到等效原子序数值,包括:
步骤S7351、计算第一点集和第二点集的交集。
步骤S7352、根据交集的点数量、第一点集和第二点集计算得到等效原子序数值;等效原子序数值的计算公式包括:
,
其中,表示等效原子序数值,/>表示交集,/>表示第一点集,/>表示第二点集,/>表示正整数。
通过交集的点数量、第一点集和第二点集计算得到等效原子序数值,更加靠近理论等效原子序数值,得到的等效原子序数值更加准确。
为了使本领域技术人员更好地理解本方法,提供一种基于能级的化学品分类方法的具体实施例,包括:
(1)采集不同固体化学品容器、液态化学品容器、压力容器、气瓶等的数据,经过处理后形成第一训练集,将第一训练集输入到第一神经网络中训练得到用于检测化学品容器的化学品容器检测模型。
(2)采集不同类别、物质形态的化学品标准件记录相应的等效原子序数区间。
(3)将化学品标准件的不同能级灰度图、等效原子序数图和伪彩图进行像素点上的对齐,然后通过对齐后的伪彩图数据进行标定,生成化学品标准件的掩膜;取掩膜内对应的原子序数图块里的点组成的集合,得到等效原子序数掩膜点集;计算等效原子序数掩膜点集中值的众数,并形成众数点集/>,并取/>中点所在位置对应的灰度数据的均值,求取灰度掩膜内的数据与均值的差并进行归一化形成不同能级的灰度热图数据,具体灰度热图数据的计算公式和上述的第一灰度热图数据的计算公式相同。
(4)将不同能级的灰度数据热图与RGB图在channel维度上叠加组成一个4通道的图像数组,将图像数组作为第二训练集输入到第二神经网络中,训练得到用于判别化学品形态的化学品形态检测模型,可判别如粉末状、药剂状、片状、液体状、压缩气体状等形态。
(5)获取待检测物品的数据,将待检测物品的数据通过步骤(1)和步骤(3)的方法,依次输入至化学品容器检测模型和化学品形态检测模型,得到待检测物品的化学品容器位置和化学品形态。
(6)对等效原子序数掩膜点集内的每个点,以点本身为中心取/>大小的矩阵,并按照上述波动数据的计算公式求得每个点的波动数据。
(7)选取波动数据小于波动阈值的第一点,得到第一点集;选取灰度热图数据中大于热度阈值的第二点,并通过聚类算法计算第二点的离散程度,删除其中的离群点,得到第二点集/>;通过第一点集和第二点集计算等效原子序数值。
(8)通过步骤(5)得到的化学品形态下的等效原子序数值与化学品标准件的等效原子序数区间对比,得到化学品种类。
参照图8,本发明的一个实施例,还提供了一种基于能级的化学品分类系统,包括特征属性数据获取模块1001、化学品容器检测模型训练模块1002、化学品标准件数据获取模块1003、灰度热图数据计算模块1004、图像数组计算模块1005、化学品形态检测模型训练模块1006和分类结果检测模块1007,其中:
特征属性数据获取模块1001,用于获取化学品容器的第一特征属性数据。
化学品容器检测模型训练模块1002,用于通过第一特征属性数据训练预设的第一神经网络模型得到化学品容器检测模型。
化学品标准件数据获取模块1003,用于获取化学品标准件对应的第一伪彩图、第一等效原子序数图、第一能级灰度图和等效原子序数区间。
灰度热图数据计算模块1004,用于通过第一伪彩图、第一等效原子序数图和第一能级灰度图计算化学品标准件对应的第一灰度热图数据。
图像数组计算模块1005,用于将第一灰度热图数据和化学品标准件的RGB图叠加得到第一图像数组。
化学品形态检测模型训练模块1006,用于通过第一图像数组训练预设的第二神经网络模型得到化学品形态检测模型。
分类结果检测模块1007,用于通过化学品容器检测模型、化学品形态检测模型和等效原子序数区间依次对待检测物品进行检测,得到待检测物品的分类结果。
需要说明的是,由于本实施例中的一种基于能级的化学品分类系统与上述的一种基于能级的化学品分类方法基于相同的发明构思,因此,方法实施例中的相应内容同样适用于本装置实施例,此处不再详述。
参考图9,本发明的另一个实施例,还提供了一种电子设备,该电子设备6000可以是任意类型的智能终端,例如手机、平板电脑、个人计算机等。
具体的,电子设备6000包括:一个或多个控制处理器6001和存储器6002,图9中以一个控制处理器6001与一个存储器6002为例,控制处理器6001和存储器6002可以通过总线或者其他方式连接,图9中以通过总线连接为例。
存储器6002作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块,如本发明实施例中的一种电子设备对应的程序指令/模块;
控制处理器6001通过运行存储在存储器6002中的非暂态软件程序、指令以及模块,从而执行一种基于能级的化学品分类方法的各种功能应用以及数据处理,即实现上述方法实施例的一种基于能级的化学品分类方法。
存储器6002可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储一种基于能级的化学品分类方法的使用所创建的数据等。此外,存储器6002可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器6002可选包括相对于控制处理器6001远程设置的存储器,这些远程存储器可以通过网络连接至该电子设备6000。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
在一个或者多个模块存储在存储器6002中,当被该一个或者多个控制处理器6001执行时,执行上述方法实施例中的一种基于能级的化学品分类方法,例如执行以上描述的图1至图7的方法步骤。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
需要说明的是,由于本实施例中的一种电子设备与上述的一种基于能级的化学品分类方法基于相同的发明构思,因此,方法实施例中的相应内容同样适用于本装置实施例,此处不再详述。
本发明的一个实施例,还提供一种计算机可读存储介质,存储有计算机可执行指令,计算机可执行指令用于执行:如上述实施例的基于能级的化学品分类方法。
需要说明的是,由于本实施例中的一种计算机可读存储介质与上述的一种基于能级的化学品分类方法基于相同的发明构思,因此,方法实施例中的相应内容同样适用于本装置实施例,此处不再详述。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储数据(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的数据并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何数据递送介质。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种基于能级的化学品分类方法,其特征在于,所述基于能级的化学品分类方法包括:
获取化学品容器的第一特征属性数据;
通过所述第一特征属性数据训练预设的第一神经网络模型得到化学品容器检测模型;
获取化学品标准件对应的第一伪彩图、第一等效原子序数图、第一能级灰度图和等效原子序数区间;
通过所述第一伪彩图、所述第一等效原子序数图和所述第一能级灰度图计算所述化学品标准件对应的第一灰度热图数据;
将所述第一灰度热图数据和所述化学品标准件的RGB图叠加得到第一图像数组;
通过所述第一图像数组训练预设的第二神经网络模型得到化学品形态检测模型;
通过所述化学品容器检测模型、所述化学品形态检测模型和所述等效原子序数区间依次对待检测物品进行检测,得到所述待检测物品的分类结果。
2.根据权利要求1所述的基于能级的化学品分类方法,其特征在于,所述通过所述第一伪彩图、所述第一等效原子序数图和所述第一能级灰度图计算所述化学品标准件对应的第一灰度热图数据,包括:
将所述第一伪彩图、所述第一等效原子序数图和所述第一能级灰度图进行像素点对齐,得到第二伪彩图、第二等效原子序数图和第二能级灰度图;
通过对所述第二伪彩图进行标定,得到所述化学品标准件对应的第一掩膜;
通过所述第一掩膜提取所述第二等效原子序数图的第一等效原子序数掩膜点集,并通过所述第一等效原子序数掩膜点集和所述第二能级灰度图计算所述第一灰度热图数据。
3.根据权利要求2所述的基于能级的化学品分类方法,其特征在于,所述通过所述第一等效原子序数掩膜点集和所述第二能级灰度图计算所述第一灰度热图数据,包括:
计算所述第一等效原子序数掩膜点集中的第一众数,并将所述第一众数集合得到第一众数点集;
通过所述第二能级灰度图计算所述第一众数点集的中点位置的第一灰度数据均值;
计算所述第二能级灰度图中的每个第一灰度数据和所述第一灰度数据均值的第一差值,并对所述第一差值进行归一化得到所述第一灰度热图数据。
4.根据权利要求3所述的基于能级的化学品分类方法,其特征在于,所述通过所述化学品容器检测模型、所述化学品形态检测模型和所述等效原子序数区间依次对待检测物品进行检测,得到所述待检测物品的分类结果,包括:
获取所述待检测物品的第二特征属性数据;将所述第二特征属性数据输入至所述化学品容器检测模型,得到所述待检测物品中的化学容器位置;
根据所述化学容器位置获取对应的第三伪彩图、第三等效原子序数图和第三能级灰度图;将所述第三伪彩图、所述第三等效原子序数图和所述第三能级灰度图进行像素点对齐,得到第四伪彩图、第四等效原子序数图和第四能级灰度图;通过所述第四伪彩图进行标定,得到所述化学容器位置对应的第二掩膜;通过所述第二掩膜提取所述第四等效原子序数图的第二等效原子序数掩膜点集;计算所述第二等效原子序数掩膜点集中的第二众数,并将所述第二众数集合得到第二众数点集;通过所述第四能级灰度图计算所述第二众数点集的中点位置的第二灰度数据均值;计算所述第四能级灰度图中的每个第二灰度数据和所述第二灰度数据均值的第二差值,并对所述第二差值进行归一化得到第二灰度热图数据;将所述第二灰度热图数据和所述化学容器位置对应的RGB图叠加得到第二图像数组;将所述第二图像数组输入所述化学品形态检测模型,得到所述化学容器位置对应的化学品形态;
通过所述第二等效原子序数掩膜点集计算得到所述化学容器位置对应的等效原子序数值;通过在所述化学品形态下的所述等效原子序数值与所述等效原子序数区间对比,得到所述化学容器位置对应的化学品种类。
5.根据权利要求4所述的基于能级的化学品分类方法,其特征在于,所述通过所述第二等效原子序数掩膜点集计算得到所述化学容器位置对应的等效原子序数值,包括:
计算所述第二等效原子序数掩膜点集中的每个点对应的矩阵和所述矩阵对应的波动数据;
选取所述波动数据小于波动阈值的第一点,得到第一点集;
选取所述第二灰度热图数据中大于热度阈值的第二点,并通过聚类算法计算所述第二点的离散程度值;
通过所述离散程度值筛选得到第二点集;
通过所述第一点集和所述第二点集计算得到所述等效原子序数值。
6.根据权利要求5所述的基于能级的化学品分类方法,其特征在于,所述计算所述第二等效原子序数掩膜点集中的每个点对应的矩阵和所述矩阵对应的波动数据,包括:
通过预设的矩阵大小和所述第二等效原子序数掩膜点集计算每个点对应的所述矩阵;
通过所述矩阵大小和所述第二等效原子序数掩膜点集中每个点的坐标计算所述矩阵对应的波动数据;所述波动数据的计算公式包括:
,
其中,表示第二等效原子序数掩膜点集中的点坐标为/>的波动数据,/>表示第二等效原子序数掩膜点集,/>和/>分别表示矩阵的长和宽,/>和/>分别表示矩阵波动数据的长和宽,/>表示第二等效原子序数掩膜点集中的点。
7.根据权利要求5所述的基于能级的化学品分类方法,其特征在于,所述通过所述第一点集和所述第二点集计算得到所述等效原子序数值,包括:
计算所述第一点集和所述第二点集的交集;
根据所述交集的点数量、所述第一点集和所述第二点集计算得到所述等效原子序数值;所述等效原子序数值的计算公式包括:
,
其中,表示等效原子序数值,/>表示交集,/>表示第一点集,/>表示第二点集,/>表示正整数。
8.一种基于能级的化学品分类系统,其特征在于,所述基于能级的化学品分类系统包括:
特征属性数据获取模块,用于获取化学品容器的第一特征属性数据;
化学品容器检测模型训练模块,用于通过所述第一特征属性数据训练预设的第一神经网络模型得到化学品容器检测模型;
化学品标准件数据获取模块,用于获取化学品标准件对应的第一伪彩图、第一等效原子序数图、第一能级灰度图和等效原子序数区间;
灰度热图数据计算模块,用于通过所述第一伪彩图、所述第一等效原子序数图和所述第一能级灰度图计算所述化学品标准件对应的第一灰度热图数据;
图像数组计算模块,用于将所述第一灰度热图数据和所述化学品标准件的RGB图叠加得到第一图像数组;
化学品形态检测模型训练模块,用于通过所述第一图像数组训练预设的第二神经网络模型得到化学品形态检测模型;
分类结果检测模块,用于通过所述化学品容器检测模型、所述化学品形态检测模型和所述等效原子序数区间依次对待检测物品进行检测,得到所述待检测物品的分类结果。
9.一种电子设备,其特征在于:包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的基于能级的化学品分类方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的基于能级的化学品分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311571708.8A CN117272124B (zh) | 2023-11-23 | 2023-11-23 | 一种基于能级的化学品分类方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311571708.8A CN117272124B (zh) | 2023-11-23 | 2023-11-23 | 一种基于能级的化学品分类方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117272124A true CN117272124A (zh) | 2023-12-22 |
CN117272124B CN117272124B (zh) | 2024-03-12 |
Family
ID=89204941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311571708.8A Active CN117272124B (zh) | 2023-11-23 | 2023-11-23 | 一种基于能级的化学品分类方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117272124B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021073370A1 (zh) * | 2019-10-16 | 2021-04-22 | 北京海益同展信息科技有限公司 | 物品检测方法、装置、系统和计算机可读存储介质 |
US20220067093A1 (en) * | 2020-08-31 | 2022-03-03 | MS^2 Inc. | Systems and methods for generating smell data and a database thereof |
CN115761579A (zh) * | 2022-11-08 | 2023-03-07 | 中国地质大学(武汉) | 基于卷积神经网络和大型溞运动轨迹的化学品识别方法 |
CN116091389A (zh) * | 2022-07-12 | 2023-05-09 | 桂林电子科技大学 | 基于分类模型的图像检测方法、电子设备及介质 |
CN116704281A (zh) * | 2023-05-24 | 2023-09-05 | 一汽解放汽车有限公司 | 模型训练方法、装置、图像识别方法、计算机设备 |
-
2023
- 2023-11-23 CN CN202311571708.8A patent/CN117272124B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021073370A1 (zh) * | 2019-10-16 | 2021-04-22 | 北京海益同展信息科技有限公司 | 物品检测方法、装置、系统和计算机可读存储介质 |
US20220067093A1 (en) * | 2020-08-31 | 2022-03-03 | MS^2 Inc. | Systems and methods for generating smell data and a database thereof |
CN116091389A (zh) * | 2022-07-12 | 2023-05-09 | 桂林电子科技大学 | 基于分类模型的图像检测方法、电子设备及介质 |
CN115761579A (zh) * | 2022-11-08 | 2023-03-07 | 中国地质大学(武汉) | 基于卷积神经网络和大型溞运动轨迹的化学品识别方法 |
CN116704281A (zh) * | 2023-05-24 | 2023-09-05 | 一汽解放汽车有限公司 | 模型训练方法、装置、图像识别方法、计算机设备 |
Non-Patent Citations (2)
Title |
---|
"《The Robustness of the Gray Level Co-Occurrence Matrices and X-Ray Computed Tomography Method for the Quantification of 3D Mineral Texture》", 《MINERALS》 * |
万可风 等: "《光谱检测方法在危险化学品识别中的应用》", 《安全、健康和环境》 * |
Also Published As
Publication number | Publication date |
---|---|
CN117272124B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
CN108898047B (zh) | 基于分块遮挡感知的行人检测方法及系统 | |
WO2015149009A1 (en) | Systems and methods for identifying traffic control devices and testing the retroreflectivity of the same | |
US20080310589A1 (en) | Method for inspecting luggage | |
CN102547079B (zh) | 夜景光源检测设备及夜景光源检测方法 | |
CN103954542A (zh) | 基于无参考图像清晰度评价的pm2.5浓度检测仪 | |
CN111814739B (zh) | 快递包裹体积的检测方法、装置、设备及存储介质 | |
CN112345534B (zh) | 一种基于视觉的泡罩板中颗粒的缺陷检测方法及系统 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
CN104272094A (zh) | 缺陷判定装置、放射线摄像系统及缺陷判定方法 | |
CN110852164A (zh) | 一种基于YOLOv3的自动检测违章建筑方法及系统 | |
CN110288612B (zh) | 铭牌定位与校正方法及设备 | |
CN114295649B (zh) | 一种信息关联方法、装置、电子设备及存储介质 | |
CN113255590A (zh) | 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统 | |
CN104537367A (zh) | 一种vin码的校验方法 | |
CN111914767A (zh) | 一种基于多源遥感数据的散乱污企业检测方法及系统 | |
CN113469158B (zh) | 基于卷积神经网络的非法危化品运输车辆识别方法及系统 | |
CN111881984A (zh) | 一种基于深度学习的目标检测方法和装置 | |
CN111723656A (zh) | 一种基于YOLO v3与自优化的烟雾检测方法及装置 | |
CN117272124B (zh) | 一种基于能级的化学品分类方法、系统、设备及存储介质 | |
CN116580026B (zh) | 精密零部件外观缺陷自动光学检测方法、设备及存储介质 | |
CN109272484A (zh) | 一种基于视频图像的降雨检测方法 | |
CN115578695B (zh) | 一种自由拍摄视角的水尺水位机器视觉检测方法及装置 | |
CN106682668A (zh) | 一种使用无人机标记影像的输电线路地质灾害监测方法 | |
CN117237835A (zh) | 一种基于yolov7的货架安全自动检测方法及装置 |
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 |