JP2018146587A - 検査機器と車両の画像を分割する方法 - Google Patents

Abstract

【課題】車両の画像を分割する方法と検査機器を提供する。
【解決手段】車両の画像を分割する方法と検査機器を開示している。車両に対してＸ線透過走査を行い、透過画像を取得することと、トレーニングされた畳み込みネットワークを用いて、透過画像の各ピクセルにカテゴリラベルを付与することと、各ピクセルのカテゴリラベルに応じて、車両の各部分が特定される画像を得ることと、を含む。上記した技術案によって、幅広い車種や複雑な状況においても、車両の各部分の画像を比較的正確に分割することができる。
【選択図】図４

Description

本開示は、放射線検査技術に関し、具体的には、検査機器と車両の画像を分割する方法に関する。

車両の数の急増に伴い、如何に効率的かつ正確に車両のインテリジェントな検査を行うことは、重要な課題となっている。車両の検査には、例えば、貨物部分の異物の検出や貨物の分類、車輪や車台部分での巻き込み物の検出など、車両のそれぞれの部分を検査することが含まれる。これらの検査を行う基礎は、車体に対する理解であり、すなわち、機器は、車体の各位置がそれぞれ車体のどの部分に属するかを理解した上で、自動的に車体の異なる部分に分割される。

セキュリティチェック分野で処理される画像の大部分は、Ｘ線透過画像である。従来では、例えば、ｐａｒｓｉｎｇなどのような車体のＸ線透過画像に用いられる車体の理解方法は、一般的に、規則に基づくものであり、それは、幅広い車種や複雑な状況において効果が良くない。

従来技術におけるの一つや複数の問題に鑑み、検査機器と車両の画像を分割する方法を提供する。

本開示の一面によれば、車両に対してＸ線透過走査を行い、透過画像を取得するステップと、トレーニングされた畳み込みネットワークを用いて、透過画像の各ピクセルにカテゴリラベルを付与するステップと、各ピクセルのカテゴリラベルに応じて、車両の各部分が特定される画像を得るステップと、を含む、車両の画像を分割する方法を提供している。

いくつかの実施例によれば、畳み込みネットワークは、複数の車両のＸ線透過画像をサンプルの画像として取得するステップと、車両の各部分に応じて前記サンプルの画像に対してピクセルレベルの標記を行うステップと、標記されたサンプルの画像を用いて畳み込みネットワークをトレーニングするステップによって、トレーニングされる。

いくつかの実施例によれば、前記車両の各部分は、車輪と、車の先頭と、車台と、車室とを含む。

いくつかの実施例によれば、前記方法は、前記サンプルの画像に対して、ミラーリング、空気部分の除去、スケーリング、サブ画像への切り出しのうち少なくとも一つを行うことをさらに含む。

いくつかの実施例によれば、サブ画像への切り出しの操作は、前記サンプルの画像の左上隅、右上隅、左下隅、右下隅、および中間部分のうち少なくとも一つを切り出すことを含む。

いくつかの実施例によれば、サブ画像への切り出しの操作は、前記サンプルの画像をランダムに切り出すことを含む。

いくつかの実施例によれば、前記畳み込みネットワークは、完全畳み込みネットワーク、Ｄｉｌａｔｉｏｎ完全畳み込みネットワーク、Ｄｅｅｐｌａｂネットワーク、ＣｏｎｖＰＰネットワークのうち少なくとも一つを含む。

本開示の別の面では、被検査車両に対してＸ線透過走査を行い、透過画像を取得するＸ線走査システムと、前記透過画像を格納するメモリと、前記透過画像に対して、トレーニングされた畳み込みネットワークを用いて透過画像の各ピクセルを標記し、各ピクセルの標記に応じて車両の各部分が特定される画像を得るという操作を行うように配置されるプロセッサとを含む、検査機器を提供している。

いくつかの実施例によれば、前記プロセッサは、複数の車両のＸ線透過画像をサンプルの画像として取得するステップと、車両の各部分に応じて前記サンプルの画像に対してピクセルレベルの標記を行うステップと、標記されたサンプルの画像を用いて畳み込みネットワークをトレーニングするステップとによって畳み込みネットワークをトレーニングするように配置される。

いくつかの実施例によれば、前記プロセッサは、前記サンプルの画像に対して、ミラーリング、空気部分の除去、スケーリング、サブ画像への切り出しのうち少なくとも一つを行うことをさらに含むように配置される。

上記した技術案によると、幅広い車種や複雑な状況においても、車両の各部分の画像を比較的正確に分割することができる。

本発明をよりよく理解させるために、以下図面を参照しながら本発明を詳細に説明する。

図１は、本開示の実施例による検査機器の構造を示す模式図である。 図２は、図１に示す検査機器に含まれる計算機器の構造を説明する模式図である。 図３は、本開示の実施例による畳み込みネットワークをトレーニングする過程を説明する模式図である。 図４は、本開示の実施例による車両の画像を分割する過程を説明する模式図である。 図５は、本開示の実施例による車両の透過画像を示す模式図である。 図６は、本開示の実施例による分割された車両の各部分の画像を示す模式図である。

以下、本発明の具体的な実施例を詳細に説明する。ここで記載する実施例は、例示的に説明することに過ぎず、本発明を限定するものではない。以下の説明で、本発明に対する徹底的な理解のために、特定的な詳細をたくさん記載している。しかしながら、本発明を実施するためにこれらの特定的な詳細を必ずしも使用するには限定されないことを、当業者は理解できるだろう。他の実施例では、本発明を不明瞭にすることを避けるために、周知の構造や材料または方法を具体的に記載しない。

本明細書の全体において、「一実施例」、「実施例」、「一例」または「例」などの説明は、該実施例または例を組合わせて説明した特定の特徴、構造または特性が本発明の少なくとも一つの実施例に含まれることを意味する。したがって、本明細書の全体において各々の箇所に出現する用語である「一実施例では」、「実施例では」「一例」または「例」は、必ずしも同一実施例または例を指すとは限らない。また、如何なる適切な組み合わせ及び／又はサブ組み合わせによって、特定の特徴、構造または特性を一つまたは複数の実施例や例に組み合わせることができる。また、当業者であれば、ここで使用される「及び／又は」という用語は、一つまたは複数の関連して列挙された項目のうちの何れ及びすべての組み合わせを含むことを理解できるだろう。

従来技術に存在する、幅広い車種の場合に規則に基づいた車両のＸ線透過画像に対する理解方法の効果が良くないという欠点に鑑みて、深層学習の方法を用いて車両のＸ線透過画像に対して車体の理解を行い、車両のＸ線透過画像で、例えば、車輪、車の先頭、車台、コンテナの輪郭などのような車体の異なる部分に分割される。具体的には、例えば、コンテナ付きトラックなどの車両に対してＸ線透過走査を行い、透過画像を取得する。そして、トレーニングされた、例えば完全畳み込みネットワーク（ＦＣＮ）である畳み込みネットワークを用いて、透過画像の各ピクセルにカテゴリラベルを付与する。次に、各ピクセルのカテゴリラベルに応じて、車両の各部分の画像を特定する。上記した方法によって、例えば、ＧＰＵを深層学習に応用する。従来の機械学習方法では手作業で特徴を抽出する必要があることに比べて、深層学習では、学習して得られた特徴によってインテリジェントな分類・検出を行い、語彙分割がより正確になる。

具体的には、従来の車両のＸ線透過画像のための車体の理解方法は、規則に基づくものであるが、人間がすべての規則を網羅するのは困難である。対照的に、エンドツーエンドの深層学習では、特徴抽出とピクセル分類が統合される。大規模なサンプルを用いてトレーニングするという条件の下では、機器自己の学習する特徴が普遍性を有するようにして、汎化能力が向上する。これによって、幅広い車種や複雑な状況においてより効果である。具体的な応用において、分割された異なる部分の画像は、後続のインテリジェントな検出に用いられてもよい。上記した技術案によって、車両のインテリジェントな検出の実現を一定程度に支援することができ、効率的かつ安全に車両を検査することに寄与する。

図１は、本開示の実施例による検査機器の構造を示す模式図である。図１に示すように、本開示の実施例による検査機器１００は、Ｘ線源１１０と、検知器１３０と、データ収集装置１５０と、コントローラ１４０と、計算機器１６０とを備え、コンテナ付きトラック等のような被検体１２０に対して安全検査を行い、例えば、その中に危険品及び／又は不審物が含まれているか否かを判断する。当該実施例において、検知器１３０とデータ収集装置１５０を別途に説明するが、当業者であれば、これらを集積化してＸ線検知・データ収集装置と呼ぶこともできることを理解できるだろう。

いくつかの実施例によると、上記したＸ線源１１０は、同位体であってもよく、Ｘ光機または加速器であってもよい。Ｘ線源１１０は、単一エネルギーものであってもよく、二重エネルギーものであってもよい。このように、Ｘ線源１１０と検知器１５０、および、コントローラ１４０と計算機器１６０によって、被検体１２０を透過走査して、検知データを取得する。例えば、被検体１２０の移動中に、操作者は、計算機器１６０によるＨＭＩ（ＨｕｍａｎＭａｃｈｉｎｅＩｎｔｅｒｆａｃｅ）を介して、コントローラ１４０によって射線を出すことをＸ線源１１０に命令するように指令を送信する。被検体１２０を透過した射線は、検知器１３０とデータ収集装置１５０によって受信され、そのデータが計算機器１６０によって処理される。これによって、一方では、透過画像を取得することができ、他方では、トレーニングされた畳み込みネットワークを介して車両の透過画像を分割し、車両の各部分の画像を得ることができ、後続の危険品／不審物の検査に利便性を与える。こうして、例えば原子番号のような特徴値を比較することによって、不審物がコンテナまたは車体のどの位置にあるかを特定することができ、検査員が危険品／不審物の位置を見つけるために利便性を与える。また、巻き込み物が含まれている車体の画像と巻き込み物が含まれていない車体の各部分の画像との差異に基づいて、車体のある部分に巻き込み物があるかどうかをさらに判断してもよい。

図２は、図１に示す計算機器の構造模式図を示す。図２に示すように、検知器１３０によって検知された信号は、データ収集装置に収集され、そのデータはインタフェースユニット１６７とバス１６３を介してメモリ１６１に格納される。ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１６２には、コンピュータデータプロセッサの配置情報およびプログラムが格納されている。ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１６３は、プロセッサ１６５の動作中に様々なデータを一時的に格納するために使用される。なお、メモリ１６１には、データ処理を行うためのコンピュータプログラム、例えば、人工ニューラルネットワークプログラム、物質識別プログラムや画像処理プログラム等も格納されている。内部バス１６３は、上記のメモリ１６１と、ＲＯＭ１６２と、ＲＡＭ１６３と、入力装置１６４と、プロセッサ１６５と、表示装置１６６と、インタフェースユニット１６７とを接続するものである。

ユーザがキーボードやマウス等の入力装置１６４を介して操作コマンドを入力すると、コンピュータプログラムの指令コードは、プロセッサ１６５に所定のデータ処理アルゴリズムを実行するように指示し、データ処理の結果が得られた後、それをＬＣＤディスプレイ等の表示装置１６７に表示したり、印刷等のハードコピーの形態で直接に出力したりする。

完全畳み込みネットワークをトレーニングする前に、トレーニングのためのデータベースを構築する必要があり、その後、サンプルを用いて完全畳み込みネットワークをトレーニングする。例えば、本開示の実施例では、まず、人為的に多くの既知の車体の透過画像に対してピクセルレベルの標記を行い、その後、深層学習に基づく車体の理解方法を用いて大規模なサンプルに対してエンドツーエンドのトレーニングを行う。

具体的には、多くの車体の透過画像に対してピクセルレベルの標記を行うことは、（１）車体の透過画像がどれらのカテゴリを含むかを特定することと、（２）車体の透過画像から多くの画像を抽出することと、（３）抽出された透過画像のピクセルごとにそれの属するカテゴリを人力を利用して標記し、元の透過画像と同じサイズのラベル画像を得ることと、（４）標記済みのラベル画像と元の透過画像を保存し、トレーニングサンプルとして用いられることと、を含む。

完全畳み込みネットワークをトレーニングするときに、深層学習に基づく車体の理解方法を用いて大規模なサンプルに対してエンドツーエンドのトレーニングを行ってもよい。そのうち、用いられる深層学習の方法は、完全畳み込みネットワーク（ＦＣＮ）を基礎とするものであり、それに基づいて、いくつかの改良されたネットワーク構造も存在する。

具体的には、ＦＣＮは、語彙分割のための畳み込みニューラルネットワーク（ＣＮＮ）モデルであり、それは、分類ＣＮＮネットワークの全接続層を畳み込み層として再解釈して得られたネットワーク構造であり、これによって、ネットワークの入力画像が任意のサイズであってもよく、最後にアップサンプリングにより予測結果を元画像のサイズに復元させる。

また、ＦＣＮを基礎にして、改良されたＦＣＮ、すなわち、Ｄｉｌａｔｉｏｎ ＦＣＮを用いてもよい。それは、ＦＣＮにおける最後の２つのＰｏｏｌｉｎｇ層のストライド長さを２から１に変更した後、畳み込みカーネルにホールを追加することによって出力層の受容野が変更しないようにして、さらに、マルチスケールの目的を達成するために異なるレート（ｒａｔｅ）を設置するものである。

また、Ｄｉｌａｔｉｏｎ ＦＣＮを基礎にして、下記のようにそれを改良することもできる。すなわち、画像をトレーニングされたＤｉｌａｔｉｏｎ ＦＣＮネットワークに渡し、それぞれのピクセルのカテゴリ確率分布が得られ、さらに画像自身の情報を組み合わせて、一つの条件付き確率場（ＣＲＦ）を用いて画像におけるそれぞれのピクセルのカテゴリ確率分布を最適化し、最後に分解能が高い予測ラベル画像を得る。Ｄｉｌａｔｉｏｎ ＦＣＮ＋ＣＲＦの方法は、ＤｅｅｐＬａｂと呼ばれる。ＤｅｅｐＬａｂにおけるＣＲＦ自身は、リカレントニューラルネットワーク（ＲＮＮ）として解釈されてもよい。ＣＲＦをＲＮＮとして解釈することは、ＣＲＦにおけるいくつかの重みパラメータがＲＮＮ学習によって得られるという利点もある。

いくつかの実施例によれば、ネットワークＣｏｎｖＰＰを用いてもよい。それは、ラベル自体を用いて特殊な畳み込みネットワークをトレーニングし、このような特殊な畳み込みネットワークでトレーニングされた特徴を、前にＦＣＮでトレーニングされた特徴に組み合わせることによって、それぞれのピクセルを分類するものである。こうして得られた結果は、ＦＣＮより良くなる。

本開示のいくつかの実施例では、多くのサンプルを用いて上記の畳み込みネットワークをトレーニングする。他の実施例では、少数のサンプルを用いて上記の方法とほぼ同じ結果を得ることもでき、例えばＬｏｗ Ｓｈｏｔネットワークである。

図３は、本開示の実施例による畳み込みネットワークをトレーニングする過程を説明する模式図である。図３に示すように、ステップＳ３１０では、コンテナ付きトラックなどのような車両の透過画像をサンプルの画像として取得する。そして、ステップ３２０では、人為的にサンプルの画像に対してピクセルレベルの標記を行う。例えば、車両の透過画像がどれらのカテゴリを含むかを特定した後、車体の画像から多くの画像を抽出してから、人為的に標記して、サンプルとして保存される。

具体的には、実際の状況に応じて、車両の透過画像を、空気、貨物、コンテナ、輪郭、車台、車の先頭、車輪の６つのカテゴリに分けることができる。空気は、本来、車室内空気部分と車室外空気部分に分けるはずであるが、便利のために、これらを空気と総称する。

続いて、異なる車種に対して同じ数の画像をランダムに抽出する。サンプルの種類が多く、数が大きいほど、トレーニングされたネットワークの汎化能力が高くなる。トレーニングサンプルが少ないと、オーバーフィッティングがもたらされることになる。

次に、抽出された透過画像のピクセルごとにそれの属するカテゴリを人力を利用して標記して、元の透過画像と同じサイズのラベル画像を得ることになる。元画像の高さと幅がそれぞれＨとＷであると、標記されたラベル画像の高さと幅もそれぞれＨとＷである。そのうち、それぞれのピクセルの取りうる値の範囲が｛０，１，２，３，４，５｝であり、それぞれが元画像において当該ピクセルに対応するピクセルが６つのカテゴリのうちのいずれに属するかを示すものとする。

最後に、標記済みのラベル画像と元の透過画像を保存して、トレーニングサンプルとして用いられる。いくつかの実施例では、下記のような操作によってサンプルの数を増やしたり、演算速度を加速したりすることができる。
・ミラーリング操作：サンプルの数を拡大するために、サンプルにおける画像をミラーリングすることができ、これによって、サンプルの数を倍にすることになる。
・空気部分の除去操作：効率を向上させるために、ラベル画像を用いて画像の周囲の空気部分を切り欠いて、比較的小さな画像が得られ、これによって、トレーニングするときに、トレーニングの速度を加速することができる。
・スケーリング：計算リソースが不足している場合、または効率を向上させるために、サンプルの画像をある比例により縮小することができ、例えば、元の１／５までに縮小することができる。
・画像を切り出すことによってトレーニングのためのサンプルの数を拡大することもできる。

また、一枚の画像の左上隅、右上隅、左下隅、右下隅および中間部分を選択的に切り出すことができる。そのうち、それぞれの部分は、元画像のサイズの７０％を占める。元画像を加えて、このとき、サンプルの数を５倍にすることができる。または、ランダムに切り出すこともできる。この場合、サンプルの数をＮ倍に拡大しようとすると、それぞれの画像でＮ回ランダムに切り出して、元画像をさらに加えることができる。

本開示の他の実施例によれば、画像を切り出すことは、ネットワークをトレーニングするときにｄａｔａ層で行うこともできる。このように、切り出された画像を格納するためのハードディスクの容量を節約することができる。

ステップＳ３３０では、標記されたサンプルの画像を用いて畳み込みネットワークをトレーニングする。例えば、深層学習に基づく車体の理解方法を用いて大規模なサンプルに対してエンドツーエンドのトレーニングを行う。

・ＦＣＮに基づいたトレーニング
ＦＣＮは、分類ネットワークの全接続層を畳み込み層として再解釈して得られたものである。再解釈した後、入力画像が任意のサイズであることは許される。ＶＧＧネットワークを例にして、任意の一枚の画像は、ＦＣＮ版のＶＧＧネットワークを通った後、長さと幅が元画像の１／３２までに縮小され、その後、さらに一つの逆畳み込み層を加えて、元画像のサイズにアップサンプリングする。元画像を３２倍ダウンサンプリングした後、さらに元画像のサイズにアップサンプリングすれば、元画像の多くの細部情報が失われるため、画像の分解能を向上させるために、ｐｏｏｌ４層とｐｏｏｌ５層の特徴を分類にも使用することができる。

・ＤｅｅｐＬａｂに基づいたトレーニング
まず、Ｄｉｌａｔｉｏｎ ＦＣＮをトレーニングすることである。Ｄｉｌａｔｉｏｎ ＦＣＮは、Ｖ１、ＬａｒｇｅＦＯＶ、ＭＳｃ−ＬａｒｇｅＦＯＶ、ＡＳＰＰ、Ｒｅｓ１０１のいくつかのネットワーク構造を選択可能である。

Ｖ１、ＬａｒｇｅＦＯＶ、ＭＳｃ−ＬａｒｇｅＦＯＶ、ＡＳＰＰの基礎ネットワークは、ＶＧＧである。ＦＣＮ版のＶＧＧネットワークについて、ｐｏｏｌ４層とｐｏｏｌ５層のストライドを２から１に変更し、ｐｏｏｌ４層とｐｏｏｌ５層との間の畳み込み層の畳み込みカーネルレートを２に設定する。これに加えて、Ｖ１では、ｐｏｏｌ５層後の畳み込み層の畳み込みカーネルレートを４に設定することによって、出力層が元のＦＣＮと同じ受容野を持つようにする。ＬａｒｇｅＦＯＶでは、より大きな受容野がスケールのより大きなオブジェクトの認識に寄与することを考慮して、ｐｏｏｌ５層後の畳み込み層の畳み込みカーネルレートを大きくして、例えば、１２にする。ＭＳｃ−ＬａｒｇｅＦＯＶでは、ＬａｒｇｅＦＯＶを基礎にして、最下層の特徴も最後のピクセルの分類に関与させる。ＡＳＰＰでは、マルチスケールを考慮して、ｐｏｏｌ５層の後に４つのブランチに分岐し、それぞれのブランチにおいて畳み込み層の畳み込みカーネルが異なるレートを取り、例えば、一つ目のブランチにレート＝６、二つ目のブランチにレート＝１２、三つ目のブランチにレート＝１８、四つ目のブランチにレート＝２４であり、これによって、最後に出力層のピクセルごとに４つのスケールの受容野を持つようにする。

Ｒｅｓ１０１は、１０１層の分類残差ネット（ｒｅｓｎｅｔ）を補正することによって得られたものである。補正方法は、ＶＧＧと類似である。

深層学習フレームＣａｆｆｅを用いてトレーニングする。毎回の繰り返しで、入力された画像から所定の長さ及び幅のサブ画像をランダムに切り出してトレーニングに用いられるという第１段階と、第１段階でトレーニングされたパラメータを基礎にして微調整を行い、毎回の繰り返しで一枚の画像を入力してトレーニングに用いられるという第２段階の二つの段階に分けられる。

続いて、ＣＲＦをトレーニングする。Ｄｉｌａｔｉｏｎ ＦＣＮの効果が元のＦＣＮよりも良好であるが、出力層は、実際に８倍ダウンサンプリングして得られたものであるので、８倍アップサンプリングして得られた、元画像と同じサイズのラベル画像は、分解能が低い。分解能を向上させるために、Ｄｉｌａｔｉｏｎ ＦＣＮの後にＣＲＦを追加してもよい。ＣＲＦを追加するものには、下記の（１）、（２）の二つの方法がある。（１）ＣＲＦをトレーニングサンプルから独立させてトレーニングに関与せず、ＣＲＦにおけるパラメータがクロスバリデーションによって得られる。画像を予測する際には、まず画像をトレーニングされたＤｉｌａｔｉｏｎ ＦＣＮネットワークに渡して、得られたカテゴリ確率分布を元の画像情報と組み合わせて、より正確なカテゴリ確率分布を反復的に得る；（２）ＣＲＦのトレーニングへの関与：ＣＲＦをＲＮＮとして解釈して、Ｄｉｌａｔｉｏｎ ＦＣＮの後部に接続することによって、それに対するエンドツーエンドのトレーニングが可能であり、そのうち、ＣＲＦにおけるパラメータは、トレーニングすることによって得ることができる。

図４は、本開示の実施例による車両の画像を分割する過程を説明する模式図である。図４に示すように、ステップＳ４１０では、図１に示すシステムによって、被検査車両に対してＸ線走査を行い、透過画像を取得する。ここで、透過画像に対して、空気除去処理、ノイズ低減、正規化などの操作を行ってもよい。

ステップＳ４２０では、上記のトレーニングされた畳み込みネットワークを用いて透過画像のピクセルにカテゴリラベルを付与する。例えば、透過画像をトレーニングされた畳み込みネットワークに入力して、画像における各ピクセルのカテゴリラベルが得られる。例えば、車体の異なる部分のピクセルに対して相応的な標記を行い、例えば、車輪が１で、車の先頭が２で、車台が３で、車室が４である。

ステップＳ４３０では、車両のピクセルのカテゴリラベルに応じて、車両の各部分の画像を特定する。例えば、ラベルが異なるピクセルに異なる色を付与し、或いは閉曲線により異なる部分の車体を囲むことによって、認識された車体の部分が示されて、後続の危険品／不審物の検査に利便性を与える。こうして、例えば原子番号のような特徴値を比較することによって、不審物がコンテナまたは車体のどの位置にあるかを特定することができ、検査員が危険品／不審物の位置を見つけるために利便性を与える。また、巻き込み物が含まれている車体の画像と巻き込み物が含まれていない車体の各部分の画像との差異に基づいて、車体のある部分に巻き込み物があるかどうかをさらに判断してもよい。

図５は、本開示の実施例による車両の透過画像を示す模式図である。図６は、本開示の実施例による分割された車両の各部分の画像を示す模式図である。図６に示すように、被検査車両の透過画像に対する理解によって、車体の画像を車輪、車の先頭、車台、車室などの部分に分割する。また、必要に応じて、異なる車体の部分のピクセルに異なる色を付与し、或いは閉曲線により異なる部分の車体を囲むことによって、認識された車体の部分が示されてもよい。

上記した実施例によれば、大規模なサンプルを用いてトレーニングする条件の下で、機器自己の学習する特徴が普遍性を有するようにして、汎化能力が向上する。これによって、幅広い車種や複雑な状況においてより効果である。具体的な応用において、分割された異なる部分の画像は、後続のインテリジェントな検出に用いられてもよい。上記した技術案によって、車両のインテリジェントな検出の実現を一定程度に支援することができ、効率的かつ安全に車両を検査することに寄与する。

以上に示す詳細の記載は、模式図、フローチャット及び／又は例示によって、検査機器と画像分割方法に係る複数の実施例を説明した。このような模式図、フローチャット及び／又は例示が、一つ又は複数の機能及び／又は操作を含む場合に、当業者は、このような模式図、フローチャット又は例示における各機能及び／又は操作が、色々な構造、ハードウェア、ソフトウェア、ファームウェア又は実質上のこれらの任意の組み合わせによって、個別及び／又は共同で実現可能であることを理解できるだろう。一つの実施例において、本発明の実施例に記載の主題のいくつかの部分は、ＡＳＩＣ（特定用途向け集積回路）、ＦＰＧＡ（ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）、ＤＳＰ（ｄｉｇｉｔａｌ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｏｒ）、またはその他の集積フォーマットで実現できる。当業者は、ここで開示された実施例のいくつかの方面が、全体または部分的に集積回路で等価的に実現されてもよいことを理解できるだろう。例えば、一つ又は複数のコンピュータで実行される一つ又は複数のコンピュータプログラム（例えば、一つ又は複数のコンピュータシステムで実行される一つ又は複数のプログラム）によって実現されてもよく、一つ又は複数のプロセッサで実行される一つ又は複数のプログラム（例えば、一つ又は複数のマイクロプロセッサで実行される一つ又は複数のプログラム）によって実現されてもよく、ファームウェア又は実質上に上記形態のいずれの組み合わせによって実現されてもよい。また、当業者は、本開示を元に、回路の設計及び／又はソフトウェアの書き込み及び／又はファームウェアのコーディングの能力を備えることになろう。また、当業者は、本開示に記載の主題のメカニズムは、複数の形態のプログラム製品として発行されてもよく、実際に発行を実行するための信号ベアラ媒体の具体的な類型が何になっても、本開示に記載の主題の例示的な実施例は依然として適用可能であることを理解できるだろう。信号ベアラ媒体の例示として、例えば、ソフトディスク、ハートディスクドライバ、コンパクトディスク（ＣＤ）、デジタル汎用ディスク（ＤＶＤ）、デジタルテープ、コンピュータメモリ等の記録可能な記録媒体や、デジタル及び／又はアナログ通信媒体（例えば、光ファイバ、導波管、有線通信リング、無線通信リング等）の搬送媒体を含むが、これらに限定されない。

以上、いくつかの典型的な実施例に基づいて本発明を説明したが、当業者は、使用された用語が、説明および例示のためであり、限定するためのものではないことを理解すべきである。また、本発明は、発明の精神及び主旨を逸脱しない限り、色々な形態で具体的に実施できるため、上記した実施例は、前述の如何なる詳細に限らず、添付の特許請求の範囲によって限定される精神および範囲で広く解釈すべきである。特許請求の範囲または等価範囲内での全ての変更や改良は、添付の特許請求の範囲に含まれる。

Claims (11)

1. 車両に対してＸ線透過走査を行い、透過画像を取得するステップと、
   トレーニングされた畳み込みネットワークを用いて、透過画像の各ピクセルにカテゴリラベルを付与するステップと、
   各ピクセルのカテゴリラベルに応じて、車両の各部分の画像を特定するステップと、を含む、車両の画像を分割する方法。
2. 請求項１において、
   畳み込みネットワークは、複数の車両のＸ線透過画像をサンプルの画像として取得するステップと、車両の各部分に応じて前記サンプルの画像に対してピクセルレベルの標記を行うステップと、標記されたサンプルの画像を用いて畳み込みネットワークをトレーニングするステップとによって、トレーニングされる、方法。
3. 請求項１において、
   前記車両の各部分は、車輪と、車の先頭と、車台と、車室とを含む、方法。
4. 請求項２において、
   前記サンプルの画像に対して、ミラーリング、空気部分の除去、スケーリング、サブ画像への切り出しのうち少なくとも一つを行うことをさらに含む、方法。
5. 請求項４において、
   サブ画像への切り出しの操作は、前記サンプルの画像の左上隅、右上隅、左下隅、右下隅、および中間部分のうち少なくとも一つを切り出すことを含む、方法。
6. 請求項４において、
   サブ画像への切り出しの操作は、前記サンプルの画像をランダムに切り出すことを含む、方法。
7. 請求項１において、
   前記畳み込みネットワークは、完全畳み込みネットワーク、Ｄｉｌａｔｉｏｎ完全畳み込みネットワーク、Ｄｅｅｐｌａｂネットワーク、ＣｏｎｖＰＰネットワークのうち少なくとも一つを含む、方法。
8. 被検査車両に対してＸ線透過走査を行い、透過画像を取得するＸ線走査システムと、
   前記透過画像を格納するメモリと、
   前記透過画像に対して、トレーニングされた畳み込みネットワークを用いて透過画像の各ピクセルにカテゴリラベルを付与し、各ピクセルのカテゴリラベルに応じて車両の各部分の画像を特定するという操作を行うように配置されるプロセッサと、を含む、検査機器。
9. 請求項８において、
   前記プロセッサは、複数の車両のＸ線透過画像をサンプルの画像として取得するステップと、車両の各部分に応じて前記サンプルの画像に対してピクセルレベルの標記を行うステップと、標記されたサンプルの画像を用いて畳み込みネットワークをトレーニングするステップとによって畳み込みネットワークをトレーニングするように配置される、検査機器。
10. 請求項８において、
    前記車両の各部分は、車輪と、車の先頭と、車台と、車室とを含む、検査機器。
11. 請求項９において、
    前記プロセッサは、前記サンプルの画像に対して、ミラーリング、空気部分の除去、スケーリング、サブ画像への切り出しのうち少なくとも一つを行うことをさらに含むように配置される、検査機器。