CN117409199A - 一种基于云端大数据技术的成长型智慧安检系统及方法 - Google Patents
一种基于云端大数据技术的成长型智慧安检系统及方法 Download PDFInfo
- Publication number
- CN117409199A CN117409199A CN202311356715.6A CN202311356715A CN117409199A CN 117409199 A CN117409199 A CN 117409199A CN 202311356715 A CN202311356715 A CN 202311356715A CN 117409199 A CN117409199 A CN 117409199A
- Authority
- CN
- China
- Prior art keywords
- ray
- groove
- fixed
- security inspection
- detection
- 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 96
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005516 engineering process Methods 0.000 title claims abstract description 21
- 230000005540 biological transmission Effects 0.000 claims abstract description 25
- 230000003993 interaction Effects 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims description 108
- 239000003921 oil Substances 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 19
- 229920001971 elastomer Polymers 0.000 claims description 16
- 230000000007 visual effect Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 8
- 239000010687 lubricating oil Substances 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 229920000742 Cotton Polymers 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 241000276425 Xiphophorus maculatus Species 0.000 claims description 3
- 244000309464 bull Species 0.000 claims 2
- 125000003003 spiro group Chemical group 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000007789 sealing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000945 filler Substances 0.000 description 3
- 230000035515 penetration Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 239000012466 permeate Substances 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G15/00—Conveyors having endless load-conveying surfaces, i.e. belts and like continuous members, to which tractive effort is transmitted by means other than endless driving elements of similar configuration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G43/00—Control devices, e.g. for safety, warning or fault-correcting
- B65G43/08—Control devices operated by article or material being fed, conveyed or discharged
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G47/00—Article or material-handling devices associated with conveyors; Methods employing such devices
- B65G47/22—Devices influencing the relative position or the attitude of articles during transit by conveyors
-
- 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
- G01N23/06—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 measuring the absorption
- G01N23/083—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 measuring the absorption the radiation being X-rays
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/05—Recognition of patterns representing particular kinds of hidden objects, e.g. weapons, explosives, drugs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mechanical Engineering (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Toxicology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及大数据服务技术领域,具体为一种基于云端大数据技术的成长型智慧安检系统及方法,系统由X光安检机、工控机、人机交互界面以及云端控制中心组成;X光安检机,包含垂直、水平、侧向方向三个X光光源,产生履带上包裹的三视角X光图像,并传输给工控机,根据云端控制中心指令,调节履带传输速度;有益效果为:本发明提出的基于云端大数据技术的成长型智慧安检系统及方法,利用了三视角的X光图像,避免了拍摄死角,还原了物体的立体轮廓,能够实时检测标注包裹中的违禁品,具有更高的准确率;在此基础上,能够提取违禁品的内在共性特征,识别包裹中的疑似或非常规违禁品,避免被针对性规避。
Description
技术领域
本发明涉及大数据服务技术领域,具体为一种基于云端大数据技术的成长型智慧安检系统及方法。
背景技术
随着全球人口不断增加和城市化进程加速,人口的聚集效应不断显现,各个交通枢纽、商场、医院等公共场所人群密度快速增长,产生了巨大的安全风险。安检仪在其中发挥着重要的作用,它能够防止各类危险品进入公共场所,有效降低安全风险。目前使用的安检系统主要依赖于人工判别图像中的违禁品,识别速度慢、效率低下、误检率很高。这也限制了在关键节点的通行效率,导致在安检口频繁出现的排队拥挤等现象。
现有技术中,针对上述问题,授权公告号“CN109902643A”的中国专利“基于深度学习的智能安检方法、装置、系统及其电子设备”采用深度学习模型自动检测图像中的违禁品。
但是,现有技术方案只利用了单一视角的图像信息,现实中行李包裹随机摆放,容易出现拍摄死角,很难从单一的视角判别行李中的违禁品,准确率较低。此外,该技术方案所能检测的违禁品种类数目有限,只局限在训练深度学习模型时的设定的违禁品种类,不具备疑似或者新型违禁品的检测功能,检测功能容易被针对性规避,安全可靠性较差;并且,现有的安检系统智能化程度不足,各个安检点孤立设置,无法有效综合利用各个安检点所采集的数据,无法自适应调节各个安检点的通行速率,无法兼顾保障公共安全与提高通行效率这一矛盾问题。
发明内容
本发明的目的在于提供一种基于云端大数据技术的成长型智慧安检系统及方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于云端大数据技术的成长型智慧安检系统,所述系统由X光安检机、工控机、人机交互界面以及云端控制中心组成;
X光安检机,包含垂直、水平、侧向方向三个X光光源,产生履带上包裹的三视角X光图像,并传输给工控机,根据云端控制中心指令,调节履带传输速度;
工控机,对X光机传输过来的图像进行预处理以及违禁品检测,同时检测非常规类、疑似违禁品,并将检测结果输出给人机交互界面,同时将X光图像上传至云端控制中心;
人机交互界面,显示正在安检的包裹的实时三视角X光图像以及违禁品检测结果;
云端控制中心,存储各地面安检站点上传的包含违禁品的X光图像,供检测模型进行在线学习和增量学习提高检测准确率与检测范围。
优选的,工控机根据一段时间内的图像中的包裹密度,判断当前需要进行安检的人流量大小,上传至云端控制中心,接受云端控制中心指令,多线程进行违禁品检测,或者调度计算资源执行其他安检站点的违禁品检测任务;
安检员对误检、漏检或者包含需要新增违禁品类别的X光图像进行标注,并上传至云端控制中心保存;
根据各地面安检站点的人流量大小,调配各工控机的空闲计算资源,加快人流较大安检站点的图像检测速度与履带传输速度,缓解排队拥挤压力。
优选的,所述X光安检机包括X光安检机本体,X光安检机本体的表面开设有检测仓,X光安检机本体的两端均固定有两个延伸板,两个延伸板之间转动连接有传动辊,一组传动辊的一端传动连接在伺服电机的动力输出端,伺服电机固定在延伸板的表面,两组传动辊上传动连接有传送履带,传送履带的内侧设有承托板,承托板固定在X光安检机本体的检测仓的两个平行分布的侧壁上,承托板的顶面转动连接有多个转杆,且承托板的顶面嵌装有X射线探测器板一,检测仓的顶面嵌装有垂直X射线源,检测仓的两个相对分布的侧壁上均滑动连接有扶正架,两个扶正架的表面分别设有垂直X射线源和X射线探测器板二,检测仓的顶面拐角处开设有安装槽,X光安检机本体的顶面开设有安装口,安装口连通安装槽,安装槽的内部转动连接有转盘,转盘的顶部啮合有驱动齿盘,驱动齿盘转动连接在防护架的两个侧板之间,防护架固定在X光安检机本体的顶面,转盘的表面嵌装有侧向X射线源。
优选的,所述X光安检机本体的一侧设有接物架,接物架靠近X光安检机本体的一端设有扣槽,扣槽抵在延伸板远离X光安检机本体的一端,扣槽的表面开设有嵌装槽五,嵌装槽五的表面固定有橡胶连条,橡胶连条的表面开设有圆口,橡胶连条的一端固定有刷板,刷板的刷毛抵在传送履带的表面,且接物架的底面固定有两个平行分布的撑杆,接物架的顶面和接物架的底面均固定有连接板,两组连接板分布在延伸板的上下两侧,且连接板的表面设有螺杆,螺杆贯穿连接板后螺接在延伸板的表面。
优选的,所述承托板的顶面开设有多个凹槽,凹槽呈“U”字形槽,转杆转动连接在凹陷中,且转杆的杆径大于凹槽的高度,承托板的两端均开设有边槽,边槽呈圆弧槽,边槽处于传动辊的一侧,承托板的顶面和承托板的底面均开设有通口,通口和边槽连通,延伸板的表面开设有安装口,安装口和边槽连通,安装口的内部固定有散热扇,且承托板的顶面开设有多个嵌装槽一,嵌装槽一和凹槽相间分布,X射线探测器板一固定在嵌装槽一中。
优选的,所述检测槽的顶面居中开设有嵌装槽二,垂直X射线源固定在嵌装槽二中,扶正架呈“U”字形板状结构,扶正架的侧板弯折处一体成型有斜板,两组斜板呈“八”字形排列分布,扶正架的两端均固定有耳板,耳板滑动连接在滑槽中,滑槽开设在X光安检机本体的表面,滑槽的两个平行分布的侧壁之间固定有导杆,导杆活动贯穿耳板,导杆的杆体上套设有弹簧,弹簧固定在耳板和滑槽之间。
优选的,所述扶正架的顶面开设有缺槽一,缺槽一的表面固定有透明护板,扶正架的表面固定有托架,托架呈“L”形板状结构,托架和扶正架之间固定有两个平行分布的挡板,两个挡板之间滑动连接有安装架,安装架的表面开设有嵌装槽三,嵌装槽三的内部固定有水平X射线源,安装架的表面固定有升降块,升降块滑动连接在滑轨槽中,滑轨槽开设在托架的表面,升降块的顶面固定有丝套,丝套的内部螺接有丝杆,丝杆的顶端贯穿托架的顶面后传动连接在伺服马达一的动力输出端,伺服马达一固定在托架的顶面,丝杆的底端固定有限位柄,滑轨槽的底面固定有限位块,限位块呈“L”形片,限位块设有两个,两个限位块关于限位柄对称分布,另一个扶正架的顶面开设有缺槽二,X射线探测器板二固定在缺槽二中。
优选的,所述安装槽呈圆弧形槽,安装槽的两个平行分布的侧壁之间固定有限位轴,限位轴活动贯穿转盘,转盘呈圆盘结构,转盘的表面设有平面,平面开设有嵌装槽四,侧向X射线源固定在嵌装槽四中,转盘的表面开设有预留槽,预留槽呈圆弧形槽,预留槽的表面固定有多个齿牙,齿牙和驱动齿盘啮合,防护架呈圆弧槽框体结构,驱动齿盘的两个圆面上均固定有转轴,一个转轴传动连接在伺服马达二的动力输出端,伺服马达二固定在防护架的外壁上。
优选的,所述防护架的底板内部设有储油腔,用于存储润滑油,防护架的顶面开设有注油口,注油口和储油腔连通,注油口的内部固定有橡皮封块,储油腔的底面开设有渗油孔,渗油孔的内部固定有渗油棉块。
一种基于云端大数据技术的成长型智慧安检方法,所述方法包括以下步骤:
1)X光安检机启动,通过水平、垂直、侧向方向的三个光源生成三组不同视角的X光图像并传送给工控机;
2)工控机通过不同视角的X光图像进行违禁品目标检测,同时检测非常规类、疑似违禁品,输出检测非常规类、疑似违禁品的危险系数,提醒安检员查看并将检测结果实时输出到人机交互界面;
3)安检员对误检、漏检或者包含需要新增违禁品类别的X光图像进行手动标注,并上传至云端控制中心保存;
4)云端控制中心保存的X光图像用于检测模型的在线学习或增量学习,提高模型的检测准确率范围与检测范围;
5)工控机根据一段时间内的输入图像中的包裹密度,判断安检站点当前需要进行安检的人流量大小,并上传至云端控制中心;
6)云端控制中心根据各安检站点的人流量,调节各安检站点所属X光安检仪的履带速度,并调用其余站点工控机的空闲计算资源,提高人流量较多的安检站点的检测速度,缓解该站点的排队拥挤压力。
与现有技术相比,本发明的有益效果是:
本发明提出的基于云端大数据技术的成长型智慧安检系统及方法,利用了三视角的X光图像,避免了拍摄死角,还原了物体的立体轮廓,能够实时检测标注包裹中的违禁品,具有更高的准确率;在此基础上,能够提取违禁品的内在共性特征,识别包裹中的疑似或非常规违禁品,避免被针对性规避;此外,随着安检系统云端数据库的不断丰富,检测模型通过在线学习、增量学习的方法,检测准确率、检测范围也将不断提升成长。整个安检系统通过云端控制中心能够调度计算资源、调节履带传送速度,实现实时闭环调控优化,缓解排队拥挤问题。因此采用本发明能够有效增强安检准确率与可靠性,提高安检效率,更加适应时代发展下安检需求的动态变化,真正解决兼顾保障公共安全与提高通行效率这一矛盾问题。
附图说明
图1为本发明结构示意图;
图2为图1中A处结构放大示意图;
图3为本发明半剖结构示意图;
图4为图3中B处结构放大示意图;
图5为图3中C处结构放大示意图;
图6为图5中D处结构放大示意图;
图7为本发明接物架结构示意图;
图8为本发明扶正架和托架连接结构示意图;
图9为图8中E处结构放大示意图;
图10为本发明扶正架和透明护板连接结构示意图;
图11为本发明扶正架结构示意图;
图12为本发明转盘结构示意图;
图13为本发明X光安检机半剖结构示意图;
图14为图13中F处结构放大示意图;
图15为图13中G处结构放大示意图;
图16为图15中H处结构放大示意图;
图17为本发明扶正架和X射线探测器板二连接结构示意图;
图18为本发明扶正架结构示意图;
图19为本发明检测效果示意图;
图20为本发明系统框图;
图21为本发明X光图像预处理流程图;
图22为本发明对疑似或非常规违禁品的检测模型的训练流程图。
图中:X光安检机本体1、延伸板2、传动辊3、伺服电机4、传送履带5、承托板6、转杆7、边槽8、通口9、安装口10、散热扇11、嵌装槽一12、X射线探测器板一13、嵌装槽二14、垂直X射线源15、扶正架16、耳板17、滑槽18、导杆19、弹簧20、缺槽一21、透明护板22、托架23、挡板24、安装架25、嵌装槽三26、水平X射线源27、升降块28、滑轨槽29、丝套30、丝杆31、限位柄32、限位块33、伺服马达一34、安装槽35、限位轴36、转盘37、嵌装槽四38、侧向X射线源39、预留槽40、齿牙41、安装口42、驱动齿盘43、防护架44、伺服马达二45、储油腔46、注油口47、橡皮封块48、渗油孔49、渗油棉块50、接物架51、撑杆52、扣槽53、连接板54、缺槽二55、X射线探测器板二56、嵌装槽五57、橡胶连条58、刷板59、密封胶条60。
具体实施方式
为了使本发明的目的、技术方案进行清楚、完整地描述,及优点更加清楚明白,以下结合附图对本发明实施例进行进一步详细说明。应当理解,此处所描述的具体实施例是本发明一部分实施例,而不是全部的实施例,仅仅用以解释本发明实施例,并不用于限定本发明实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
请参阅图1至图20,本发明提供一种技术方案:一种基于云端大数据技术的成长型智慧安检系统,所述系统由X光安检机、工控机、人机交互界面以及云端控制中心组成;
X光安检机,包含垂直、水平、侧向方向三个X光光源,产生履带上包裹的三视角X光图像,并传输给工控机,根据云端控制中心指令,调节履带传输速度;
工控机,对X光机传输过来的图像进行预处理以及违禁品检测,同时检测非常规类、疑似违禁品,并将检测结果输出给人机交互界面,同时将X光图像上传至云端控制中心;
人机交互界面,显示正在安检的包裹的实时三视角X光图像以及违禁品检测结果;
云端控制中心,存储各地面安检站点上传的包含违禁品的X光图像,供检测模型进行在线学习和增量学习提高检测准确率与检测范围;工控机根据一段时间内的图像中的包裹密度,判断当前需要进行安检的人流量大小,上传至云端控制中心,接受云端控制中心指令,多线程进行违禁品检测,或者调度计算资源执行其他安检站点的违禁品检测任务;
安检员对误检、漏检或者包含需要新增违禁品类别的X光图像进行标注,并上传至云端控制中心保存;
根据各地面安检站点的人流量大小,调配各工控机的空闲计算资源,加快人流较大安检站点的图像检测速度与履带传输速度,缓解排队拥挤压力;
具体实现时:
1)X光安检机启动,利用垂直、水平、侧向方向三种光源对履带上的包裹进行探测,生成三种不同视角的X光图像,并传输给工控机。
2)在工控机内通过数据预处理模块,对三种不同视角的X光图像进行预处理:
a)通过滤波降噪、增强对比度等图像预处理方法提高X光图像质量
b)采用掩膜区域卷积神经网络(Mask R-CNN)对图像中包含的多个包裹进行实例分割,得到多张只包含单个包裹的X光图像,去除不必要的背景信息,并得到当前进行安检的包裹密度。
c)将包裹的三个不同视角X光图像进行匹配与图像配准,采用立体视觉重建方法,推断出物体深度信息并生成物体的三维点云信息。
3)工控机内常规目标检测模块,根据物体的三维点云信息采用自适应图卷积三维点云识别算法进行常规类别违禁品识别与标注。
4)同时工控机内危险检测模块,采用基于注意力机制的深度卷积神经网络计算包裹的危险系数,用以检测包裹中的疑似或非常规违禁品。若危险系数超过设定阈值,则进行标注提示安检员查看。该模型的训练方法如下:
a)基于包含常规违禁品的异常包裹与普通包裹的图像数据集,采用自监督对比学习的方法,训练能够区分两种包裹的卷积神经网络对二者进行分类,用以提取违禁品深层次特征例如金属材质、锐角、高密度等。
b)采集包含异形打火机、镰刀、红缨枪等疑似或非常规违禁品的X光图像,由专业安检人员对其包裹的危险品进行标注并对其危险系数打分,并制作为数据集。
c)将训练好的卷积神经网络分类器作为主干网络采用迁移学习的方法在该数据集上进行训练,使得模型能够识别包裹中的疑似或非常规违禁品,并计算包裹的危险系数。
5)工控机将原始三种视角的X光图像及对应检测结果输出至人机交互界面。
6)通过工控机通信模块将所有包含违禁品的图像上传至云端控制中心的数据库。安检员若发现漏检、误检的情况,或者新增需要检测的违禁品目标,可以在人机交互界面将图像重新手动标注后通过工控机的通信模块实时上传。
7)云端控制中心的数据库保存由各个安检站点上传的违禁品图像以及原始的模型训练数据。
8)在云端控制中心,对常规违禁品的检测模型与对疑似或非常规违禁品的检测模型通过在线学习的方式,提高模型检测精度。对于包含新增需要检测的违禁品种类的图像,对常规违禁品的检测模型采用增量学习的方法,扩大模型的违禁品检测范围。
9)在云端控制中心经过学习更新后的检测模型将定期下载至各安检站点的工控机内。
10)云端控制中心若检测到某安检站点一段时间内处理的包裹密度超过某一阈值,则通过工控机的通信模块控制工控机加快该安检站点的X光安检机的履带速度。
11)同时,云端控制中心控制工控机内常规目标检测和危险检测模块采用多线程的方法同时处理多张图片,提高检测速度。
12)若该安检站点的工控机计算资源处于饱和状态,则将无法及时处理的X光图像上传至云端控制中心,由云端控制中心调用其它安检站点工控机的空闲计算资源进行检测,检测完毕后将检测结果返回至原安检站点。
13)经过一定时间间隔后,若云端控制中心检测到该安检站点检测的包裹密度不变或者上升,则继续提高该安检站点的检测速度与履带传输速度,具体方法参照10)至12),直至该安检站点包裹密度下降。
实施例二
参照附图1、图3以及图13,在实施例一的基础上,为了实现对包裹的安检,X光安检机包括X光安检机本体1,X光安检机本体1的表面开设有检测仓,X光安检机本体1的两端均固定有两个延伸板2,两个延伸板2之间转动连接有传动辊3,一组传动辊3的一端传动连接在伺服电机4的动力输出端,伺服电机4固定在延伸板2的表面,两组传动辊3上传动连接有传送履带5,传送履带5的内侧设有承托板6,承托板6固定在X光安检机本体1的检测仓的两个平行分布的侧壁上,承托板6的顶面转动连接有多个转杆7,且承托板6的顶面嵌装有X射线探测器板一13,检测仓的顶面嵌装有垂直X射线源15,检测仓的两个相对分布的侧壁上均滑动连接有扶正架16,两个扶正架16的表面分别设有垂直X射线源15和X射线探测器板二56,检测仓的顶面拐角处开设有安装槽35,X光安检机本体1的顶面开设有安装口42,安装口42连通安装槽35,安装槽35的内部转动连接有转盘37,转盘37的顶部啮合有驱动齿盘43,驱动齿盘43转动连接在防护架44的两个侧板之间,防护架44固定在X光安检机本体1的顶面,转盘37的表面嵌装有侧向X射线源39;X光安检机本体1的一侧设有接物架51,接物架51靠近X光安检机本体1的一端设有扣槽53,扣槽53抵在延伸板2远离X光安检机本体1的一端,扣槽53的表面开设有嵌装槽五57,嵌装槽五57的表面固定有橡胶连条58,橡胶连条58的表面开设有圆口,橡胶连条58的一端固定有刷板59,刷板59的刷毛抵在传送履带5的表面,且接物架51的底面固定有两个平行分布的撑杆52,接物架51的顶面和接物架51的底面均固定有连接板54,两组连接板54分布在延伸板2的上下两侧,且连接板54的表面设有螺杆,螺杆贯穿连接板54后螺接在延伸板2的表面。
包裹从附图所示的右侧的一组延伸板2摆放在传送履带5上,触发伺服电机4的开关驱动传动辊3转动,传动辊3和传送履带5之间具有摩擦,传动辊3转动时带动传送履带5转动对包裹转运,由于承托板6处于传送履带5中,包裹隔着传送履带5搭接在承托板6上,确保包裹转运的稳定性,包裹经过两个扶正架16之间时,两个扶正架16对包裹弹性夹持限位,将包裹向传送履带5中部布置,扶正架16端部的耳板17沿着滑槽18滑动时挤压弹簧20,避免扶正架16对包裹刚性夹持,并且包裹经过两个扶正架16时,水平X射线源27投射光源穿过包裹后被X射线探测器板二56捕捉,且垂直X射线源15发射光源透过包裹后被X射线探测器板一13捕捉,并且侧向X射线源39投射光源被X射线探测器板一13或者X射线探测器板二56捕捉,捕捉的光源传递给工控机处理,包裹从传送履带5输送后掉落在接物架51中。
实施例三
参照附图2、图4至图7以及图18,参照附图在实施例二的基础上,为了实现对传送履带5上输送的包裹校位至传送履带5的中部位置,承托板6的顶面开设有多个凹槽,凹槽呈“U”字形槽,转杆7转动连接在凹陷中,且转杆7的杆径大于凹槽的高度,承托板6的两端均开设有边槽8,边槽8呈圆弧槽,边槽8处于传动辊3的一侧,承托板6的顶面和承托板6的底面均开设有通口9,通口9和边槽8连通,延伸板2的表面开设有安装口10,安装口10和边槽8连通,安装口10的内部固定有散热扇11,且承托板6的顶面开设有多个嵌装槽一12,嵌装槽一12和凹槽相间分布,X射线探测器板一13固定在嵌装槽一12中,检测槽的顶面居中开设有嵌装槽二14,垂直X射线源15固定在嵌装槽二14中,扶正架16呈“U”字形板状结构,扶正架16的侧板弯折处一体成型有斜板,两组斜板呈“八”字形排列分布,扶正架16的两端均固定有耳板17,耳板17滑动连接在滑槽18中,滑槽18开设在X光安检机本体1的表面,滑槽18的两个平行分布的侧壁之间固定有导杆19,导杆19活动贯穿耳板17,导杆19的杆体上套设有弹簧20,弹簧20固定在耳板17和滑槽18之间。
包裹靠近一组扶正架16时,扶正架16受到推力带动耳板17沿着滑槽18滑动,此时耳板17挤压弹簧20,随着弹簧20回弹,顶推扶正架16复位,扶正架16将包裹向传送履带5中部推挤,使得包裹处于垂直X射线源15的正下方。
实施例四
参照附图8至图11,以及图17,参照附图在实施例三的基础上,为了实现对用于水平方向检测包裹的光源安装调节,扶正架16的顶面开设有缺槽一21,缺槽一21的表面固定有透明护板22,扶正架16的表面固定有托架23,托架23呈“L”形板状结构,托架23和扶正架16之间固定有两个平行分布的挡板24,两个挡板24之间滑动连接有安装架25,安装架25的表面开设有嵌装槽三26,嵌装槽三26的内部固定有水平X射线源27,安装架25的表面固定有升降块28,升降块28滑动连接在滑轨槽29中,滑轨槽29开设在托架23的表面,升降块28的顶面固定有丝套30,丝套30的内部螺接有丝杆31,丝杆31的顶端贯穿托架23的顶面后传动连接在伺服马达一34的动力输出端,伺服马达一34固定在托架23的顶面,丝杆31的底端固定有限位柄32,滑轨槽29的底面固定有限位块33,限位块33呈“L”形片,限位块33设有两个,两个限位块33关于限位柄32对称分布,另一个扶正架16的顶面开设有缺槽二55,X射线探测器板二56固定在缺槽二55中。
需要调节水平X射线源27所处的高度时,触发伺服马达一34的开关,伺服马达一34驱动丝杆31转动,丝杆31的底端被两个限位柄32限位后,丝杆31不会出现垂直方向的移动,丝杆31与丝套30螺接,且丝套30固定在升降块28上,升降块28只能在滑轨槽29中垂直移动,升降块28无法在滑轨槽29中转动,因此丝杆31转动时驱动丝套30带动升降块28沿着滑轨槽29滑行,在此过程中,升降块28牵引安装架25升降,实现对水平X射线源27所处高度调节。
实施例五
参照附图15和图16,在实施例四的基础上,为了实现对安装有侧向X射线源39的转盘37进行角度调节,安装槽35呈圆弧形槽,安装槽35的两个平行分布的侧壁之间固定有限位轴36,限位轴36活动贯穿转盘37,转盘37呈圆盘结构,转盘37的表面设有平面,平面开设有嵌装槽四38,侧向X射线源39固定在嵌装槽四38中,转盘37的表面开设有预留槽40,预留槽40呈圆弧形槽,预留槽40的表面固定有多个齿牙41,齿牙41和驱动齿盘43啮合,防护架44呈圆弧槽框体结构,驱动齿盘43的两个圆面上均固定有转轴,一个转轴传动连接在伺服马达二45的动力输出端,伺服马达二45固定在防护架44的外壁上;防护架44的底板内部设有储油腔46,用于存储润滑油,防护架44的顶面开设有注油口47,注油口47和储油腔46连通,注油口47的内部固定有橡皮封块48,储油腔46的底面开设有渗油孔49,渗油孔49的内部固定有渗油棉块50。
触发伺服马达二45的开关,伺服马达二45驱动驱动齿盘43转动,伺服马达二45的驱动轴转动角度提前采用现有技术设定,确保伺服马达二45的驱动轴正转和反转时的角度范围与预留槽40的弧度匹配,即伺服马达二45驱动驱动齿盘43转动时,驱动齿盘43啮合转盘37,转盘37围绕限位轴36转动,从而实现对侧向X射线源39朝向调节;借助针管抽吸润滑油后,定期将针管的针头穿过橡皮封块48后,将润滑油注入储油腔46中,润滑油浸透渗油棉块50后下渗至预留槽40中,齿牙41和驱动齿盘43啮合实现润滑,并且在安装槽35的槽口两侧固定密封胶条60,密封胶条60挤压在转盘37和安装槽35之间,避免下渗的润滑油从安装槽35滴落。
实施例六
参照附图21和图22,在实施例一的基础上,提出了一种基于云端大数据技术的成长型智慧安检方法,所述方法包括以下步骤:
1)X光安检机启动,通过水平、垂直、侧向方向的三个光源生成三组不同视角的X光图像并传送给工控机;
2)工控机通过不同视角的X光图像进行违禁品目标检测,同时检测非常规类、疑似违禁品,输出检测非常规类、疑似违禁品的危险系数,提醒安检员查看并将检测结果实时输出到人机交互界面;
3)安检员对误检、漏检或者包含需要新增违禁品类别的X光图像进行手动标注,并上传至云端控制中心保存;
4)云端控制中心保存的X光图像用于检测模型的在线学习或增量学习,提高模型的检测准确率范围与检测范围;
5)工控机根据一段时间内的输入图像中的包裹密度,判断安检站点当前需要进行安检的人流量大小,并上传至云端控制中心;
6)云端控制中心根据各安检站点的人流量,调节各安检站点所属X光安检仪的履带速度,并调用其余站点工控机的空闲计算资源,提高人流量较多的安检站点的检测速度,缓解该站点的排队拥挤压力。
具体操作如下:
1)由X光安检仪对包裹生成水平、垂直、侧向三种不同视角的X光图像
2)对三种不同视角的X光图像进行预处理,如图21所示:
a)通过滤波降噪、增强对比度等图像预处理方法提高X光图像质量
b)采用掩膜区域卷积神经网络(Mask R-CNN)对图像中包含的多个包裹进行实例分割,得到多张只包含单个包裹的X光图像,去除不必要的背景信息,并得到当前进行安检的包裹密度。
c)将包裹的三个不同视角X光图像进行匹配与图像配准,采用立体视觉重建方法,推断出物体深度信息并生成物体的三维点云信息。
3)根据物体的三维点云信息采用自适应图卷积三维点云识别的常规违禁品检测模型进行常规类别违禁品自动识别与标注。
4)同时采用基于3维深度卷积神经网络(3DCNN)的对疑似或非常规违禁品的检测模型计算包裹的危险系数,用以检测包裹中的疑似或非常规违禁品。若危险系数超过设定阈值,则进行标注提示安检员查看。该模型的训练方法如下(见图4):
a)基于包含常规违禁品的异常包裹与普通包裹的图像数据集,采用自监督对比学习的方法,训练能够区分两种包裹的卷积神经网络对二者进行分类,用以提取违禁品深层次特征例如金属材质、锐角、高密度等。
b)采集包含异形打火机、镰刀、红缨枪等疑似或非常规违禁品的X光图像,由专业安检人员对其包裹的危险品进行标注并对其危险系数打分,并制作为数据集。
c)将训练好的卷积神经网络分类器作为主干网络采用迁移学习的方法在该数据集上进行训练,使得模型能够识别包裹中的疑似或非常规违禁品,并计算包裹的危险系数。
5)将原始两种视角的X光图像及对应检测结果输出至人机交互界面。
6)将所有包含违禁品的图像上传至云端控制中心的数据库。安检员若发现漏检、误检的情况,或者新增需要检测的违禁品目标,可以将图像重新手动标注后实时上传。
7)云端控制中心的数据库保存由各个安检站点上传的违禁品图像以及原始的模型训练数据。
8)对常规违禁品的检测模型与对疑似或非常规违禁品的检测模型在云端通过在线学习的方式,提高模型检测精度。对于包含新增需要检测的违禁品种类的图像,对常规违禁品的检测模型采用增量学习的方法,只需要较小规模的新类违禁品样本以及少量的训练时间就可以扩大模型的违禁品检测范围。
9)学习更新后的检测模型将定期下载至各安检站点的工控机内,提高整个安检系统的检测准确率与可靠性。
10)云端控制中心若检测到某安检站点一段时间内处理的包裹总数量超过某一阈值,则加快该安检站点的X光安检机的履带速度。
11)同时该站点的工控机采用多线程的方法同时处理多张图片,提高检测速度。
12)若该安检站点的工控机计算资源处于饱和状态,则将无法及时处理的X光图像上传至云端控制中心,由云端控制中心调用其它安检站点工控机的空闲计算资源进行检测,检测完毕后返回至原安检站点。
13)经过一定时间间隔后,若云端控制中心检测到该安检站点检测的包裹密度不变或者上升,则继续提高该安检站点的检测速度与履带传输速度,具体方法参照10)至12),直至该安检站点包裹密度下降。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神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,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于云端大数据技术的成长型智慧安检系统,其特征在于:所述系统由X光安检机、工控机、人机交互界面以及云端控制中心组成;
X光安检机,包含垂直、水平、侧向方向三个X光光源,产生履带上包裹的三视角X光图像,并传输给工控机,根据云端控制中心指令,调节履带传输速度;
工控机,对X光机传输过来的图像进行预处理以及违禁品检测,同时检测非常规类、疑似违禁品,并将检测结果输出给人机交互界面,同时将X光图像上传至云端控制中心;
人机交互界面,显示正在安检的包裹的实时三视角X光图像以及违禁品检测结果;
云端控制中心,存储各地面安检站点上传的包含违禁品的X光图像,供检测模型进行在线学习和增量学习提高检测准确率与检测范围。
2.根据权利要求1所述的一种基于云端大数据技术的成长型智慧安检系统,其特征在于:工控机根据一段时间内的图像中的包裹密度,判断当前需要进行安检的人流量大小,上传至云端控制中心,接受云端控制中心指令,多线程进行违禁品检测,或者调度计算资源执行其他安检站点的违禁品检测任务;
安检员对误检、漏检或者包含需要新增违禁品类别的X光图像进行标注,并上传至云端控制中心保存;
根据各地面安检站点的人流量大小,调配各工控机的空闲计算资源,加快人流较大安检站点的图像检测速度与履带传输速度,缓解排队拥挤压力。
3.根据权利要求1所述的一种基于云端大数据技术的成长型智慧安检系统,其特征在于:所述X光安检机包括X光安检机本体1,X光安检机本体1的表面开设有检测仓,X光安检机本体(1)的两端均固定有两个延伸板(2),两个延伸板(2)之间转动连接有传动辊(3),一组传动辊(3)的一端传动连接在伺服电机(4)的动力输出端,伺服电机(4)固定在延伸板(2)的表面,两组传动辊(3)上传动连接有传送履带(5),传送履带(5)的内侧设有承托板(6),承托板(6)固定在X光安检机本体(1)的检测仓的两个平行分布的侧壁上,承托板(6)的顶面转动连接有多个转杆(7),且承托板(6)的顶面嵌装有X射线探测器板一(13),检测仓的顶面嵌装有垂直X射线源(15),检测仓的两个相对分布的侧壁上均滑动连接有扶正架(16),两个扶正架(16)的表面分别设有垂直X射线源(15)和X射线探测器板二(56),检测仓的顶面拐角处开设有安装槽(35),X光安检机本体(1)的顶面开设有安装口(42),安装口(42)连通安装槽(35),安装槽(35)的内部转动连接有转盘(37),转盘(37)的顶部啮合有驱动齿盘(43),驱动齿盘(43)转动连接在防护架(44)的两个侧板之间,防护架(44)固定在X光安检机本体(1)的顶面,转盘(37)的表面嵌装有侧向X射线源(39)。
4.根据权利要求3所述的一种基于云端大数据技术的成长型智慧安检系统,其特征在于:所述X光安检机本体(1)的一侧设有接物架(51),接物架(51)靠近X光安检机本体(1)的一端设有扣槽(53),扣槽(53)抵在延伸板(2)远离X光安检机本体(1)的一端,扣槽(53)的表面开设有嵌装槽五(57),嵌装槽五(57)的表面固定有橡胶连条(58),橡胶连条(58)的表面开设有圆口,橡胶连条(58)的一端固定有刷板(59),刷板(59)的刷毛抵在传送履带(5)的表面,且接物架(51)的底面固定有两个平行分布的撑杆(52),接物架(51)的顶面和接物架(51)的底面均固定有连接板(54),两组连接板(54)分布在延伸板(2)的上下两侧,且连接板(54)的表面设有螺杆,螺杆贯穿连接板(54)后螺接在延伸板(2)的表面。
5.根据权利要求3所述的一种基于云端大数据技术的成长型智慧安检系统,其特征在于:所述承托板(6)的顶面开设有多个凹槽,凹槽呈“U”字形槽,转杆(7)转动连接在凹陷中,且转杆(7)的杆径大于凹槽的高度,承托板(6)的两端均开设有边槽(8),边槽(8)呈圆弧槽,边槽(8)处于传动辊(3)的一侧,承托板(6)的顶面和承托板(6)的底面均开设有通口(9),通口(9)和边槽(8)连通,延伸板(2)的表面开设有安装口(10),安装口(10)和边槽(8)连通,安装口(10)的内部固定有散热扇(11),且承托板(6)的顶面开设有多个嵌装槽一(12),嵌装槽一(12)和凹槽相间分布,X射线探测器板一(13)固定在嵌装槽一(12)中。
6.根据权利要求3所述的一种基于云端大数据技术的成长型智慧安检系统,其特征在于:所述检测槽的顶面居中开设有嵌装槽二(14),垂直X射线源(15)固定在嵌装槽二(14)中,扶正架(16)呈“U”字形板状结构,扶正架(16)的侧板弯折处一体成型有斜板,两组斜板呈“八”字形排列分布,扶正架(16)的两端均固定有耳板(17),耳板(17)滑动连接在滑槽(18)中,滑槽(18)开设在X光安检机本体(1)的表面,滑槽(18)的两个平行分布的侧壁之间固定有导杆(19),导杆(19)活动贯穿耳板(17),导杆(19)的杆体上套设有弹簧(20),弹簧(20)固定在耳板(17)和滑槽(18)之间。
7.根据权利要求3所述的一种基于云端大数据技术的成长型智慧安检系统,其特征在于:所述扶正架(16)的顶面开设有缺槽一(21),缺槽一(21)的表面固定有透明护板(22),扶正架(16)的表面固定有托架(23),托架(23)呈“L”形板状结构,托架(23)和扶正架(16)之间固定有两个平行分布的挡板(24),两个挡板(24)之间滑动连接有安装架(25),安装架(25)的表面开设有嵌装槽三(26),嵌装槽三(26)的内部固定有水平X射线源(27),安装架(25)的表面固定有升降块(28),升降块(28)滑动连接在滑轨槽(29)中,滑轨槽(29)开设在托架(23)的表面,升降块(28)的顶面固定有丝套(30),丝套(30)的内部螺接有丝杆(31),丝杆(31)的顶端贯穿托架(23)的顶面后传动连接在伺服马达一(34)的动力输出端,伺服马达一(34)固定在托架(23)的顶面,丝杆(31)的底端固定有限位柄(32),滑轨槽(29)的底面固定有限位块(33),限位块(33)呈“L”形片,限位块(33)设有两个,两个限位块(33)关于限位柄(32)对称分布,另一个扶正架(16)的顶面开设有缺槽二(55),X射线探测器板二(56)固定在缺槽二(55)中。
8.根据权利要求3所述的一种基于云端大数据技术的成长型智慧安检系统,其特征在于:所述安装槽(35)呈圆弧形槽,安装槽(35)的两个平行分布的侧壁之间固定有限位轴(36),限位轴(36)活动贯穿转盘(37),转盘(37)呈圆盘结构,转盘(37)的表面设有平面,平面开设有嵌装槽四(38),侧向X射线源(39)固定在嵌装槽四(38)中,转盘(37)的表面开设有预留槽(40),预留槽(40)呈圆弧形槽,预留槽(40)的表面固定有多个齿牙(41),齿牙(41)和驱动齿盘(43)啮合,防护架(44)呈圆弧槽框体结构,驱动齿盘(43)的两个圆面上均固定有转轴,一个转轴传动连接在伺服马达二(45)的动力输出端,伺服马达二(45)固定在防护架(44)的外壁上。
9.根据权利要求3所述的一种基于云端大数据技术的成长型智慧安检系统,其特征在于:所述防护架(44)的底板内部设有储油腔(46),用于存储润滑油,防护架(44)的顶面开设有注油口(47),注油口(47)和储油腔(46)连通,注油口(47)的内部固定有橡皮封块(48),储油腔(46)的底面开设有渗油孔(49),渗油孔(49)的内部固定有渗油棉块(50)。
10.一种根据权利要求1所述的基于云端大数据技术的成长型智慧安检系统的基于云端大数据技术的成长型智慧安检方法,其特征在于:所述方法包括以下步骤:
1)X光安检机启动,通过水平、垂直、侧向方向的三个光源生成三组不同视角的X光图像并传送给工控机;
2)工控机通过不同视角的X光图像进行违禁品目标检测,同时检测非常规类、疑似违禁品,输出检测非常规类、疑似违禁品的危险系数,提醒安检员查看并将检测结果实时输出到人机交互界面;
3)安检员对误检、漏检或者包含需要新增违禁品类别的X光图像进行手动标注,并上传至云端控制中心保存;
4)云端控制中心保存的X光图像用于检测模型的在线学习或增量学习,提高模型的检测准确率范围与检测范围;
5)工控机根据一段时间内的输入图像中的包裹密度,判断安检站点当前需要进行安检的人流量大小,并上传至云端控制中心;
6)云端控制中心根据各安检站点的人流量,调节各安检站点所属X光安检仪的履带速度,并调用其余站点工控机的空闲计算资源,提高人流量较多的安检站点的检测速度,缓解该站点的排队拥挤压力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311356715.6A CN117409199B (zh) | 2023-10-19 | 一种基于云端大数据技术的成长型智慧安检系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311356715.6A CN117409199B (zh) | 2023-10-19 | 一种基于云端大数据技术的成长型智慧安检系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117409199A true CN117409199A (zh) | 2024-01-16 |
CN117409199B CN117409199B (zh) | 2024-05-14 |
Family
ID=
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871122A (zh) * | 2017-11-14 | 2018-04-03 | 深圳码隆科技有限公司 | 安检检测方法、装置、系统及电子设备 |
CN108830276A (zh) * | 2018-07-02 | 2018-11-16 | 合肥格泉智能科技有限公司 | 一种基于x光机图像的智能识别系统 |
CN109051518A (zh) * | 2018-08-28 | 2018-12-21 | 赵文富 | 一种车站安检方法 |
CN109948412A (zh) * | 2018-12-27 | 2019-06-28 | 中南大学 | 基于深度卷积神经网络的违禁物品标识方法 |
CN111443100A (zh) * | 2020-05-12 | 2020-07-24 | 北京声迅电子股份有限公司 | 一种基于智能识别技术安检集中判图系统 |
CN111667464A (zh) * | 2020-05-21 | 2020-09-15 | 平安科技(深圳)有限公司 | 危险品三维图像检测方法、装置、计算机设备及存储介质 |
WO2020187077A1 (zh) * | 2019-03-21 | 2020-09-24 | 长安大学 | 一种基于深度神经网络的安检系统及方法 |
CN113093308A (zh) * | 2021-05-08 | 2021-07-09 | 佳都科技集团股份有限公司 | X射线行李检查设备的校正方法、装置、设备及存储介质 |
CN114819418A (zh) * | 2022-06-28 | 2022-07-29 | 西南交通大学 | 一种车站客流控制方法、装置、设备及可读存储介质 |
CN115186949A (zh) * | 2022-03-14 | 2022-10-14 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 铁路客运站安检集中管理方法、设备及介质 |
CN218917667U (zh) * | 2022-02-11 | 2023-04-25 | 南京戴尔塔智能制造研究院有限公司 | 一种ai智能安检违禁品识别系统 |
CN116403002A (zh) * | 2022-12-30 | 2023-07-07 | 中国民航大学 | 融合svm的小样本x光安检违禁品检测方法 |
CN116503652A (zh) * | 2023-04-26 | 2023-07-28 | 北京恒安卫士保安服务有限公司 | 一种用于轨道交通智慧安检的ai辅助集中判图系统 |
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019096181A1 (zh) * | 2017-11-14 | 2019-05-23 | 深圳码隆科技有限公司 | 安检检测方法、装置、系统及电子设备 |
CN107871122A (zh) * | 2017-11-14 | 2018-04-03 | 深圳码隆科技有限公司 | 安检检测方法、装置、系统及电子设备 |
CN108830276A (zh) * | 2018-07-02 | 2018-11-16 | 合肥格泉智能科技有限公司 | 一种基于x光机图像的智能识别系统 |
CN109051518A (zh) * | 2018-08-28 | 2018-12-21 | 赵文富 | 一种车站安检方法 |
CN109948412A (zh) * | 2018-12-27 | 2019-06-28 | 中南大学 | 基于深度卷积神经网络的违禁物品标识方法 |
WO2020187077A1 (zh) * | 2019-03-21 | 2020-09-24 | 长安大学 | 一种基于深度神经网络的安检系统及方法 |
CN111443100A (zh) * | 2020-05-12 | 2020-07-24 | 北京声迅电子股份有限公司 | 一种基于智能识别技术安检集中判图系统 |
CN111667464A (zh) * | 2020-05-21 | 2020-09-15 | 平安科技(深圳)有限公司 | 危险品三维图像检测方法、装置、计算机设备及存储介质 |
CN113093308A (zh) * | 2021-05-08 | 2021-07-09 | 佳都科技集团股份有限公司 | X射线行李检查设备的校正方法、装置、设备及存储介质 |
CN218917667U (zh) * | 2022-02-11 | 2023-04-25 | 南京戴尔塔智能制造研究院有限公司 | 一种ai智能安检违禁品识别系统 |
CN115186949A (zh) * | 2022-03-14 | 2022-10-14 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 铁路客运站安检集中管理方法、设备及介质 |
CN114819418A (zh) * | 2022-06-28 | 2022-07-29 | 西南交通大学 | 一种车站客流控制方法、装置、设备及可读存储介质 |
CN116403002A (zh) * | 2022-12-30 | 2023-07-07 | 中国民航大学 | 融合svm的小样本x光安检违禁品检测方法 |
CN116503652A (zh) * | 2023-04-26 | 2023-07-28 | 北京恒安卫士保安服务有限公司 | 一种用于轨道交通智慧安检的ai辅助集中判图系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1120163A (zh) | 用于质量和流程控制的动态流体液位及气泡的检测 | |
CN111855664B (zh) | 一种可调节隧道病害三维检测系统 | |
CN102012419B (zh) | 基于视觉感知鱼类行为的生物水质监测系统 | |
CN109389161A (zh) | 基于深度学习的垃圾识别进化学习方法、装置、系统及介质 | |
CN102750584B (zh) | 玉米粒在穗计数方法 | |
CN106290382A (zh) | 泡罩药片包装缺陷视觉检测装置及方法 | |
CN110612921A (zh) | 一种定位栏母猪的监测系统及方法 | |
CN117409199B (zh) | 一种基于云端大数据技术的成长型智慧安检系统及方法 | |
CN105181714A (zh) | 一种基于图像处理的瓶装液体杂质检测系统及其检测方法 | |
CN104315977B (zh) | 橡胶塞质量检测装置及检测方法 | |
CN110647816B (zh) | 一种用于货架药品实时监测的目标检测方法 | |
CN117409199A (zh) | 一种基于云端大数据技术的成长型智慧安检系统及方法 | |
CN109380146A (zh) | 生猪自动测量装置和方法 | |
CN104766310B (zh) | 光源检测系统和检测方法 | |
CN103530864B (zh) | 一种环保烟尘无组织排放视频监测黑度分析系统 | |
CN112284619A (zh) | 一种漏油实时监测装置和检测方法 | |
CN106950574A (zh) | 一种大气中灰霾总量的遥感测算方法及装置 | |
CN104515479A (zh) | 中厚板平面板形测量系统及方法 | |
CN216448995U (zh) | 一种药液容量检测系统 | |
CN201728248U (zh) | 棒材计数装置 | |
CN201740736U (zh) | 一种基于视频的能见度检测系统 | |
CN112766795B (zh) | 一种基于云端处理的管廊智能信息管理方法及系统 | |
CN103729644B (zh) | 地基光测设备克服恒星穿越探测窗口干扰的卫星跟踪方法 | |
CN105027732B (zh) | 玉米果穗考种的方法及系统 | |
CN104778709B (zh) | 一种基于纱线序列图像的电子黑板的构建方法 |
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 |