CN117347396A - 基于XGBoost模型的物质种类识别方法 - Google Patents
基于XGBoost模型的物质种类识别方法 Download PDFInfo
- Publication number
- CN117347396A CN117347396A CN202311049429.5A CN202311049429A CN117347396A CN 117347396 A CN117347396 A CN 117347396A CN 202311049429 A CN202311049429 A CN 202311049429A CN 117347396 A CN117347396 A CN 117347396A
- Authority
- CN
- China
- Prior art keywords
- sample
- xgboost model
- sample image
- atomic number
- under
- 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 155
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000012549 training Methods 0.000 claims abstract description 59
- 239000013076 target substance Substances 0.000 claims abstract description 20
- 239000000463 material Substances 0.000 claims description 53
- 238000012545 processing Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 14
- 239000000470 constituent Substances 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 239000000523 sample Substances 0.000 description 305
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 38
- 238000010586 diagram Methods 0.000 description 36
- 238000001514 detection method Methods 0.000 description 27
- 238000004364 calculation method Methods 0.000 description 26
- 239000004698 Polyethylene Substances 0.000 description 19
- 229910052782 aluminium Inorganic materials 0.000 description 19
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 19
- 229910052742 iron Inorganic materials 0.000 description 19
- -1 polyethylene Polymers 0.000 description 19
- 229920000573 polyethylene Polymers 0.000 description 19
- 239000004676 acrylonitrile butadiene styrene Substances 0.000 description 17
- 230000000694 effects Effects 0.000 description 17
- XECAHXYUAAWDEL-UHFFFAOYSA-N acrylonitrile butadiene styrene Chemical compound C=CC=C.C=CC#N.C=CC1=CC=CC=C1 XECAHXYUAAWDEL-UHFFFAOYSA-N 0.000 description 14
- 229920000122 acrylonitrile butadiene styrene Polymers 0.000 description 14
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 11
- 238000004590 computer program Methods 0.000 description 11
- 229910052802 copper Inorganic materials 0.000 description 11
- 239000010949 copper Substances 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000005855 radiation Effects 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 239000013077 target material Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000000149 penetrating effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000002441 X-ray diffraction Methods 0.000 description 1
- 238000000333 X-ray scattering Methods 0.000 description 1
- 238000002083 X-ray spectrum Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning 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
- 238000009659 non-destructive testing Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011179 visual inspection 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
Landscapes
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明提供一种基于XGBoost模型的物质种类识别方法,包括:获取待测物体在不同通道下的光子计数值数据;基于各通道下的光子计数值数据,确定待测物体各通道下的X光图像;将各X光图像输入XGBoost模型中,得到待测物体的目标等效原子序数,XGBoost模型为基于多个不同类型的样本物体各自对应的样本图像块训练得到的,样本图像块是基于对应的样本物体的厚度确定的;基于物质种类列表中等效原子序数和物质种类之间的对应关系,确定目标等效原子序数对应的目标物质种类。本方法利用训练的XGBoost模型,可以确定待测物体的目标等效原子序数,从而可以确定出待测物体的目标物质种类,提高了物质种类识别的效率。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种基于XGBoost模型的物质种类识别方法。
背景技术
随着X射线探测技术的发展,X射线的物质探测技术因其探测准确度高、效率高的优势,在安检、医疗等行业得到了广泛的应用。根据X射线的成像原理可分为单能X光成像、双能X光成像、多视角X光成像、X光散射成像和能量色散X射线衍射等。
单能X射线探测技术只能分辨出物体的大概形状,物体内部细节无法准确分辨,只能得到灰度图,对金属物品可以有效识别;双能X射线探测技术可以确定物体的本质属性R,但无法准确测出物质的等效原子序数,只能区分有机物、无机物和混合物;多能X射线探测技术包含能谱信息,能对物质的本质属性进行更准确的识别。
通过X光透视成像技术对图像进行处理并生成较为清晰的X光图像,甚至赋予不同材质的物体以不同的颜色,可以辅助肉眼检查,但最重要的确认环节依然是通过人工实现的。例如,在安检过程,可以将物质种类识别总结为以下五个步骤:图像分析、确定对象、推断、归类和决策,在该五个步骤中,除第一个步骤不需人工操作外,其余四个步骤均需人工才能完成。因此,目前利用X射线进行物质种类识别时主要依赖于人工,智能化水平较低,物质种类识别的效率较低。
发明内容
本发明提供一种基于XGBoost模型的物质种类识别方法,用以解决现有技术中利用X射线进行物质种类识别时,智能化水平较低,且物质种类识别的效率较低的缺陷,实现提高物质种类识别的智能化水平以及效率的目的。
本发明提供一种基于XGBoost模型的物质种类识别方法,包括:
通过探测器获取待测物体在不同通道下的光子计数值数据;
基于各通道下的所述光子计数值数据,确定所述待测物体各所述通道下的X光图像;
将各通道下的所述X光图像输入预先训练的XGBoost模型中,得到所述XGBoost模型输出的所述待测物体的目标等效原子序数,所述XGBoost模型为基于多个不同类型的样本物体各自对应的样本图像块训练得到的,所述样本图像块是基于对应的样本物体的厚度确定的;
在物质种类列表中存在所述目标等效原子序数的情况下,基于所述物质种类列表中等效原子序数和物质种类之间的对应关系,确定所述目标等效原子序数对应的目标物质种类。
根据本发明提供的基于XGBoost模型的物质种类识别方法,所述XGBoost模型为基于如下方式训练得到的:
获取各通道下的第一样本图像,所述第一样本图像中包括所有类型的样本物体;
对所述第一样本图像进行分割,得到多个初始样本图像块,同一所述初始样本图像块对应同一类型的样本物体,且同一所述初始样本图像块内样本物体的厚度相同;
基于预设尺寸,对各所述初始样本图像块进行裁剪,得到所述样本图像块;
获取各所述样本图像块在各通道下的样本光子计数值数据和各所述样本图像块对应的样本物体的物质属性值,并将所述样本光子计数值数据和所述物质属性值作为特征值输入初始XGBoost模型中,得到各所述样本图像块对应的预测等效原子序数;
基于各所述样本图像块对应的预测等效原子序数,更新所述初始XGBoost模型的模型参数,得到所述XGBoost模型。
根据本发明提供的基于XGBoost模型的物质种类识别方法,所述对所述第一样本图像进行分割,得到多个初始样本图像块,包括:
基于所述第一样本图像中各像素点的像素值,在确定出前一列像素点的各像素值与后一列像素点的各像素值之间的差值大于第一预设像素值的情况下,在所述前一列像素点和所述后一列像素点之间进行分割,且在确定出前一行像素点的各像素值与后一行像素点的各像素值之间的差值大于第二预设像素值的情况下,在所述前一行像素点和所述后一行像素点之间进行分割,得到多个所述初始样本图像块。
根据本发明提供的基于XGBoost模型的物质种类识别方法,所述样本物体包括多个台阶,各所述台阶的形状和面积均相同;
所述对所述第一样本图像进行分割,得到多个初始样本图像块,包括:
基于预设面积对所述第一样本图像进行分割,得到多个所述初始样本图像块,所述预设面积为基于所述台阶的面积确定的。
根据本发明提供的基于XGBoost模型的物质种类识别方法,所述基于各通道下的所述光子计数值数据,确定所述待测物体各所述通道下的X光图像,包括:
基于光子本底值和光子满度值,对各通道下的所述光子计数值数据进行归一化处理,得到归一化光子计数值;所述光子本底值为在射线源和所述探测器之间未放置物体,且所述射线源处于关闭状态时,所述探测器探测到的光子值;所述光子满度值为在射线源和探测器之间未放置物体,且所述射线源处于工作状态时,所述探测器探测到的光子值;
基于各通道下的所述归一化光子计数值,确定所述待测物体在各通道下的X光图像。
根据本发明提供的基于XGBoost模型的物质种类识别方法,所述基于各通道下的所述归一化光子计数值,确定所述待测物体在各通道下的X光图像,包括:
基于多项式拟合参数,对各通道下的所述归一化光子计数值进行多项式拟合,得到各通道下的目标光子计数值数据;
将各通道下的所述目标光子计数值数据分别映射为灰度值,并基于各通道下映射后的灰度值确定各通道下的所述X光图像。
根据本发明提供的基于XGBoost模型的物质种类识别方法,所述方法还包括:
获取反馈信息,所述反馈信息用于指示所述待测物体的目标物质种类预测错误;
基于所述待测物体对应的样本物体的样本图像块,对所述XGBoost模型进行更新。
根据本发明提供的基于XGBoost模型的物质种类识别方法,所述方法还包括:
在所述物质种类列表中不存在所述目标等效原子序数的情况下,记录所述待测物体的预估等效原子序数;
且当所述预估等效原子序数的记录次数大于预设次数的情况下,以所述待测物体为基础获取其对应的样本物体,并获取所述待测物体对应的样本物体的样本图像块;
基于所述待测物体对应的样本物体的样本图像块,对所述XGBoost模型进行更新。
根据本发明提供的基于XGBoost模型的物质种类识别方法,在基于所述待测物体对应的样本图像块,对所述XGBoost模型进行更新之后,所述方法还包括:
将所述待测物体的实际构成物质所对应的原子序数作为实际的目标等效原子序数,在所述物质种类列表中存储所述实际的目标等效原子序数和所述待测物体的物质种类的对应关系。
根据本发明提供的基于XGBoost模型的物质种类识别方法,所述将各通道下的所述X光图像输入预先训练的XGBoost模型中,得到所述XGBoost模型输出的所述待测物体的目标等效原子序数,包括:
将各通道下的所述X光图像输入预先训练的XGBoost模型中,得到各所述X光图像对应的待测物体的等效原子序数;
将所有所述X光图像对应的待测物体的等效原子序数的平均值,确定为所述目标等效原子序数。
本发明还提供一种基于XGBoost模型的物质种类识别装置,包括:
获取模块,用于通过探测器获取待测物体在不同通道下的光子计数值数据;
第一确定模块,用于基于各通道下的所述光子计数值数据,确定所述待测物体各所述通道下的X光图像;
处理模块,用于将各通道下的所述X光图像输入预先训练的XGBoost模型中,得到所述XGBoost模型输出的所述待测物体的目标等效原子序数,所述XGBoost模型为基于多个不同类型的样本物体各自对应的样本图像块训练得到的,所述样本图像块是基于对应的样本物体的厚度确定的;
第二确定模块,用于在物质种类列表中存在所述目标等效原子序数的情况下,基于所述物质种类列表中等效原子序数和物质种类之间的对应关系,确定所述目标等效原子序数对应的目标物质种类。
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XGBoost模型的物质种类识别方法。
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XGBoost模型的物质种类识别方法。
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XGBoost模型的物质种类识别方法。
本发明提供的基于XGBoost模型的物质种类识别方法,该方法通过探测器获取待测物体在不同通道下的光子计数值数据;基于各通道下的光子计数值数据,确定待测物体各通道下的X光图像;将各通道下的X光图像输入预先训练的XGBoost模型中,得到XGBoost模型输出的待测物体的目标等效原子序数,XGBoost模型为基于多个不同类型的样本物体各自对应的样本图像块训练得到的,样本图像块是基于对应的样本物体的厚度确定的;在物质种类列表中存在目标等效原子序数的情况下,基于物质种类列表中等效原子序数和物质种类之间的对应关系,确定目标等效原子序数对应的目标物质种类。这样,利用多个不同类型的样本物体各自对应的样本图像块训练得到的XGBoost模型,可以确定出待测物体的目标等效原子序数;其中,样本图像块是基于对应的样本物体的厚度确定的,该样本图像块能减小样本物体厚度对确定等效原子序数时的影响,基于该样本图像块可以训练得到准确度较高的XGBoost模型,从而可以通过XGBoost模型准确地输出目标等效原子序数。进一步地,基于物质种类列表中等效原子序数和物质种类之间的对应关系以及输出的目标等效原子序数,可以确定目标等效原子序数对应的目标物质种类,实现了通过X射线智能化识别物质种类的目的,提高了物质种类识别的效率。
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基于XGBoost模型的物质种类识别方法的流程示意图;
图2是本发明实施例提供的实验平台的结构示意图;
图3是本发明实施例提供的X光图像示意图之一;
图4是本发明实施例提供的X光图像示意图之二;
图5是本发明实施例提供的XGBoost库的使用方法示意框图;
图6是本发明实施例提供的XGBoost的核心思想示意框图;
图7a是本发明实施例提供的欠拟合学习曲线示意图;
图7b是本发明实施例提供的过拟合学习曲线示意图;
图7c是本发明实施例提供的理想效果学习曲线示意图;
图8a是本发明实施例提供的模型预测结果与模型评价示意图之一;
图8b是本发明实施例提供的模型预测结果与模型评价示意图之二;
图8c是本发明实施例提供的模型预测结果与模型评价示意图之三;
图8d是本发明实施例提供的模型预测结果与模型评价示意图之四;
图9a是本发明实施例提供的X光图像校准效果示意图之一;
图9b是本发明实施例提供的X光图像校准效果示意图之二;
图9c是本发明实施例提供的X光图像校准效果示意图之三;
图9d是本发明实施例提供的X光图像校准效果示意图之四;
图10是本发明实施例提供的基于XGBoost模型的物质种类识别装置的结构示意图;
图11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。
现有的通过X射线对物质种类进行识别的方法主要依赖于人工参与,智能化水平较低,物质种类识别的效率较低,难以应对复杂的应用环境,例如,在安检场景中,无法对需要重点检测的可疑物质进行高效准确地识别确认。
基于此,本发明实施例提供一种基于XGBoost模型的物质种类识别方法,该方法使用机器学习训练得到的能够快速识别待测物是否为预设的特定可疑物的XGBoost模型对待测物体进行检测,通过XGBoost模型可以确定待测物体的目标等效原子序数,在物质种类列表中存在目标等效原子序数的情况下,可以确定该待测物体对应的目标物质种类,实现了自动识别物质种类的目的,提高物质种类识别的智能化水平和效率。其中,XGBoost(Extreme Gradient Boosting)回归树模型也可以称为XGBoost模型,XGBoost模型是一种梯度提升树模型,是一种集成式学习模型,综合多个弱学习器结果得到更加准确的预测结果,在并行计算效率、缺失值处理、控制过拟合和预测泛化能力等方面有较好的优势,本发明利用预先训练的XGBoost模型,以确定待测物体的目标等效原子序数。
下面结合图1至图9d对本发明实施例提供的基于XGBoost模型的物质种类识别方法进行描述。本方法的执行主体可以是X光机、安检机、实验平台、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XGBoost模型的物质种类识别装置,该基于XGBoost模型的物质种类识别装置可以通过软件、硬件或两者的结合来实现。本方法可以应用于医疗、安检或科研等行业,例如,可以应用于火车站、地铁站或高铁站等安全检查的场景中。
图1是本发明实施例提供的基于XGBoost模型的物质种类识别方法的流程示意图,如图1所示,该方法包括步骤110至步骤140。
步骤110,通过探测器获取待测物体在不同通道下的光子计数值数据。
具体地,探测器可以是能实施基于X射线进行物体探测的设备,例如ME3多能探测器是一种基于单光子计数的线探测器,其能够为高性能X射线检测系统和无损测试提供光谱能力。待测物体可以是任意材质的物体,其结构和形状不受限制,可以是任意的结构形状。图2是本发明实施例提供的实验平台的结构示意图,如图2所示,实验平台包括基座11、射线源12、准直器13、探测器15和水冷器16等。其中,射线源12、准直器13、探测器15和水冷器16均设置在基座11上,水冷器16用于为探测器15降温,准直器13主要用于限定电子辐射的范围,以便保护靶区外的正常组织和使要害器官免受照射。探测器15使用一个线性探测阵列,即其包含5个采集模块X-cardME3。每个X-cardME3采集模块是一个包含128个探测点的阵列,能够实时测量X射线光谱。每个采集模块的每个探测点均可以采集128个通道的能谱数据,探测器采集的能谱范围为20keV~160keV。表1是本发明实施例提供的通道与能谱之间关系对照表。
表1
如表1所示,128通道和能谱之间的换算公式为:E=(n+18)×1.1,其中,n表示0~128通道数。例如,当n=128时,即第128通道的能谱数据E=(128+18)×1.1=160.6≈160keV。
光子计数值数据的采集是将待测物体置于射线源12和探测器15之间,射线源12产生的X射线,透射待测物体后到达探测器15处,探测器15测量光子计数值得到光子计数值数据。
步骤120,基于各通道下的光子计数值数据,确定待测物体各通道下的X光图像。
具体地,通过探测器获取到待测物体在不同通道下的光子计数值数据后,可以基于各通道下的光子计数值数据转化为各通道下的X光图像。例如图2所示,将待测物体置于升降台(图2中未示出)上,升降台逐步带动待测物体上升经过射线源发出的X射线的路径;最终探测器测量光子计数值得到光子计数值数据会转化生成128张X光图像。图2所示的是将四种物体叠置于升降台获取对应的X光图像,类似地,可以将至少一种物体叠置于升降台获取对应的X光图像。
图3是本发明实施例提供的X光图像示意图之一,如图3所示,自下而上的是铁31、铝32、丙烯腈-丁二烯-苯乙烯共聚物(ABS)33和聚乙烯34对应的X光图像。X光图像的数据格式例如可以是采集行数为600,采集列数为640,即图像的像素为宽640×高600。获得128张X光图像的原因由于设置了探测器的采集参数的因素,探测器的能级在20Kev~160Kev被划分为128个通道,每个通道的能量范围内会采集一张X光图像。另外,如图3所示,按照箭头所指向的方向,铁31、铝32、ABS33和聚乙烯34的厚度不断增大,应理解,厚度不同,X光图像中像素点的像素值不同。
步骤130,将各通道下的X光图像输入预先训练的XGBoost模型中,得到XGBoost模型输出的待测物体的目标等效原子序数,XGBoost模型为基于多个不同类型的样本物体各自对应的样本图像块训练得到的,样本图像块是基于对应的样本物体的厚度确定的。
具体地,不同类型的样本物体是不同物质种类的样本物体,获取各样本物体的X光图像,并基于各X光图像获取各自对应的样本图像块,基于各样本图像块对初始XGBoost模型进行训练,可以得到训练好的XGBoost模型。其中,样本图像块可以是基于不同厚度的样本物体得到的X光图像中的一部分子图像。需要说明的是,厚度是指物体在X射线方向上的厚度,可以理解为,样本物体的厚度是指样本物体在垂直于初始样本图像块平面的方向上的距离。
在训练XGBoost模型时,需要将样本物体14置于升降台(图2未示出)获取对应的X光图像。基于得到的X光图像进行训练。示例性地,选用已知等效原子序数的聚乙烯、丙烯腈-丁二烯-苯乙烯共聚物(ABS)、铝和铁四种物质作为样本物体进行模型训练时,可以将该四种物质对应的样本物体依次叠置于升降台,以获取对应的X光图像,基于该X光图像可以得到多个不同类型的样本物体各自对应的样本图像块,基于各样本图像块可以训练得到XGBoost模型。
训练得到XGBoost模型后,将待测物体各通道下的X光图像输入训练好的XGBoost模型中,可以得到XGBoost模型输出的待测物体的目标等效原子序数。基于待测物体的目标等效原子序数可以确定待测物体的目标物质种类。
步骤140,在物质种类列表中存在目标等效原子序数的情况下,基于物质种类列表中等效原子序数和物质种类之间的对应关系,确定目标等效原子序数对应的目标物质种类。
具体地,物质种类列表可以是包括等效原子序数和物质种类之间的对应关系的列表,等效原子序数和物质种类之间的对应关系可以基于实验数据的计算或分析预先设置,将确定的等效原子序数和物质种类之间的对应关系存储在物质种类列表中,构成物质种类列表。
得到XGBoost模型输出的待测物体的目标等效原子序数后,查询物质种类列表中是否存在与目标等效原子序数相等的等效原子序数,当存在与目标等效原子序数相等的等效原子序数时,将该等效原子序数对应的物质种类确定为目标物质种类,该目标物质种类即为待测物体的物质种类。
本发明实施例提供的基于XGBoost模型的物质种类识别方法,该方法通过探测器获取待测物体在不同通道下的光子计数值数据;基于各通道下的光子计数值数据,确定待测物体各通道下的X光图像;将各通道下的X光图像输入预先训练的XGBoost模型中,得到XGBoost模型输出的待测物体的目标等效原子序数,XGBoost模型为基于多个不同类型的样本物体各自对应的样本图像块训练得到的,样本图像块是基于对应的样本物体的厚度确定的;在物质种类列表中存在目标等效原子序数的情况下,基于物质种类列表中等效原子序数和物质种类之间的对应关系,确定目标等效原子序数对应的目标物质种类。这样,利用多个不同类型的样本物体各自对应的样本图像块训练得到的XGBoost模型,可以确定出待测物体的目标等效原子序数;其中,样本图像块是基于对应的样本物体的厚度确定的,该样本图像块能减小样本物体厚度对确定等效原子序数时的影响,基于该样本图像块可以训练得到准确度较高的XGBoost模型,从而可以通过XGBoost模型准确地输出目标等效原子序数。进一步地,基于物质种类列表中等效原子序数和物质种类之间的对应关系以及输出的目标等效原子序数,可以确定目标等效原子序数对应的目标物质种类,实现了通过X射线智能化识别物质种类的目的,提高了物质种类识别的效率。
在一实施例中,XGBoost模型为基于如下方式训练得到的:获取各通道下的第一样本图像,第一样本图像中包括所有类型的样本物体;对第一样本图像进行分割,得到多个初始样本图像块,同一初始样本图像块对应同一类型的样本物体,且同一初始样本图像块内样本物体的厚度相同;基于预设尺寸,对各初始样本图像块进行裁剪,得到样本图像块;获取各样本图像块在各通道下的样本光子计数值数据和各样本图像块对应的样本物体的物质属性值,并将样本光子计数值数据和物质属性值作为特征值输入初始XGBoost模型中,得到各样本图像块对应的预测等效原子序数;基于各样本图像块对应的预测等效原子序数,更新初始XGBoost模型的模型参数,得到XGBoost模型。
具体地,所有类型的样本物体可以理解为训练XGBoost模型时所有物质种类对应的样本物体。训练XGBoost模型时的物质种类即为应用XGBoost模型进行物质种类识别时的可识别的物质种类。第一样本图像可以是包括了所有物质种类的样本物体的X光图像。
将第一样本图像进行图像分割,图像分割的目的可以是将不同物质种类的样本物体对应的X光图像区域分割为不同的初始样本图像块。一个初始样本图像块中只包含一种类型的样本物体,即一个初始样本图像块中只包含同一种物质种类的样本物体;且该初始样本图像块中样本物体的厚度相同,即,在该初始样本图像块的各像素区域内X射线穿过该样本物体各点的厚度均相同。这样,每个初始样本图像块中的物质种类唯一,且各像素点处X射线的衰减程度相同,则基于该初始样本图像块得到的物质属性R值准确度较高。
在一种实现方式中,对第一样本图像进行分割,得到多个初始样本图像块,具体可以通过如下方式实现:
基于第一样本图像中各像素点的像素值,在确定出前一列像素点的各像素值与后一列像素点的各像素值之间的差值大于第一预设像素值的情况下,在前一列像素点和后一列像素点之间进行分割,且在确定出前一行像素点的各像素值与后一行像素点的各像素值之间的差值大于第二预设像素值的情况下,在前一行像素点和后一行像素点之间进行分割,得到多个初始样本图像块。
具体地,第一预设像素值可以是针对第一样本图像中各像素点而设置的列分割判定阈值,该第一预设像素值可以基于图像数据分析而确定。类似地,第二预设像素值可以是针对第一样本图像中各像素点而设置的行分割判定阈值,该第二预设像素值可以基于图像数据分析而确定。随着样本物体的厚度的变化,第一样本图像中各像素点的像素值存在差异,所以可以基于第一预设像素值和第二预设像素值对各像素点的像素值进行判定,即可实现将第一样本图像分割为多个初始样本图像块的目的。
该实现方式中,利用各列像素点之间的像素值存在的差异以及各行像素点之间的像素值存在的差异对图像进行分割,能快速准确地分割出初始样本图像块,提高模型训练效率的同时,进一步能提高模型预测时的准确度。
在另一种实现方式中,样本物体包括多个台阶,各台阶的形状和面积均相同;对第一样本图像进行分割,得到多个初始样本图像块,可以是:基于预设面积对第一样本图像进行分割,得到多个初始样本图像块,预设面积为基于台阶的面积确定的。
具体地,如图2中所示的样本物体14,样本物体14包括沿高度方向(图2中的上下方向)叠置的四种,每种样本物体的整体形状为长条形,4沿图2中垂直纸面的方向呈长条形延伸,在长条形样本物体的长度方向上包括一系列台阶结构,即一系列的台阶结构沿垂直纸面的方向分布,这些台阶结构在X射线的方向(图2中的左右方向)上厚度不同,但在垂直于X射线的平面上各台阶结构的表面形状以及表面积均相同,例如可以是矩形形状。
在X射线照射样本物体后形成的X光图像上,各台阶结构在X光图像中的各成像区域也为形状和面积均相同的图像区域,因此,可以基于样本物体的台阶结构对X光图像即第一样本图像,进行图像分割,可以得到多个初始样本图像块。预设面积可以理解为第一样本图像中各台阶成像后的图像面积,该预设面积可以等于台阶结构在垂直于X射线的平面上的表面积,也可以是该表面积的预设倍数,可以基于台阶结构的台阶面的面积确定。
该实现方式中,每种样本物体包括多个台阶,可以利用样本物体本身的形状结构对第一样本图像进行图像分割以得到初始样本图像,能简化获取初始样本图像块的步骤,进而提升模型训练的效率。
得到初始样本图像块后,以预设尺寸对初始样本图像块进行裁剪,可以得到样本图像块。对初始样本图像块进行裁剪可以得到尺寸相同且符合模型训练要求的各样本图像块,以提高模型训练的训练效率。其中,预设尺寸可以是任意像素数值的图像尺寸,也可以是任意比例的图像尺寸,例如,可以是长宽比为4:1的预设尺寸,或者可以是7:3的预设尺寸等。
获取各样本图像块在各通道下的样本光子计数值数据和各样本图像块对应的样本物体的物质属性值,并将样本光子计数值数据和物质属性值作为特征值输入初始XGBoost模型中,得到各样本图像块对应的预测等效原子序数;基于各样本图像块对应的预测等效原子序数,更新初始XGBoost模型的模型参数,得到XGBoost模型。
利用X射线的透射衰减特征可以实现对不同物质种类进行识别。假设X射线透射物体后的X射线强度I,I0表示透射前X射线强度,即背景取值,可表示为:I=I0×e-ud,其中,u表示物质的衰减系数,d表示物质厚度。物质属性R(E1,E2)表示在两种能量下物质衰减系数的比值,所以有:
本发明实施例中模型训练的样本图像块,以及对待测物检测时模型输入的X光图像均为多能X射线透射过待测物后得到的X光图像。多能X射线是连续能谱,投射衰减规律满足:
其中,S(E)定义为:
S(E)=N(E)P(E)E
N(E)表示在多能X射线能谱中能量为E的光子数量,P(E)表示在多能X射线中能量为E的光子探测效率。所以上述R值的表达式修改为:
物质属性R是物质的本质属性,可以基于物质属性R的数值,即R值,利用XGBoost回归树模型对物质的目标等效原子序数进行预测,进而通过物质的目标等效原子序数实现对物质种类进行识别。
本发明提供的各实施例中,示例性选用已知等效原子序数的聚乙烯、丙烯腈-丁二烯-苯乙烯共聚物(ABS)、铝和铁四种物质作为样本物体进行模型训练,利用对其探测得到的光子计数值数据以及各自的物质属性R值作为特征值,四种物质的等效原子序数作为目标值,基于特征值和目标值建立XGBoost回归树模型;利用XGBoost回归树模型预测得到待测物体的目标等效原子序数,并通过预测得到的目标等效原子序数与已知等效原子序数的比对,判断待测物体是否属于上述四种物质。
示例性的,使用聚乙烯、ABS、铝和铁四种物质种类的样本物体进行模型训练时,可以将各物质种类的样本物体制作为条形台阶状的样本物体。需要说明的是,可以将每种条形样本物体制作为在长度方向上呈台阶状的条形样本物体,且各台阶的厚度呈逐级递减,这是为了使射线源发出的X射线在不同厚度位置处穿透其时,探测器处测量光子计数值有所不同;随着条形样本物体不同台阶处的厚度增加,物质属性R值不断降低。如果条形样本物体为等厚的条形而非台阶状的条形时,物质属性R值便单一,仅凭一个物质属性R值,受条形样本物体厚度的影响,不同物质种类的条形样本物体的R值范围有重叠,便不能依此有效地实现物质种类的分辨。但是,四个物质种类的条形台阶状样本物体所构成的超平面使各样本物体不同厚度处的物质属性R值发生重叠的概率大幅降低,基于此,得到的各物质属性R值可以作为物质种类分辨的依据。需要说明的是,在训练XGBoost模型时使用的样本物体可以是符合一定结构或形状要求的样本物体,而在应用XGBoost模型对待测物体进行物质种类识别时,待测物体可以是任意的结构或形状,不受上述样本物体结构形状的限制。
以图3中的X光图像作为参照进行说明,射线源相当于位于垂直样本物体面方向的外侧,探测器位于垂直样本物体面方向的内侧,射线源发射出的X射线沿垂直样本物体面方向向内穿过四种条形样本物体后到达探测器。图3中沿着箭头的方向每种条形样本物体对应的区域颜色会逐渐变深,对应于每种条形样本物体的厚度不断增加,颜色越深的地方说明,穿透条形样本物体到达探测器位置的X射线量越少。
图4是本发明实施例提供的X光图像示意图之二,图4中包含X射线穿透聚乙烯、ABS、铝和铁四种条形样本物体后得到的X光图像,每个条形样本物体区域沿其长度方向使用20个矩形框(图4中仅示出部分矩形框)分割出20个X光图像块;共计得到80个图像块,作为初始样本图像块,进一步对每个初始样本图像块进行裁剪,及按照矩形框的面积比为4:1或7:3沿矩形框的长度或宽度方向进行裁剪,X光图像块被裁剪下来的面积大的部分被收集形成训练集中的样本图像块,共计128×80个;面积小的部分作为验证集中的样本图像块,共计128×80个。需要保证的是,每个矩形框的区域范围需要确保在射线穿透条形样本物体的平面是等厚度的,即确保矩形框范围内X光穿过条形样本物体的厚度是均一的,同时,一个矩形框的范围内不允许出现两种条形样本物体,即不能框选两种条形样本物体的边沿。
训练集中,包含同一矩形框位置处的128个通道采集到的光子计数值的数据,取128通道各自通道数据的均值和R值共同作为XGBoost回归树模型的输入特征值,将四种样本物体的原子序数作为目标值,建立XGBoost回归树模型。其中,R值的计算方法为:
将128通道(对应能级20Kev~160Kev)划分为2,4,8,16,32,64,128(单位能级)几个区间,R值的计算需要,共有(2,4)、(4,8)、(8,16)、(16,32)、(32,64)、(64,128)6个R值。最后得到(128个通道的光子计数值的均值+6个R值)134个特征作为模型输入,R值的加入使得模型的预测精度得到提升。(条形样本物体越薄的地方计算得到的R值越大)。
最后,模型建立并参数调优,可以使用初始XGBoost库进行建模,图5是本发明实施例提供的XGBoost库的使用方法示意框图,如图5所示,基于XGBoost库进行XGBoost模型的建模,需要先读取数据,然后设置参数,再训练模型,最后可以预测结果。图6是本发明实施例提供的XGBoost的核心思想示意框图,如图6所示,XGBoost算法的核心思想是通过最小化损失函数来学习弱学习器,如通过训练样本D1训练弱学习器1,并根据学习误差率更新训练样本D2的权重后,利用更新后的训练样本D2训练弱学习器2,以此类推,可以得到多个学习后的弱学习器,通过组合策略将多个弱学习器组合成一个强学习器,以提高模型的准确性和泛化能力。
XGBoost本质是由k个基模型组成:
其中,表示样本预测值,是将各个基模型的分数相加得到。XGBoost的目标函数由训练损失和正则化两部分组成:
其中,为损失函数,用来评估模型预测值与真实值之间的差距,Ω(ft)正则化项,如下:
其中,ω代表叶子结点的权重分数,γ、λ是权重,通过叶子结点数和叶子结点权重分数控制模型复杂度,抑制过拟合。以第t步模型为例,XGBoost回归树模型对第i个样本xi的预测为:
其中,ft(xi)表示新加入的基模型,代入Obj式可简化目标函数为:
根据泰勒公式,f(x+Δx)在点x处二阶展开:
进一步将Obj目标函数可简化为:
由于前t-1棵树的预测分数残差分数对目标优化不影响,直接去掉,最后简化为一个关于ω的一元二次方程:
其中,Ij={i|q(xi)=j}表示第j个叶子节点的样本集合。求解得到叶子结点j的最优权重分数:
其中最终目标函数为:
确定了树节点的分数计算方法,接下来要确定最佳分裂点和最佳特征。XGBoost使用贪婪算法来寻找最佳特征作为切分点并进行分裂。
建立模型之后,需要对模型进行超参调优,本发明使用sklearn的GridSearchCV网格搜索进行调参。主要原理是先预设一组初始参数值,然后其他参数保持不变,遍历每一个参数,直至模型参数最优。
XGBoost回归树模型本身是容易过拟合的,所以参数调整对于模型的效果很重要。根据上文XGBoost回归树模型树生成原理和已有的调参经验,一般的调参思路:先设置迭代次数n_estimator_nums;再调整剪枝参数(叶节点继续分裂所需的最小损失减少值gamma,树的最大深度max_depth,叶节点继续分裂所需的最小样本权重min_child_weight),最后列特征采样colsample_bytree、子抽样subsample,最后调整学习率eta(从大到小调整)。
调整参数的同时通过绘制损失函数的学习曲线图可以直观观察到模型好坏的变化。图7a是本发明实施例提供的欠拟合学习曲线示意图,图7b是本发明实施例提供的过拟合学习曲线示意图,图7c是本发明实施例提供的理想效果学习曲线示意图,如图7a至图7c所示,图中显示了训练和测试数据集的学习曲线,其中,x轴是算法的迭代次数(或添加到集合中的树数),y轴是模型的对数损失。如图7a所示,当训练曲线在测试曲线上方时,模型出现“欠拟合”,需加大迭代次数或者加深树,减小剪枝参数;如图7b所示,当训练曲线在测试曲线下方时,模型出现“过拟合”,需要减少迭代次数、减少树的层数等;如图7c所示,当训练曲线和测试曲线相靠近且接近0时,为理想效果的学习状态,此时的模型为最优模型。
示例性的,可以对训练好的模型进行模型评价。例如,XGBoost回归树模型的评价标准。可以使用MSE均方误差来判断,其值越小表示实际值与预测值之间的误差值越小,模型的预测效果越好。具体定义如下:
其中,y表示预测值,y0表示真实值。本发明实施例的四种样本物体的实际的原子序数分别为:ABS5.75,聚乙烯5.52,铝13,铁23,共测试了四组数据,经过超参调优后,模型的预测结果和模型评价标准参数MSE如图8a至图8d所示,图8a是本发明实施例提供的模型预测结果与模型评价示意图之一,图8b是本发明实施例提供的模型预测结果与模型评价示意图之二,图8c是本发明实施例提供的模型预测结果与模型评价示意图之三,图8d是本发明实施例提供的模型预测结果与模型评价示意图之四。
如图8a所示,发射源电压-电流在160kV-60mA条件下采集的数据实验结果:通过XGBoost模型预测出ABS的原子序数预测值包括5.7501、5.7498、5.7226、5.7500、5.7487、5.7491等,而ABS的原子序数实际值为5.75,通过上述MSE的计算公式可确定出ABS的模型预测MSE为0.0000377。通过XGBoost模型预测出聚乙烯的原子序数预测值包括5.5026、5.5090、5.5245、5.6477、5.5212、5.5208等,而聚乙烯的原子序数实际值为5.52,通过上述MSE的计算公式可确定出聚乙烯的模型预测MSE为0.00084。通过XGBoost模型预测出铝的原子序数预测值包括13.0452、12.9391、13.0308、13.1059、12.9219、13.0218等,而铝的原子序数实际值为13,通过上述MSE的计算公式可确定出铝的模型预测MSE为0.0821。通过XGBoost模型预测出铁的原子序数预测值包括22.7614、22.8187、23.0293、22.6491、21.1051、23.0165等,而铁的原子序数实际值为23,通过上述MSE的计算公式可确定出铁的模型预测MSE为0.1902。
由图8a可知,训练集结果和验证集结果曲线相近,且接近0;而且四种物质的MSE结果均小于1,说明模型预测结果良好。
如图8b所示,发射源电压-电流在160kV-80mA条件下采集的数据实验结果:通过XGBoost模型预测出ABS的原子序数预测值包括5.7501、5.7501、5.7501、5.7501、5.7501、5.7501等,而ABS的原子序数实际值为5.75,通过上述MSE的计算公式可确定出ABS的模型预测MSE为0.0000000187。通过XGBoost模型预测出聚乙烯的原子序数预测值包括5.5203、5.5203、5.5270、5.5203、5.5203、5.5203等,而聚乙烯的原子序数实际值为5.52,通过上述MSE的计算公式可确定出聚乙烯的模型预测MSE为0.00000256。通过XGBoost模型预测出铝的原子序数预测值包括12.9349、13.0280、12.9935、13.0045、12.9961、13.0041等,而铝的原子序数实际值为13,通过上述MSE的计算公式可确定出铝的模型预测MSE为0.0011。通过XGBoost模型预测出铁的原子序数预测值包括23.2003、23.0002、22.7421、23.0682、23.0001、22.9982等,而铁的原子序数实际值为23,通过上述MSE的计算公式可确定出铁的模型预测MSE为0.19。
由图8b可知,训练集结果和验证集结果曲线相近,且接近0;而且四种物质的MSE结果均小于1,说明模型预测结果良好。
如图8c所示,发射源电压-电流在160kV-200mA条件下采集的数据实验结果:通过XGBoost模型预测出ABS的原子序数预测值包括5.7500、5.7500、5.7500、5.7500、5.7500、5.7500等,而ABS的原子序数实际值为5.75,通过上述MSE的计算公式可确定出ABS的模型预测MSE为0.00000000160。通过XGBoost模型预测出聚乙烯的原子序数预测值包括5.5191、5.5199、5.5200、5.5102、5.5200、5.5196等,而聚乙烯的原子序数实际值为5.52,通过上述MSE的计算公式可确定出聚乙烯的模型预测MSE为0.00000482。通过XGBoost模型预测出铝的原子序数预测值包括12.9750、13.0007、12.9999、13.0006、13.0035、12.9973等,而铝的原子序数实际值为13,通过上述MSE的计算公式可确定出铝的模型预测MSE为0.7192。通过XGBoost模型预测出铁的原子序数预测值包括23.1625、22.9713、22.9973、22.8417、22.7670、23.0003等,而铁的原子序数实际值为23,通过上述MSE的计算公式可确定出铁的模型预测MSE为0.0053。
由图8c可知,训练集结果和验证集结果曲线相近,且接近0;而且四种物质的MSE结果均小于1,说明模型预测结果良好。
如图8d所示,发射源电压-电流在160kV-300mA条件下采集的数据实验结果:通过XGBoost模型预测出ABS的原子序数预测值包括5.7513、5.7508、5.7500、5.7499、5.7508、5.7549等,而ABS的原子序数实际值为5.75,通过上述MSE的计算公式可确定出ABS的模型预测MSE为0.00000221。通过XGBoost模型预测出聚乙烯的原子序数预测值包括5.5288、5.5197、5.5193、5.5206、5.5199、5.5202等,而聚乙烯的原子序数实际值为5.52,通过上述MSE的计算公式可确定出聚乙烯的模型预测MSE为0.00000406。通过XGBoost模型预测出铝的原子序数预测值包括12.9996、13.0000、12.9990、13.0014、12.9992、12.9925等,而铝的原子序数实际值为13,通过上述MSE的计算公式可确定出铝的模型预测MSE为0.2522。通过XGBoost模型预测出铁的原子序数预测值包括23.0063、22.9990、22.9937、21.1271、22.7507、22.9996等,而铁的原子序数实际值为23,通过上述MSE的计算公式可确定出铁的模型预测MSE为0.1784。
由图8d可知,训练集结果和验证集结果曲线相近,且接近0;而且四种物质的MSE结果均小于1,说明模型预测结果良好。
通过以上实验结果可知,本发明实施例提供的XGBoost回归树模型可以较准确地预测四种物质的等效原子序数。
在本实施例中,将获取的各样本图像块在各通道下的样本光子计数值数据和各样本图像块对应的样本物体的物质属性值作为特征值输入初始XGBoost模型中,可以得到各样本图像块对应的预测等效原子序数,进一步地,基于各样本图像块对应的预测等效原子序数,更新初始XGBoost模型的模型参数,即可得到XGBoost模型,通过本方法训练得到的XGBoost模型可以较准确地确定出待测物体的目标等效原子序数,进而可以提高物质种类识别的准确度。
示例性的,从图3中可以看到X光图像中存在明显的竖条纹,也就是条状伪影,这是由于各采集模块存在差异。具体而言,探测器的个采集模块的探测点属于排列,各采集模块的硬件及电路也存在细微差异,这些因素均会对探测点的测量光子计数值的结果产生较大影响,导致各探测点在相同条件下测量得到的光子计数值存在显著差异,进而影响X光图像的成像效果,导致图像存在条状伪影。因此,需要着重通过数据校准计算实现对X光图像进行预处理,以消除条状伪影。
在一实施例中,基于各通道下的光子计数值数据,确定待测物体各通道下的X光图像,具体可以通过如下方式实现:
基于光子本底值和光子满度值,对各通道下的光子计数值数据进行归一化处理,得到归一化光子计数值;光子本底值为在射线源和探测器之间未放置物体,且射线源处于关闭状态时,探测器探测到的光子值;光子满度值为在射线源和探测器之间未放置物体,且射线源处于工作状态时,探测器探测到的光子值;基于各通道下的归一化光子计数值,确定待测物体在各通道下的X光图像。
示例性的,对各通道下的光子计数值数据进行的归一化处理,可以是数据校准计算中的一部分。具体地,可以使用校准样本物体进行数据校准计算以确定归一化处理等数据校准的效果。基于校准样本物体获取光子计数值数据,并基于光子本底值和光子满度值,对各通道下的光子计数值数据进行归一化处理,得到归一化光子计数值。基于各通道下的归一化光子计数值,可以确定校准样本物体在各通道下的X光图像。确定归一化处理等数据校准处理后得到的X光图像符合应用要求时,基于相同的方法对待测物体进行归一化处理等数据校准,可以得到符合需求的X光图像。
以校准样本物体为A4纸张为例对归一化处理进行举例说明,需要先采集数据,再对采集的数据进行归一化计算。采集数据时,需要采集三种数据,即,本底值Imin、满度值Imax和叠成不同厚度的多张A4纸摞成的纸摞采集值IS。其中,本底值即光子本底值,满度值即光子满度值。
本底值Imin数据采集方法为:关闭射线源,探测器直接采集环境中的光子计数值。满度值Imax采集方法为:打开射线源,射线源和探测器中间没有任何遮挡物时,探测器采集到的光子计数值。如图3所示,区域35是无遮挡区域,其对应的探测器采集到的光子计数值便为满度值Imax。
不同厚度(0~n)摞A4纸摞的光子计数序列IS采集方法为:将A4纸按照2,4,8,16,32,64,128,256,512张的厚度分别置于探测器与射线源之间,射线源发出的射线垂直穿过A4纸的纸面,探测器采集并保存光子计数值记录IS={I0,I1,I2...In}。
在上述实施例的基础上,基于各通道下的归一化光子计数值,确定待测物体在各通道下的X光图像,可以通过如下方式实现:基于多项式拟合参数,对各通道下的归一化光子计数值进行多项式拟合,得到各通道下的目标光子计数值数据;将各通道下的目标光子计数值数据分别映射为灰度值,并基于各通道下映射后的灰度值确定各通道下的X光图像。
示例性的,基于多项式拟合参数,对各通道下的归一化光子计数值进行多项式拟合,可以是数据校准计算中的一部分,仍可以采用上述的数据校准设备进行多项式拟合。
具体地,可以基于校准样本物体确定多项式拟合参数,在确定多项式拟合参数后,针对待测物体,基于多项式拟合参数,对各通道下的归一化光子计数值进行多项式拟合,得到各通道下的目标光子计数值数据,进一步地,将各通道下的目标光子计数值数据分别映射为灰度值,可以基于各通道下映射后的灰度值确定各通道下的X光图像。还以校准样本物体为A4纸张为例对确定多项式拟合参数的过程进行举例说明,将128个能量阈值的640个探测点的光子计数值序列中的每一个光子计数值归一化到[0,1],公式为:
其中,表示归一化后的光子计数值,Imin表示该光子计数值序列的本底值,Imax表示该光子计数值序列的满度值。本实施例中,探测器本底值全部设置为0,故:
归一化计算后,虽然640个探测点的光子计数值序列统一到了同一量纲,但是序列的数据之间还是有很大差异,故而定义一下探测点的光子计数值序列之间的误差函数,来衡量探测点之间的差异:
其中,Tk,l表示第k个探测点(共640个探测点),能级l(共128个能级)下的光子计数值序列,Tk,l=[x1,k,l,x2,k,l...xn,k,l],其中xn,k,l表示厚度n的A4纸在第k个探测点,能级l下的探测光子计数值。Ts,l=[y1,s,l,y2,s,l...yn,s,l]表示在第s个探测点,能级l的光子计数序列,其中,s选择任一探测点。ERR值越小表示各探测点之间的数据误差越小,本实施例使用高次多项式拟合的方法来减小ERR值。
设高次多项式为:
p(xk,l)=w0+w1xk,l+...+wmxk,l m
其中,m为高次项阶数,w为拟合系数。因此在能级l下,探测点k和目标探测点s之间拟合误差函数Loss可定义为:
故而,ERR可以写为:
为求得ERR最小化,本实施例采用的拟合高次阶数m=2,s=3并且使用最小二乘法可以求得拟合参数w=[w0,w1,...wm]。
在确定出拟合参数之后,针对待测物体,基于多项式拟合参数,对各通道下的归一化光子计数值进行多项式拟合,得到各通道下的目标光子计数值数据,进一步地,将各通道下的目标光子计数值数据分别映射为灰度值,可以基于各通道下映射后的灰度值确定各通道下的X光图像。
验证数据校准的效果:本实施例使用满度值Imax的数据,如图2中,探测器和发射源之间没有物体,打开射线源,探测器采集的光子计数值称之为满度值数据,以及装有液体的背包的探测器采集数据作为验证数据。使用上述归一化数据和多项式拟合参数,对验证数据进行归一化和拟合计算,最后将各能量阈值的光子计数值数据映射为灰度图像的灰度值。假设经过预处理之后的光子计数值为I,映射后的灰度为G,则有:
G=255×I
图9a是本发明实施例提供的X光图像校准效果示意图之一,如图9a所示为校准前的X光图像之一,该X光图像中有明显的竖条纹。图9b是本发明实施例提供的X光图像校准效果示意图之二,如图9b所示为图9a中的X光图像校准后的效果图,可见,该X光图像中竖条纹明显减弱。图9c是本发明实施例提供的X光图像校准效果示意图之三,如图9c所示为校准前的X光图像之二,该X光图像中有明显的竖条纹。图9d是本发明实施例提供的X光图像校准效果示意图之四,如图9d所示为图9c中的X光图像校准后的效果图,可见,该X光图像中竖条纹明显减弱。基于图9a至图9d可知,X光图像中的竖条纹在校准后被极大地去除,证明了数据校准的有效性。
在本实施例中,基于光子本底值和光子满度值,对各通道下的光子计数值数据进行归一化处理,得到归一化光子计数值,并基于各通道下的归一化光子计数值,可以确定出图像清晰的待测物体在各通道下的X光图像。进一步地,基于多项式拟合参数,对各通道下的归一化光子计数值进行多项式拟合,得到各通道下的目标光子计数值数据,并将各通道下的目标光子计数值数据分别映射为灰度值,并基于各通道下映射后的灰度值确定各通道下的X光图像,可以在很大程度上对X光图像进行去伪影处理,提高了X光图像的图像质量。
在实际应用中,可能出现对待检测物体的物质种类识别错误的情况,在该情况下可能是由于训练XGBoost模型时未使用该种类的样本物体进行模型训练,导致XGBoost模型无法识别或错误识别,可以通过对XGBoost模型进行更新以克服该缺陷。
在一实施例中,该方法还包括:获取反馈信息,反馈信息用于指示待测物体的目标物质种类预测错误;基于待测物体对应的样本物体的样本图像块,对XGBoost模型进行更新。
具体地,反馈信息用于指示待测物体的目标物质种类预测错误,例如,反馈信息可以是文本信息、语音信息或其他形式的信息等。在获取到反馈信息时,可知该待测物体的目标物质种类确定错误,进一步地,可以将与该待测物体相同物质种类的样本物体作为样本物体对XGBoost模型进行更新训练,使更新训练后的XGBoost模型能够识别该物质种类的待测物体。更新训练时,先获取该待测物体对应的样本物体的样本图像块,并基于该样本物体的样本图像块通过执行上述的XGBoost模型的训练步骤可以完成对XGBoost模型的更新。
在本实施例中,通过反馈信息可以及时获知待测物体预测错误,在此基础上,基于该待测物体对XGBoost模型进行更新训练,可以修正XGBoost模型的模型参数,提高XGBoost模型的识别能力,当再次对该物质种类进行识别时,即可准确识别出待测物体对应的目标物质种类。
在实际应用中,还可能出现某物质种类的待测物体未能被正确识别,但该物质种类的待测物体频繁出现在物质种类识别的过程中。例如,在安检的场景中,金属铜并未作为样本物体对XGBoost模型进行过训练,XGBoost模型不能正确识别出铜类的待测物体,而安检时,多次遇到了铜类的待测物体,此时,需要将铜作为样本物体对XGBoost模型进行训练,以在之后的安检中能正确识别出铜类的待测物体。
在一实施例中,该方法还包括:在物质种类列表中不存在目标等效原子序数的情况下,记录待测物体的预估等效原子序数;且当预估等效原子序数的记录次数大于预设次数的情况下,以待测物体为基础获取其对应的样本物体,并获取待测物体对应的样本物体的样本图像块;基于待测物体对应的样本物体的样本图像块,对XGBoost模型进行更新。
具体地,将待测物体各通道下的X光图像输入XGBoost模型后,XGBoost模型输出该待测物体的目标等效原子序数,在物质种类列表中不存在该目标等效原子序数的情况时,表明XGBoost模型不能准确识别该待测物体的物质种类。出现该情况的原因可能是,在本次物质种类识别前,该XGBoost模型没有基于与该待测物体相同物质种类的样本物体进行过训练,此时,XGBoost模型输出的该待测物体的目标等效原子序数可能是准确度较低的等效原子序数值,因此可以将输出的该目标等效原子序数作为该待测物体的预估等效原子序数进行记录。当记录该预估等效原子序数的记录次数大于预设次数时,可以以该待测物体为基础,获取该待测物体对应的样本物体,即,获取与该待测物体相同物质种类的样本物体。获取的与该待测物体相同物质种类的样本物体,可以是符合XGBoost模型训练时样本物体形状结构要求的样本物体,例如,使用与该待测物体相同材质的物质制作条形阶梯状结构的样本物体。在获取该待测物体对应的样本物体后,可以获取该待测物体对应的样本物体的样本图像块,可以基于该样本物体的样本图像块对XGBoost模型进行更新训练。其中,预设次数可以是用于判定针对某物质种类的待测物体是否应进行XGBoost模型更新的判定阈值,预设次数可以是任意数值,例如可以是2、3或5等。
例如,在物质种类识别过程中,当确定出的待测物体对应的目标等效原子序数不存在在物质种类列表时,将该待测物体对应的目标等效原子序数记录为该待测物体的预估等效原子序数。当记录该待测物体的预估等效原子序数的次数大于预设次数时,表明该物质种类的待测物体多次出现在物质识别的过程中,此时,可以将待测物体对应的样本物体作为对XGBoost模型进行更新训练的样本物体,获取该待测物体对应的样本物体的样本图像块,基于该样本图像块对XGBoost模型进行更新训练,可以得到更新训练后的XGBoost模型,该XGBoost模型可以输出该待测物体的目标等效原子序数。更新时,可以是通过执行上述的XGBoost模型的训练步骤完成XGBoost模型更新。
在本实施例中,基于预设次数对预估等效原子序数的记录次数进行判定,确定是否针对该待测物体进行XGBoost模型更新。通过该方式可以基于同物质种类待测物体的识别频次对是否进行模型更新作出有效判定,提高了本方法的可用性,扩大了该方法的应用场景。
在上述实施例的基础上,在基于待测物体对应的样本物体的样本图像块,对XGBoost模型进行更新之后,该方法还包括:将待测物体的实际构成物质所对应的原子序数作为实际的目标等效原子序数,在物质种类列表中存储实际的目标等效原子序数和待测物体的物质种类的对应关系。具体地,待测物体的实际构成物质所对应的原子序数即根据待测物体的实际构成物质而确定的原子序数。例如,待测物体的实际构成物质为铜,可以将铜的原子序数作为该待测物体的实际的目标等效原子序数。可选地,可以通过元素周期表或基于元素周期表进行原子序数计算后确定出实际的目标等效原子序数。确定出实际的目标等效原子序数后,可以将实际的目标等效原子序数和待测物体的物质种类的对应关系存储在物质种类列表中。
例如,在训练XGBoost模型时没有使用铜的样本物体进行模型训练,在物质种类列表中也不存在铜的目标等效原子序数和铜物质种类的对应关系。基于铜的样本物体对XGBoost模型进行更新之后,需要将铜实际的目标等效原子序数和铜物质种类的对应关系存储在物质种类列表中,以对物质种类列表进行更新。在物质种类识别时,识别物质种类为铜的待测物体时,基于更新后的物质种类列表,可以准确地确定出待测物体的物质种类。
在本实施例中,可以实现对物质种类列表的更新,以保证在之后的物质种类识别中,可以有效地对XGBoost模型输出的目标等效原子序数进行判断,实现准确、及时、高效地确定待测物体的目标物质种类的目的。
在一实施例中,将各通道下的X光图像输入预先训练的XGBoost模型中,得到XGBoost模型输出的待测物体的目标等效原子序数,包括:将各通道下的X光图像输入预先训练的XGBoost模型中,得到各X光图像对应的待测物体的等效原子序数;将所有X光图像对应的待测物体的等效原子序数的平均值,确定为目标等效原子序数。
具体地,利用不同的通道可以获取不同的X光图像,例如,使用128通道的采集模块,可以采集到同样拍摄环境下不同X射线能量的128张X光图像。基于各通道下的X光图像,可得到各自对应的等效原子序数,则128通道下,可以得到针对同一待测物体的128个等效原子序数,对该128个等效原子序数求取平均值,即可得到较接近该待测物体真实等效原子序数的值。基于此,可以将所有X光图像对应的待测物体的等效原子序数的平均值,确定为目标等效原子序数。
在本实施例中,将所有X光图像对应的待测物体的等效原子序数的平均值,确定为目标等效原子序数,可以得到接近待测物体真实等效原子序数的值,提高确定出的目标等效原子的准确度,进而可以提高对待测物体的物质种类识别的准确度。
下面对本发明实施例提供的基于XGBoost模型的物质种类识别装置进行描述,下文描述的基于XGBoost模型的物质种类识别装置与上文描述的基于XGBoost模型的物质种类识别方法可相互对应参照。
图10是本发明实施例提供的基于XGBoost模型的物质种类识别装置的结构示意图,该基于XGBoost模型的物质种类识别装置1000包括:
获取模块1010,用于通过探测器获取待测物体在不同通道下的光子计数值数据;
第一确定模块1020,用于基于各通道下的光子计数值数据,确定待测物体各通道下的X光图像;
处理模块1030,用于将各通道下的X光图像输入预先训练的XGBoost模型中,得到XGBoost模型输出的待测物体的目标等效原子序数,XGBoost模型为基于多个不同类型的样本物体各自对应的样本图像块训练得到的,样本图像块是基于对应的样本物体的厚度确定的;
第二确定模块1040,用于在物质种类列表中存在目标等效原子序数的情况下,基于物质种类列表中等效原子序数和物质种类之间的对应关系,确定目标等效原子序数对应的目标物质种类。
在一种示例实施例中,XGBoost模型为基于如下方式训练得到的:
获取各通道下的第一样本图像,第一样本图像中包括所有类型的样本物体;
对第一样本图像进行分割,得到多个初始样本图像块,同一初始样本图像块对应同一类型的样本物体,且同一初始样本图像块内样本物体的厚度相同;
基于预设尺寸,对各初始样本图像块进行裁剪,得到样本图像块;
获取各样本图像块在各通道下的样本光子计数值数据和各样本图像块对应的样本物体的物质属性值,并将样本光子计数值数据和物质属性值作为特征值输入初始XGBoost模型中,得到各样本图像块对应的预测等效原子序数;
基于各样本图像块对应的预测等效原子序数,更新初始XGBoost模型的模型参数,得到XGBoost模型。
在一种示例实施例中,对第一样本图像进行分割,得到多个初始样本图像块,包括:
基于第一样本图像中各像素点的像素值,在确定出前一列像素点的各像素值与后一列像素点的各像素值之间的差值大于第一预设像素值的情况下,在前一列像素点和后一列像素点之间进行分割,且在确定出前一行像素点的各像素值与后一行像素点的各像素值之间的差值大于第二预设像素值的情况下,在前一行像素点和后一行像素点之间进行分割,得到多个初始样本图像块。
在一种示例实施例中,样本物体包括多个台阶,各台阶的形状和面积均相同;
对第一样本图像进行分割,得到多个初始样本图像块,包括:
基于预设面积对第一样本图像进行分割,得到多个初始样本图像块,预设面积为基于台阶的面积确定的。
在一种示例实施例中,第一确定模块1020具体用于:
基于光子本底值和光子满度值,对各通道下的光子计数值数据进行归一化处理,得到归一化光子计数值;光子本底值为在射线源和探测器之间未放置物体,且射线源处于关闭状态时,探测器探测到的光子值;光子满度值为在射线源和探测器之间未放置物体,且射线源处于工作状态时,探测器探测到的光子值;
基于各通道下的归一化光子计数值,确定待测物体在各通道下的X光图像。
在一种示例实施例中,第一确定模块1020具体用于:
基于各通道下的归一化光子计数值,确定待测物体在各通道下的X光图像,包括:
基于多项式拟合参数,对各通道下的归一化光子计数值进行多项式拟合,得到各通道下的目标光子计数值数据;
将各通道下的目标光子计数值数据分别映射为灰度值,并基于各通道下映射后的灰度值确定各通道下的X光图像。
在一种示例实施例中,该基于XGBoost模型的物质种类识别装置1000还包括更新模块;
获取模块1010,还用于获取反馈信息,反馈信息用于指示待测物体的目标物质种类预测错误;
更新模块,用于基于待测物体对应的样本物体的样本图像块,对XGBoost模型进行更新。
在一种示例实施例中,该基于XGBoost模型的物质种类识别装置1000还包括记录模块;
记录模块,用于在物质种类列表中不存在目标等效原子序数的情况下,记录待测物体的预估等效原子序数;
获取模块1010,还用于当预估等效原子序数的记录次数大于预设次数的情况下,以待测物体为基础获取其对应的样本物体,并获取待测物体对应的样本物体的样本图像块;
更新模块,还用于基于待测物体对应的样本物体的样本图像块,对XGBoost模型进行更新。
在一种示例实施例中,该基于XGBoost模型的物质种类识别装置1000还包括存储模块;
存储模块,用于将待测物体的实际构成物质所对应的原子序数作为实际的目标等效原子序数,在物质种类列表中存储实际的目标等效原子序数和待测物体的物质种类的对应关系。
在一种示例实施例中,处理模块1030具体用于:
将各通道下的X光图像输入预先训练的XGBoost模型中,得到各X光图像对应的待测物体的等效原子序数;
将所有X光图像对应的待测物体的等效原子序数的平均值,确定为目标等效原子序数。
本实施例的装置,可以用于执行基于XGBoost模型的物质种类识别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XGBoost模型的物质种类识别方法侧实施例中类似,具体可以参见基于XGBoost模型的物质种类识别方法侧实施例中的详细介绍,此处不再赘述。
图11是本发明实施例提供的电子设备的结构示意图,如图11所示,该电子设备可以包括:处理器(processor)1110、通信接口(Communications Interface)1120、存储器(memory)1130和通信总线1140,其中,处理器1110,通信接口1120,存储器1130通过通信总线1140完成相互间的通信。处理器1110可以调用存储器1130中的逻辑指令,以执行基于XGBoost模型的物质种类识别方法,该方法包括:通过探测器获取待测物体在不同通道下的光子计数值数据;基于各通道下的光子计数值数据,确定待测物体各通道下的X光图像;将各通道下的X光图像输入预先训练的XGBoost模型中,得到XGBoost模型输出的待测物体的目标等效原子序数,XGBoost模型为基于多个不同类型的样本物体各自对应的样本图像块训练得到的,样本图像块是基于对应的样本物体的厚度确定的;在物质种类列表中存在目标等效原子序数的情况下,基于物质种类列表中等效原子序数和物质种类之间的对应关系,确定目标等效原子序数对应的目标物质种类。
此外,上述的存储器1130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XGBoost模型的物质种类识别方法,该方法包括:通过探测器获取待测物体在不同通道下的光子计数值数据;基于各通道下的光子计数值数据,确定待测物体各通道下的X光图像;将各通道下的X光图像输入预先训练的XGBoost模型中,得到XGBoost模型输出的待测物体的目标等效原子序数,XGBoost模型为基于多个不同类型的样本物体各自对应的样本图像块训练得到的,样本图像块是基于对应的样本物体的厚度确定的;在物质种类列表中存在目标等效原子序数的情况下,基于物质种类列表中等效原子序数和物质种类之间的对应关系,确定目标等效原子序数对应的目标物质种类。
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XGBoost模型的物质种类识别方法,该方法包括:通过探测器获取待测物体在不同通道下的光子计数值数据;基于各通道下的光子计数值数据,确定待测物体各通道下的X光图像;将各通道下的X光图像输入预先训练的XGBoost模型中,得到XGBoost模型输出的待测物体的目标等效原子序数,XGBoost模型为基于多个不同类型的样本物体各自对应的样本图像块训练得到的,样本图像块是基于对应的样本物体的厚度确定的;在物质种类列表中存在目标等效原子序数的情况下,基于物质种类列表中等效原子序数和物质种类之间的对应关系,确定目标等效原子序数对应的目标物质种类。
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)
1.一种基于XGBoost模型的物质种类识别方法,其特征在于,包括:
通过探测器获取待测物体在不同通道下的光子计数值数据;
基于各通道下的所述光子计数值数据,确定所述待测物体各所述通道下的X光图像;
将各通道下的所述X光图像输入预先训练的XGBoost模型中,得到所述XGBoost模型输出的所述待测物体的目标等效原子序数,所述XGBoost模型为基于多个不同类型的样本物体各自对应的样本图像块训练得到的,所述样本图像块是基于对应的样本物体的厚度确定的;
在物质种类列表中存在所述目标等效原子序数的情况下,基于所述物质种类列表中等效原子序数和物质种类之间的对应关系,确定所述目标等效原子序数对应的目标物质种类。
2.根据权利要求1所述的基于XGBoost模型的物质种类识别方法,其特征在于,所述XGBoost模型为基于如下方式训练得到的:
获取各通道下的第一样本图像,所述第一样本图像中包括所有类型的样本物体;
对所述第一样本图像进行分割,得到多个初始样本图像块,同一所述初始样本图像块对应同一类型的样本物体,且同一所述初始样本图像块内样本物体的厚度相同;
基于预设尺寸,对各所述初始样本图像块进行裁剪,得到所述样本图像块;
获取各所述样本图像块在各通道下的样本光子计数值数据和各所述样本图像块对应的样本物体的物质属性值,并将所述样本光子计数值数据和所述物质属性值作为特征值输入初始XGBoost模型中,得到各所述样本图像块对应的预测等效原子序数;
基于各所述样本图像块对应的预测等效原子序数,更新所述初始XGBoost模型的模型参数,得到所述XGBoost模型。
3.根据权利要求2所述的基于XGBoost模型的物质种类识别方法,其特征在于,所述对所述第一样本图像进行分割,得到多个初始样本图像块,包括:
基于所述第一样本图像中各像素点的像素值,在确定出前一列像素点的各像素值与后一列像素点的各像素值之间的差值大于第一预设像素值的情况下,在所述前一列像素点和所述后一列像素点之间进行分割,且在确定出前一行像素点的各像素值与后一行像素点的各像素值之间的差值大于第二预设像素值的情况下,在所述前一行像素点和所述后一行像素点之间进行分割,得到多个所述初始样本图像块。
4.根据权利要求2所述的基于XGBoost模型的物质种类识别方法,其特征在于,所述样本物体包括多个台阶,各所述台阶的形状和面积均相同;
所述对所述第一样本图像进行分割,得到多个初始样本图像块,包括:
基于预设面积对所述第一样本图像进行分割,得到多个所述初始样本图像块,所述预设面积为基于所述台阶的面积确定的。
5.根据权利要求1所述的基于XGBoost模型的物质种类识别方法,其特征在于,所述基于各通道下的所述光子计数值数据,确定所述待测物体各所述通道下的X光图像,包括:
基于光子本底值和光子满度值,对各通道下的所述光子计数值数据进行归一化处理,得到归一化光子计数值;所述光子本底值为在射线源和所述探测器之间未放置物体,且所述射线源处于关闭状态时,所述探测器探测到的光子值;所述光子满度值为在射线源和探测器之间未放置物体,且所述射线源处于工作状态时,所述探测器探测到的光子值;
基于各通道下的所述归一化光子计数值,确定所述待测物体在各通道下的X光图像。
6.根据权利要求5所述的基于XGBoost模型的物质种类识别方法,其特征在于,所述基于各通道下的所述归一化光子计数值,确定所述待测物体在各通道下的X光图像,包括:
基于多项式拟合参数,对各通道下的所述归一化光子计数值进行多项式拟合,得到各通道下的目标光子计数值数据;
将各通道下的所述目标光子计数值数据分别映射为灰度值,并基于各通道下映射后的灰度值确定各通道下的所述X光图像。
7.根据权利要求1-6任一项所述的基于XGBoost模型的物质种类识别方法,其特征在于,所述方法还包括:
获取反馈信息,所述反馈信息用于指示所述待测物体的目标物质种类预测错误;
基于所述待测物体对应的样本物体的样本图像块,对所述XGBoost模型进行更新。
8.根据权利要求1-6任一项所述的基于XGBoost模型的物质种类识别方法,其特征在于,所述方法还包括:
在所述物质种类列表中不存在所述目标等效原子序数的情况下,记录所述待测物体的预估等效原子序数;
且当所述预估等效原子序数的记录次数大于预设次数的情况下,以所述待测物体为基础获取其对应的样本物体,并获取所述待测物体对应的样本物体的样本图像块;
基于所述待测物体对应的样本物体的样本图像块,对所述XGBoost模型进行更新。
9.根据权利要求8所述的基于XGBoost模型的物质种类识别方法,其特征在于,在基于所述待测物体对应的样本图像块,对所述XGBoost模型进行更新之后,所述方法还包括:
将所述待测物体的实际构成物质所对应的原子序数作为实际的目标等效原子序数,在所述物质种类列表中存储所述实际的目标等效原子序数和所述待测物体的物质种类的对应关系。
10.根据权利要求1-6任一项所述的基于XGBoost模型的物质种类识别方法,其特征在于,所述将各通道下的所述X光图像输入预先训练的XGBoost模型中,得到所述XGBoost模型输出的所述待测物体的目标等效原子序数,包括:
将各通道下的所述X光图像输入预先训练的XGBoost模型中,得到各所述X光图像对应的待测物体的等效原子序数;
将所有所述X光图像对应的待测物体的等效原子序数的平均值,确定为所述目标等效原子序数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311049429.5A CN117347396B (zh) | 2023-08-18 | 2023-08-18 | 基于XGBoost模型的物质种类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311049429.5A CN117347396B (zh) | 2023-08-18 | 2023-08-18 | 基于XGBoost模型的物质种类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117347396A true CN117347396A (zh) | 2024-01-05 |
CN117347396B CN117347396B (zh) | 2024-05-03 |
Family
ID=89356384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311049429.5A Active CN117347396B (zh) | 2023-08-18 | 2023-08-18 | 基于XGBoost模型的物质种类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117347396B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090028294A1 (en) * | 2006-08-02 | 2009-01-29 | Geoffrey Harding | Systems and methods for identifying a substance |
CN101435783A (zh) * | 2007-11-15 | 2009-05-20 | 同方威视技术股份有限公司 | 物质识别方法和设备 |
CN107271467A (zh) * | 2017-07-26 | 2017-10-20 | 公安部第三研究所 | 一种基于x射线透视和散射技术的危险液体识别方法及系统 |
US20180214113A1 (en) * | 2015-10-23 | 2018-08-02 | Job Corporation | X-ray apparatus, data processing apparatus and data processing method |
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 |
CN113159110A (zh) * | 2021-03-05 | 2021-07-23 | 安徽启新明智科技有限公司 | 一种基于x射线液体智能检测方法 |
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 |
CN113903407A (zh) * | 2021-09-09 | 2022-01-07 | 中国科学院自动化研究所 | 成分识别方法、装置、电子设备和存储介质 |
CN113926737A (zh) * | 2021-09-26 | 2022-01-14 | 河南中平自动化股份有限公司 | 一种利用双能双机x射线的煤矸装置及其识别方法 |
CN114445363A (zh) * | 2022-01-25 | 2022-05-06 | 公安部第三研究所 | 基于多模态数据注意力模型实现危险品识别的系统、方法、装置、处理器及其存储介质 |
CN114550093A (zh) * | 2022-02-25 | 2022-05-27 | 北京声迅电子股份有限公司 | 一种图像处理方法、设备和装置 |
CN115081469A (zh) * | 2021-03-15 | 2022-09-20 | 杭州海康威视数字技术股份有限公司 | 基于x射线安检设备的物品类别识别方法、装置及设备 |
CN115205213A (zh) * | 2022-06-06 | 2022-10-18 | 四川大学华西医院 | 一种体内泌尿系结石成分预测系统 |
CN115753853A (zh) * | 2022-12-07 | 2023-03-07 | 李国军 | 超能级物质识别芯片及其使用方法 |
CN116183647A (zh) * | 2023-02-27 | 2023-05-30 | 中国科学院高能物理研究所 | 一种物质识别方法 |
-
2023
- 2023-08-18 CN CN202311049429.5A patent/CN117347396B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090028294A1 (en) * | 2006-08-02 | 2009-01-29 | Geoffrey Harding | Systems and methods for identifying a substance |
CN101435783A (zh) * | 2007-11-15 | 2009-05-20 | 同方威视技术股份有限公司 | 物质识别方法和设备 |
US20180214113A1 (en) * | 2015-10-23 | 2018-08-02 | Job Corporation | X-ray apparatus, data processing apparatus and data processing method |
CN107271467A (zh) * | 2017-07-26 | 2017-10-20 | 公安部第三研究所 | 一种基于x射线透视和散射技术的危险液体识别方法及系统 |
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 |
CN113159110A (zh) * | 2021-03-05 | 2021-07-23 | 安徽启新明智科技有限公司 | 一种基于x射线液体智能检测方法 |
CN115081469A (zh) * | 2021-03-15 | 2022-09-20 | 杭州海康威视数字技术股份有限公司 | 基于x射线安检设备的物品类别识别方法、装置及设备 |
CN113903407A (zh) * | 2021-09-09 | 2022-01-07 | 中国科学院自动化研究所 | 成分识别方法、装置、电子设备和存储介质 |
CN113926737A (zh) * | 2021-09-26 | 2022-01-14 | 河南中平自动化股份有限公司 | 一种利用双能双机x射线的煤矸装置及其识别方法 |
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 |
CN114445363A (zh) * | 2022-01-25 | 2022-05-06 | 公安部第三研究所 | 基于多模态数据注意力模型实现危险品识别的系统、方法、装置、处理器及其存储介质 |
CN114550093A (zh) * | 2022-02-25 | 2022-05-27 | 北京声迅电子股份有限公司 | 一种图像处理方法、设备和装置 |
CN115205213A (zh) * | 2022-06-06 | 2022-10-18 | 四川大学华西医院 | 一种体内泌尿系结石成分预测系统 |
CN115753853A (zh) * | 2022-12-07 | 2023-03-07 | 李国军 | 超能级物质识别芯片及其使用方法 |
CN116183647A (zh) * | 2023-02-27 | 2023-05-30 | 中国科学院高能物理研究所 | 一种物质识别方法 |
Non-Patent Citations (2)
Title |
---|
朱鹏飞;叶雁;朱巍;李军;罗振雄;: "X射线横向移动成像法识别土壤中物体的蒙特卡罗模拟", 核电子学与探测技术, no. 12, 20 December 2011 (2011-12-20), pages 1329 - 1332 * |
胡紫薇;项安;陈奕杰;: "基于双能X射线的液体危险品识别分类方法", 无损检测, no. 09, 10 September 2020 (2020-09-10), pages 63 - 68 * |
Also Published As
Publication number | Publication date |
---|---|
CN117347396B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110018524B (zh) | 一种基于视觉-属性的x射线安检违禁品识别方法 | |
US10013615B2 (en) | Inspection methods and devices | |
CN109697476B (zh) | 一种基于深度学习的x射线光子计数探测器一致性校准方法 | |
EP2681715B1 (en) | Method and software for analysing microbial growth | |
CN106845374A (zh) | 基于深度学习的行人检测方法及检测装置 | |
CN112819821B (zh) | 一种细胞核图像检测方法 | |
CN109544537A (zh) | 髋关节x光图像快速自动分析方法 | |
CN108305253A (zh) | 一种基于多倍率深度学习的病理全切片诊断方法 | |
CN109242920B (zh) | 物质分解方法、装置和系统 | |
JP2023543044A (ja) | 組織の画像を処理する方法および組織の画像を処理するためのシステム | |
CN109191418A (zh) | 一种基于收缩自编码器特征学习的遥感图像变化检测方法 | |
CN109543585A (zh) | 基于卷积神经网络的水下光学目标检测与识别方法 | |
CN108181327B (zh) | 多能谱x射线成像系统和用于利用多能谱x射线成像系统对待测物品进行物质识别的方法 | |
EP3663979A1 (en) | A deep learning method for predicting patient response to a therapy | |
CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
CN112419396A (zh) | 一种甲状腺超声视频自动分析方法与系统 | |
CN117541626B (zh) | 基于深度学习的遥感影像变化检测方法 | |
CN117347396B (zh) | 基于XGBoost模型的物质种类识别方法 | |
CN113313678A (zh) | 一种基于多尺度特征融合的精子形态学自动分析方法 | |
CN111340127B (zh) | 基于材料聚类的能谱ct迭代材料分解方法和装置 | |
CN115359031A (zh) | 一种数字病理图像制片质量评价方法 | |
Muhammad et al. | Brain Tumor Detection and Classification in Magnetic Resonance Imaging (MRI) using Region Growing, Fuzzy Symmetric Measure, and Artificial Neural Network Backpropagation | |
Samaniego et al. | Image Processing Model for Classification of Stages of Freshness of Bangus using YOLOv8 Algorithm | |
CN118172676B (zh) | 一种基于量子深度学习的农田害虫检测方法 | |
Lang et al. | Logistic regression classification to predict regional anomalies in nominally printed volume of separate test pieces |
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 |