JP2021042959A - 特定対象物検出方法及び特定対象物検出装置 - Google Patents

Abstract

【課題】例えばイベント会場や鉄道その他の大量輸送機関等での荷物の検査に適用可能であり、検査の対象中に特定の対象物が含まれているか否かを確実かつ迅速に判定できる特定対象物検出方法及び特定対象物検出装置を提供すること。【解決手段】検査対象のＸ線画像ＧＩｃにおける物体ＯＢの重なり度合のデータを抽出し、重なり度合の指標としての確信度に基づき、抽出した重なり度合のデータを利用して検査対象における特定対象物である危険物に関して判定することで、例えば検査対象中における特定対象物の有無や、種類、位置、大きさ等を確実かつ迅速に判定できる。【選択図】図１

Description

本発明は、Ｘ線等を使用して検査の対象となる手荷物等に特定の対象物が含まれているか否かを判定する特定対象物検出方法及び特定対象物検出装置に関する。

Ｘ線を利用して検査を行う際に、Ｘ線画像中に占める面積に基づいて安全性を確かめるものが知られている（特許文献１）。また、物品の重なり状況についてパターン化しておくものが知られている（特許文献２）。

しかしながら、例えば、特許文献１では、Ｘ線を利用して検査の対象となる物品の安全性を面積に基づき自動的に判定するに際して、物品の重なりについて判定を行うものとしているが、物品が重なっていた場合においてさらに安全か否かを判定するための方法についてまでは言及されていない。また、例えば特許文献２では、物品の数を正確に判定するために、物品の重なり状況について把握すべく、いくつかの特定のパターンについて言及されているが、パターン化できない不特定の重なりについてまで対応できるとは限らない。

特開２０１８−４３６３号公報 特開２０１５−１３７８５９号公報

本発明は上記した点に鑑みてなされたものであり、例えばイベント会場や鉄道その他の大量輸送機関等での荷物の検査に適用可能であり、検査の対象中に特定の対象物が含まれているか否かを確実かつ迅速に判定できる特定対象物検出方法及び特定対象物検出装置を提供することを目的とする。

上記目的を達成するための特定対象物検出方法は、検査対象のＸ線画像における物体の重なり度合のデータを抽出し、重なり度合の指標に基づき、抽出した重なり度合のデータを利用して検査対象における特定対象物に関して判定する。

上記特定対象物検出方法では、検査対象についてのＸ線画像から物体の重なりの状況について抽出した重なり度合のデータについて、重なり度合の指標に基づき、検査対象における特定対象物に関して判定を行うことで、例えば検査対象中における特定対象物の有無や、種類、位置、大きさ等を確実かつ迅速に判定できる。

本発明の具体的な側面では、重なり度合の指標は、特定対象物の画像の濃度に対する相対値を多段階で設定した確信度である。この場合、設定した確信度に基づいて、特定対象物に関して判定できる。

本発明の別の側面では、特定対象物に関する判定結果として、Ｘ線画像に含まれる特定対象物についての他の物体との重なり状況を示す重なりマップを出力する。この場合、例えば他の物体との重なり状況を加味した判定結果の表示が可能になる。

本発明のさらに別の側面では、特定対象物の有無、種類、位置及び大きさについて判定する。この場合、特定対象物に関する種々の判定結果が示される。

本発明のさらに別の側面では、特定対象物に関する判定を可能とするための学習用画像の情報として、画像中における特定対象物の位置及び大きさに加え、特定対象物に対する物体の重なり度合の指標を含む。この場合、画像中において特定対象物が他の物体と重なり合った状態にあっても、的確に検出できる。

本発明のさらに別の側面では、学習用画像の情報としての重なり度合の指標は、学習用画像に含まれる特定対象物について、他の物体との重なり度合に応じて領域ごとに定めた相対的な数値である。この場合、画像中の領域ごとについて、他の物体との重なり度合に応じた指標に従った検出ができる。

本発明のさらに別の側面では、学習用画像の情報としての重なり度合の指標は、特定対象物の濃度として規定した濃度に対する相対的な値として画像中の各点において自動的に定まる数値である。この場合、画像中の各点ごとについて、他の物体との重なり度合に応じた指標に従った検出ができる。また、各点ごとの重なり度合を自動的に設定できる。

本発明のさらに別の側面では、検査対象は、手荷物であり、特定対象物は、刃物及び爆発物を含む危険物であり、危険物の有無に関する判定を、危険物の種類ごとに定めた閾値に基づいて行う。この場合、手荷物中における複数種類の危険物の有無を確実かつ迅速に検出することができる。

上記目的を達成するための特定対象物検出装置は、検査対象のＸ線画像における物体の重なり度合のデータを抽出する重なり度合抽出部と、重なり度合の指標を格納し、重なり度合の指標に基づいて、重なり度合抽出部において抽出した重なり度合のデータを利用して、検査対象における特定対象物に関して判定する判定部とを備える。

上記特定対象物検出装置では、検査対象についてのＸ線画像から物体の重なりの状況を重なり度合抽出部で重なり度合のデータとして抽出し、抽出した重なり度合のデータについて、判定部において、格納された重なり度合の指標に基づき、検査対象における特定対象物に関して判定を行うことで、例えば検査対象中における特定対象物の有無や、種類、位置、大きさ等を確実かつ迅速に判定できる。

（Ａ）は、実施形態に係る特定対象物検出方法を採用した特定対象物検出装置について一例を概念的に示す斜視図であり、（Ｂ）は、特定対象物検出装置によるＸ線画像の形成について示す概念図である。 特定対象物検出装置の一構成例を示すブロック図である。 特定対象物検出装置のうち動作制御を行う箇所について一構成例を示すブロック図である。 特定対象物検出装置における特定対象物検出の方法について概要を説明するための概念図である。 （Ａ）及び（Ｂ）は、特定対象物検出を可能にするための学習用画像について一例を示す画像図である。 手動による学習用画像の準備の一例を説明するための画像図である。 自動での学習用画像の準備の一例を説明するための画像図である。 画像の濃度に対する確信度の設定方法について一例を説明するためのグラフである。 （Ａ）〜（Ｃ）は、画像の濃度に対する確信度の設定についての具体例を示すグラフである。 ニューラルネットワークを利用したデータの加工から出力までの一連の処理について一例を説明するための概念図である。 （Ａ）〜（Ｃ）は、ニューラルネットワークによる処理の様子を示す概念図である。 （Ａ）は、元画像あるいは画像認識処理前のＸ線画像について一例を示す画像図であり、（Ｂ）は、（Ａ）に対応する重なりマップであり、（Ｃ）は、（Ａ）に対応する形状マップである。 特定対象物検出を可能にするための学習段階での処理の一例を示すフローチャートである。 学習段階での反復終了条件としての誤差測定について一例を示す概念図である。 学習済みの特定対象物検出装置による判定処理の一例を示すフローチャートである。 学習段階でのニューラルネットワークにおけるパラメータの更新方法について一例を示すフローチャートである。 （Ａ）〜（Ｃ）は、パラメータの更新について説明するための概念図である。 特定対象物検出装置の一変形例の動作を例示するフローチャートである。

以下、図面を参照して、本発明の一実施形態である特定対象物検出方法及び当該特定対象物検出方法を採用した特定対象物検出装置の詳細について説明する。

図１（Ａ）等に示す特定対象物検出装置１００は、例えばイベント会場の入場口等に設置されるものであり、Ｘ線検査装置１０と、制御装置５０とを備える。

Ｘ線検査装置１０は、検査対象である荷物（例えばイベント会場に入場しようとする者の手荷物）ＢＡを搬送する搬送部としてのコンベア２０のほか、荷物ＢＡに対して放射線であるＸ線ＲＬを照射するＸ線源１１と、Ｘ線源１１からのＸ線ＲＬのうち荷物ＢＡを通過した成分を受けるラインセンサであるＸ線センサ部１２とを有する。なお、このほかに、Ｘ線検査装置１０は、例えば、Ｘ線源１１とＸ線センサ部１２とを内部に収納する直方体状の遮蔽ボックス１５を有する。なお、図１（Ａ）では省略しているが、この他、例えば遮蔽ボックス１５の入口付近に荷物ＢＡの搬入を検知するための搬入検知センサ（図２の搬入検知センサＳＥ参照）を設けてもよい。

まず、Ｘ線検査装置１０のうち、Ｘ線源１１は、Ｘ線ＲＬを射出する放射線源である。Ｘ線源１１は、遮蔽ボックス１５の中央付近の下部側に配置されており、放射線であるＸ線ＲＬをＸ線センサ部１２に向けて照射する。Ｘ線センサ部１２は、Ｘ線ＲＬを受ける放射線センサ部である。Ｘ線センサ部１２は、コンベア２０の搬送路を挟んでＸ線源１１に対向するように遮蔽ボックス１５の中央付近の上部側に配置されている。Ｘ線センサ部１２は、例えば受光素子を搬送方向（矢印Ａ１に示す方向）に対して垂直な方向に延びるようにライン状に並べて配置することで、コンベア２０による搬送と同期してライン型のスキャンを可能にしている。すなわち、荷物ＢＡが遮蔽ボックス１５の内部空間の中央付近を通過する際に、荷物ＢＡへのＸ線ＲＬの照射がなされ、Ｘ線センサ部１２が受けた結果に基づき荷物ＢＡの内部にある物体ＯＢについて２次元的な検査がなされる。

特定対象物検出装置１００における以上のような動作をすべく、Ｘ線検査装置１０に設けたコンベア２０は、荷物ＢＡを受け取って、例えば矢印Ａ１に示す方向に直進で搬送し、Ｘ線検査装置１０が、遮蔽ボックス１５内に搬送された荷物ＢＡを経路上の所定範囲内においてＸ線ＲＬを照射するとともに透過成分を検出することで、検査を行う。すなわち、特定対象物検出装置１００は、Ｘ線検査装置１０によって対象者の荷物ＢＡについて内部を透視して危険物の有無等に関する情報の収集を行う。

以下、図１（Ｂ）の概念図を参照して、特定対象物検出装置１００のうち、Ｘ線検査装置１０によるＸ線画像の形成について説明する。図１（Ｂ）において、横軸は、時間を表し、時間ｔ_ｉ（１≦ｉ≦ｎ）は、ラインセンサであるＸ線センサ部１２におけるｉ番目の走査（スキャン）を意味し、１回のラインスキャンによって一次元方向に沿った画像（図示例では短冊状のスキャン画像ＳＧ示している）が取得される。図では、時間ｔ_１〜ｔ_ｎの間において、対象物のＸ線画像を形成（取得）する様子を示している。具体的には、例えば時間ｔ_１においては、Ｘ線源１１からのＸ線ＲＬをほぼそのまま受けるが、時間ｔ_２以降においては、徐々にＸ線ＲＬの一部が対象物に吸収され、結果として、各スキャン画像ＳＧ中に少し暗くなった領域ＤＤの画像がそれぞれ形成される。各スキャン画像ＳＧを繋ぎ合わせていくと、例えば時間ｔ_ｎにおいて、各領域ＤＤを繋ぎ合わせた１つの閉じた全体領域ＤＤｔを有するＸ線画像ＧＩｃが形成される。

以上のようにして形成されるＸ線画像ＧＩｃでは、Ｘ線ＲＬが照射される対象物となり得る荷物ＢＡや荷物ＢＡ中の物体ＯＢの材質や厚さ等によって画像として表示される際の濃度が異なっている。すなわち、Ｘ線ＲＬの吸収率が高いものほど画像としては暗いものとなって現れる。つまり、濃淡のある画像が形成される。特に、Ｘ線画像ＧＩｃにおいて２以上の物体が重なった箇所があると、その箇所は、周りに比べてより暗い画像となる。本実施形態では、Ｘ線画像の解析に際して、物体同士の重なり具合を加味することで、特定対象物すなわち危険物の検出をより的確なものにしている。なお、以下において、実物としての物体とこれに対応する画像中の部分画像とについて、区別せずに記載する。例えば、物体ＯＢについて、実物について示す場合も、画像中のものを示す場合も、単に物体ＯＢと記載する。

図１（Ａ）に戻って、特定対象物検出装置１００のうち、制御装置５０について説明する。制御装置５０は、例えばＣＰＵやＧＰＵ、さらには各種ストレージデバイス等を有するパーソナルコンピュータ（ＰＣ）で構成され、Ｘ線検査装置１０を構成する各部と接続して、これらの動作制御を司るとともに、Ｘ線検査装置１０における検査に際して取得される画像データを含む各種データを解析し、荷物ＢＡの内部における危険物の有無等を自動判定する。特に、本実施形態では、制御装置５０は、特定対象物たる危険物に関する判定をするに際して、危険物である物体と危険物以外の物体との重なり度合を配慮すべく、検査対象たる荷物ＢＡのＸ線画像における物体の重なり度合のデータを抽出する重なり度合抽出部として機能する。さらに、制御装置５０は、抽出した重なり度合のデータを利用して、検査対象における特定対象物たる危険物に関して判定する判定部として機能する。特に、本実施形態では、制御装置５０が判定部として機能するに際して、重なり度合の指標に基づいて抽出した重なり度合のデータを利用した判定を行うものとなっており、以下の例では、重なり度合の指標として、特定対象物たる危険物の画像の濃度に対する相対値を多段階で設定した確信度を採用する。画像の濃度と確信度との関係については、後述する。

以下、図２等のブロック図を参照して、特定対象物検出装置１００を構成する各部及び各部の機能についてさらに説明する。

Ｘ線検査装置１０は、図示のように、また、既述のように、コンベア２０と、Ｘ線源１１と、Ｘ線センサ部１２と、搬入検知センサＳＥとを備える。このほか、Ｘ線検査装置１０は、例えば制御装置５０における画像処理の結果等を表示するための出力装置としての表示部ＤＰを有している。表示部ＤＰは、例えば液晶パネルや有機ＥＬパネル等で構成され、制御装置５０における解析に基づく判定結果を画面に表示する。

制御装置５０は、既述のように、Ｘ線検査装置１０の各部と接続して、これらの動作制御を司るとともに、Ｘ線検査装置１０における検査に際して取得される画像データを含む各種データを解析すべく主制御部６０のほか、各種処理装置を有する。具体的には、図示の例では、Ｘ線照射制御部６１と、Ｘ線データ検出部６２と、画像処理部６３と、記憶部６４と、入力装置としての操作部７０とを備える。なお、Ｘ線検査装置１０に示した出力装置としての表示部ＤＰあるいはこれと同等のものを制御装置５０に設けてもよい。

主制御部６０は、ＣＰＵ等で構成され、Ｘ線検査装置１０を構成する各部の動作や、制御装置５０を構成する上記各部の処理を制御する。

Ｘ線照射制御部６１は、コンベア２０により搬送された荷物ＢＡに対し、所定のタイミングでＸ線源１１からＸ線ＲＬを照射させるべく、動作制御を行う。

Ｘ線データ検出部６２は、Ｘ線検査装置１０のうち、Ｘ線ＲＬの照射を受けたＸ線センサ部１２における検出結果を受け付け、スキャン画像データとして検出する。すなわち、Ｘ線データ検出部６２は、図１（Ｂ）に例示した荷物ＢＡが搬送されながら１列ずつスキャンしたスキャン画像ＳＧのデータ（スキャン画像データ）の検出を行う。

画像処理部６３は、ＧＰＵ等で構成され、例えば、Ｘ線データ検出部６２からスキャン画像データを繋ぎ合わせて最終的に物体の画像として完成されたＸ線画像の生成（形成）をし、また必要に応じて、生成（形成）されたＸ線画像に対して、危険物が含まれているかを主制御部６０において判定可能にするための画像処理といった各種画像処理の全般を担う。

記憶部６４は、ストレージデバイス等で構成され、主制御部６０や画像処理部６３等の各部において処理を行うに際して必要となる各種データやプログラムを格納する。また、記憶部６１は、Ｘ線検査装置１０での動作により取得されるＸ線画像や、制御装置５０での解析に基づく判定結果等の各種データを保存（記憶）する。

なお、操作部７０は、キーボードやマウス等の入力装置で構成され、特定対象物検出装置１００を操作するためのオペレータによる各種指令を受け付ける。すなわち、操作部７０は、オペレータからの指示に従って、制御装置５０に格納される各種ソフトの起動、初期化、終了等の操作を行う。

以下、図３のブロック図を参照して、上記のうち、記憶部６４に格納される各種プログラムや各種データやについて一例を説明する。なお、主制御部６０や画像処理部６３は、記憶部６４に格納された各種プログラムや各種データを適宜読み出して、各種処理を行う。このため、図３に例示するように、記憶部６４に格納されるプログラムやデータ等としては、Ｘ線検査装置１０での動作により取得されるＸ線画像ＧＩｃに関するデータや、取得したデータについて加工処理を施したデータ等の各種データを格納する。また、記憶部６４には、各種画像処理に関して必要なデータやプログラムが格納されている。特に、本実施形態では、機械学習モデルを用いた画像認識技術を採用しており、ここでは機械学習モデルの一例として、畳み込みニューラルネットワーク（ＣＮＮ）を用いたものを採用する。

以上から、記憶部６４は、各種プログラムとして、学習済みＸ線画像データ解析プログラムＧＡを有している。学習済みＸ線画像データ解析プログラムＧＡには、例えば、Ｘ線検査装置１０で取得したＸ線画像ＧＩｃを処理可能なものとするための各種画像処理を行うＸ線画像データ処理プログラムＸＰと、畳み込み処理プログラムＣＰと、危険物判定結果出力プログラムＲＯとを有する。このほか、解析結果に基づき、対象となる危険物についての重なりマップを作成する重なりマップ作成プログラムＯＭや、対象となる危険物についての形状マップを作成する形状マップ作成プログラムＦＭを有する。

また、記憶部６４は、各種データの格納部として、Ｘ線画像ＧＩｃに関するデータを格納（保存）するＸ線画像データ格納部ＸＧと、危険物判定結果出力プログラムＲＯに基づいて出力される解析結果を格納する危険物解析結果格納部ＡＲと、各種パラメータを格納するパラメータデータ格納部ＰＭと、各種閾値のデータを格納する閾値データ格納部ＴＨとを有する。なお、例えば、パラメータデータ格納部ＰＭには、Ｘ線画像ＧＩｃにおける画像中の濃淡から各位置での確信度を設定するための換算表（テーブルデータ）あるいは関数データ等を格納する確信度設定データ格納部ＣＤが含まれている。

Ｘ線画像データ処理プログラムＸＰは、例えば既存のＣＮＮにおける画像認識と同様に、Ｘ線画像データ格納部ＸＧに格納されたＸ線画像ＧＩｃに映し出されている物体の形状や位置、サイズ等を抽出して、これらに基づく画像中の物体認識を行うための畳み込み処理を含む各種処理がなされる。特に、本実施形態では、こうした通常の画像認識に採用される物体の形状や位置、サイズ等の情報に加えて、通常の画像では捉えられないＸ線画像ＧＩｃ中の画像の濃淡についての情報を、画像認識のための解析を行う上で加味している。特に、本実施形態では、既述のように、物体同士の重なり具合に伴う濃淡の状況を加味して画像認識を行うものとしている。このため、Ｘ線画像データ処理プログラムＸＰには、物体の重なり度合のデータを抽出する重なり度合抽出プログラムＯＥと、重なり度合の指標としての確信度を設定する確信度設定プログラムＣＳとが含まれている。

重なり度合抽出プログラムＯＥは、検査対象たる荷物（手荷物）ＢＡ（図１参照）のＸ線画像ＧＩｃにおける複数の物体ＯＢの重なり度合のデータを抽出するためのプログラムであり、主制御部６０は、記憶部から重なり度合抽出プログラムＯＥを読み出すことで、当該重なり度合のデータを抽出する重なり度合抽出部として機能する。

確信度設定プログラムＣＳは、重なり度合抽出プログラムＯＥによって抽出された重なり度合のデータすなわち画像の濃淡度合に関するデータについて、確信度を設定する。具体的には、確信度設定データ格納部ＣＤに格納された換算表等を利用して、画像の濃淡に基づき、画像中の各箇所における重なり度合を勘案した危険物である可能性の高さを、０〜１の間で多段階に定めた相対値で規定する。

畳み込み処理プログラムＣＰは、ＣＮＮにおける中核的な処理を行うためのプログラムであり、中間層（隠れ層）における深層学習に基づく各種データ解析等を行う。なお、この際にも、画像の濃淡度合に関するデータとしての確信度についての情報が取扱い対象に含まれている。

危険物判定結果出力プログラムＲＯは、中間層から出力層への処理を担い、特定対象物たる各種危険物に関する判定結果を出力するための各種プログラムが格納されている。ここでは、一例として、特定対象物としての危険物には、刃物及び爆発物のほか、例えば銃や可燃性液体等を含むものとする。このため、危険物判定結果出力プログラムＲＯには、例えば銃刀判定プログラムＧＪを構成する刃物判定プログラムＧＪａや、銃判定プログラムＧＪｂ、あるいは、爆発物判定プログラムＥＪや、可燃性液体判定プログラムＬＪが含まれている。すなわち、本実施形態では、危険物の有無に関する判定を、各プログラムごとにおいて、危険物の種類ごとに定めた閾値に基づいて行うことができる。

また、上記に対応して、危険物解析結果格納部ＡＲには、刃物検出データ格納部ＧＤａ、銃検出データ格納部ＧＤｂ、爆発物検出データ格納部ＥＤ及び可燃性液体検出データ格納部ＬＤが設けられている。

以下、図４の概念図を参照して、上述した構成の特定対象物検出装置１００における特定対象物たる危険物の検出方法について概要を説明する。まず、図中において、画像ＧＩは、危険物を含む物体が重なった状態の画像についての一例であり、図示の例では、危険物である物体ＯＢの一例としてのナイフ（刃物）ＯＢａと、危険物でない物体ＯＢ（非危険物）の一例としての水筒ＯＢｂとが捉えられている。つまり、画像ＧＩは、可視画像すなわち通常のカメラによる撮像画像の一例であり、この場合、危険物であるナイフＯＢａのうち特に危険な箇所である刃の部分についての部分画像（以下、危険部分画像ＳＯとする）を的確に捉えることが重要となる。図示の場合、危険部分画像ＳＯの一部が、非危険物である水筒ＯＢｂの一部と重畳した状態となっている。この場合、危険部分画像ＳＯのうち、水筒ＯＢｂと重なっている部分と重なっていない部分とで、Ｘ線画像ＧＩｃ（図５（Ｂ）等参照）の濃淡に差異が生じる。本実施形態では、このような物体の重なりに関して重なり度合のデータとして抽出するとともに、重なり度合の指標としての確信度を規定し、規定された確信度を利用して危険物に関する判定を行っている。すなわち、確信度を加味した画像認識により、危険物の種類や有無、画像中（すなわち荷物ＢＡ中）の位置や、危険物の大きさ等について判定している。

なお、危険物に関する解析は、上記した刃物（ナイフ）についての一例に限らず、他の危険物（爆発物等）についても可能であるが、以下では、刃物を危険物の代表的一例として説明し、他のものについては、詳細な説明を省略する。

以下、図５等を参照して、上記のような特定対象物検出装置１００による特定対象物検出を可能にするための学習過程の一例について説明する。なお、図５（Ａ）及び図５（Ｂ）は、特定対象物検出を可能にするための学習用画像について一例を示す画像図である。ここでは、既述のように、特定対象物たる危険物に関する判定を可能とするための学習用画像の情報として、画像中における危険物の位置及び大きさに加え、危険物に対する物体の重なり度合の指標としての確信度を含む態様となっている。

以下において、図示のように、学習用画像の典型例として、予め危険物について特定されている（分かっている）サンプルとして、元画像としての画像（通常の可視画像）ＧＩやそれに対応するＸ線画像ＧＩｃと、これらについて画像中の確信度を定めた重なりマップＧＩｏとを多数用意し、これらを基に学習させるものとする。図５（Ａ）は、危険物であるナイフ（刃物）ＯＢａと危険物でない水筒ＯＢｂとが重なっていない状態のサンプル画像を示しており、図５（Ｂ）は、重なっている状態のサンプル画像を示している。したがって、例えば、図５（Ａ）では、ナイフＯＢａについて、画像ＧＩあるいはＸ線画像ＧＩｃにおける危険部分画像ＳＯが占めるべき領域全体に亘って、刃物がそのままの濃度の画像として捉えられている。この場合、危険部分画像ＳＯにおいて確信度１（最大値）とする一方、危険部分画像ＳＯ以外の領域を確信度０（最小値）として、物体の重なり具合に応じた重なりマップＧＩｏが準備される。

これに対して、図５（Ｂ）では、ナイフＯＢａについて、画像ＧＩあるいはＸ線画像ＧＩｃにおける危険部分画像ＳＯが占めるべき領域のうち、一部の領域で他の物体（水筒ＯＢｂ）が重なっている。すなわち、一部の領域ＳＯａでは、刃物がそのままの濃度の画像として捉えられているが、他の一部の領域ＳＯｂでは、水筒ＯＢｂと重なっており、その分画像として暗くなっている。本実施形態では、領域ＳＯａのような箇所について、画像の濃度に応じて、確信度を０より大きくかつ１より小さい値で適宜定め、重なりマップＧＩｏを準備し、学習用のサンプル画像としている。

本実施形態では、図５（Ａ）のような例のみならず、図５（Ｂ）のような例であっても、これを危険物として捉えられるように、学習させることで、特定対象物検出装置１００に搭載可能な画像認識エンジンの作成が可能となる。

以下、図６等を参照して、上記のような学習用画像となるサンプル画像の準備の手法について、一例を説明する。図６は、手動による学習用画像の準備の一例を説明するための画像図である。すなわち、元画像である画像ＧＩと対応するＸ線画像ＧＩｃとを人間の眼で見比べて、危険部分画像ＳＯや危険部分画像ＳＯのうち、重畳の無い領域ＳＯａや重畳のある領域ＳＯｂを画定し、各領域について、確信度を設定することで、重なりマップＧＩｏを作成する。

図６の一例においても、図５（Ｂ）の例において説明した場合と同様、ナイフＯＢａの刃の部分と水筒ＯＢｂとの重なりを有する領域ＳＯｂについて、確信度を０より大きくかつ１より小さい値とする。ここでは一例として、領域ＳＯｂに対応する画像中の各画素の確信度を０．５とする。なお、危険部分画像ＳＯのうち、水筒ＯＢｂとの重なりが無い領域ＳＯａについては、各画素の確信度を１とし、危険部分画像ＳＯ以外の領域については、各画素の確信度を０とする。以上のようにして作成された画素単位での確信度のマップデータで構成される重なりマップＧＩｏと、元画像とを学習用画像の材料とすることで、画像認識エンジンすなわち学習済みＸ線画像データ解析プログラムＧＡ（図３参照）を構成する各種プログラムが作成される。すなわち、上記の場合、学習用画像の情報としての重なり度合の指標である確信度が、学習用画像に含まれる特定対象物たる危険物（ここでは刃物）について、他の物体である水筒ＯＢｂとの重なり度合に応じて領域ＳＯａ，ＳＯｂごとに定めた相対的な数値となっている。

以下、図７を参照して、学習用画像の準備の他の一例を説明する。図７の例では、学習用画像の準備が一部自動化されている。

図７に示す一例では、２つの非危険物として水筒ＯＢｂと棒ＯＢｃが、ナイフＯＢａの危険部分画像ＳＯと重なっている。この場合、Ｘ線画像ＧＩｃに対応する重なりマップＧＩｏにおいてハッチングして示すように、危険部分画像ＳＯと水筒ＯＢｂとが重なる領域ＳＯｂと、危険部分画像ＳＯと棒ＯＢｃとが重なる領域ＳＯｃとでは、濃度が異なる可能性がある。また、より詳細に調べれば、例えば領域ＳＯｂ内においても場所によって濃度が異なっている可能性がある。これに対して、ここでの一例では、各領域ＳＯ，ＳＯａ，ＳＯｂ，ＳＯｃの画定までは、人が目で確認して行い、画像中の各領域ＳＯ，ＳＯａ，ＳＯｂ，ＳＯｃの各点における確信度については、各点に対応する画像の濃度に応じて、自動的に設定してもよい。すなわち、重なり度合の指標としての確信度が、特定対象物たる危険物（ここでは刃物）の濃度として規定した濃度に対する相対的な値として画像中の各点において自動的に定まる数値であるようにしてもよい。

図８は、画像の濃度に対する確信度の設定方法について一例を説明するためのグラフである。既述のように、ここでの一例では、画像の濃度に対して、危険物に関する確信度を０〜１の間の範囲で数値を設定している。確信度の設定は、他の物体との重なりが無い危険部位（ナイフ等の刃の部分）における画像の濃度、すなわち危険部位の単体での濃度となる箇所を、当該危険物（刃物）としての確信度１とし、これよりも暗くなる（濃度が下がる）のに従って、確信度が下がるように設定する。図８の例では、画像の濃度と確信度とが比例的に増減するように設定した場合を例示している。

図９（Ａ）〜図９（Ｃ）は、上記のような画像の濃度に対する確信度の設定方法についてのより具体的な例を示すグラフである。ここでは、画像の濃度が０〜２５５までの階調を有するものとし、危険部位の単体での濃度が、上記階調のうち１００となるものとしている。この場合、図９（Ａ）に示す一例のように、図８に示すグラフと同様、画像の濃度と確信度とが比例的に増減するように設定することが考えられる。この場合、例えば、図７に示す領域ＳＯｂや領域ＳＯｃの各画素において、画像の濃度が４０であったとすると、その画素における確信度は、０．４に自動的に設定されることになる。なお、この他、例えば図９（Ｂ）に示す他の一例のように、階段状に値を規定することで、濃度がある程度の範囲内であれば、確信度は一定であるようにしてもよい。また、例えば図９（Ｃ）に示す他の一例のように、図９（Ａ）の場合と異なり、比例的ではない変化のさせ方をしてもよい。

以下、図１０等を参照して、上記のような学習過程あるいは学習済みのモデルによる解析に際して適用されるニューラルネットワーク処理について一例を説明する。

図１０は、ニューラルネットワークを利用したデータの加工から出力までの一連の処理について一例を説明するための概念図である。また、図１１（Ａ）〜図１１（Ｃ）は、ニューラルネットワークによる処理の様子を示す概念図である。

まず、図１０に示すように、ニューラルネットワークでは、入力と出力の間に複数の中間層１〜中間層Ｎを設け、層から層へ計算しながら出力を定める。このため、まず、前提として、Ｘ線画像データ処理プログラムＸＰ（図３参照）を利用することで、画像解析が可能な状態のＸ線画像ＧＩｃが、入力層として準備される。次に、畳み込み処理プログラムＣＰを利用することで、中間層１〜中間層Ｎまでの処理が施され、危険物判定結果出力プログラムＲＯを利用することで、中間層のうち最終のものである中間層Ｎから出力層が得られる。

上記のうち、畳み込み処理プログラムＣＰを利用した畳み込み処理については、例えば図１１（Ａ）〜図１１（Ｃ）に例示するように、層と層の間の計算では、畳み込みフィルタを使用する。畳み込みフィルタは２次元のブロック状になっており、各位置の重みｗ（ｉ，ｊ）をもっている。

ここでは、一例として、畳み込みフィルタのサイズが３×３の場合における中間層ｎと中間層ｎ＋１間の計算を考える。中間層ｎの位置（ｘ，ｙ）の画素をＩ_ｎ（ｘ，ｙ）とすると、中間層ｎ＋１の位置の画素Ｉ_ｎ＋１（ｘ，ｙ）は、

となる。
なお、中間層１〜中間層Ｎまでの処理については、既存の種々の手法を適用でき、畳み込み処理以外のパディング処理やプーリング処理等の各種手法が併せて用いられてもよい。

図１０に戻って、上記のような畳み込み処理を経て、危険物判定結果出力プログラムＲＯ（図３参照）を利用して、最後の中間層である中間層Ｎから、最終結果（特定対象物検出装置１００による推定結果）である出力層として出力された各種危険物に関して、それぞれ検出の有無や、検出位置（画像中の座標位置）、分類クラスすなわち危険物の種類等が、その可能性とともに出力される。すなわち、上記のようにして、特定対象物検出装置１００での処理により危険物として判定された（推定された）結果が、どの程度の確かさであるかが示される。特に、本実施形態では、重なりマップに示される危険物可能性としての重なり確信度や、形状マップに示される危険物可能性としての形状確信度としてこれらの値が示される。なお、重なりマップや形状マップについては、特定対象物検出装置１００による推定結果に基づいて、重なりマップ作成プログラムＯＭや形状マップ作成プログラムＦＭで作成され、図１２に例示するように、可視化された画像として出力されてもよい。図１２（Ａ）には、元画像あるいは画像認識処理前のＸ線画像ＧＩｃが示されており、これに対して、図１２（Ｂ）に、Ｘ線画像ＧＩｃに対応する重なりマップＧＩｏが示されている。すなわち、特定対象物検出装置１００による画像認識処理の結果、水筒との重なり状況を含めたナイフの刃の部分が抽出された状態で表示される。この場合、当該箇所が危険物（刃物）である可能性が高いものとして示される。このときの特定対象物検出装置１００による推定に基づく可能性の高さを、ここでは重なり確信度と呼んでいる。

同様に、図１２（Ｃ）に、図１２（Ａ）に示すＸ線画像ＧＩｃに対応する形状マップＧＩｆが示されている。すなわち、特定対象物検出装置１００による画像認識処理の結果、ナイフの刃の部分の形状が抽出された状態で表示されており、このときの可能性の高さを、ここでは形状確信度と呼んでいる。この場合、形状確信度は、予め定められた刃物の長さや、幅、大きさ（サイズ）等との比較から形状確信度を定めることができる。

なお、重なり確信度や形状確信度が出力されれば、目的としては足りると考えられるが、これらに加え、重なりマップＧＩｏや形状マップＧＩｆが、必要に応じで、重なりマップ作成プログラムＯＭや形状マップ作成プログラムＦＭを適宜読み出すことで、作成されてもよい。すなわち、特定対象物たる危険物に関する判定結果として、Ｘ線画像ＧＩｃに含まれる危険物についての他の物体との重なり状況を示す重なりマップＧＩｏを出力する態様としてもよい。

以下、図１３のフローチャートを参照して、特定対象物検出を可能にするための学習段階での処理の一例について説明する。上記のような特定対象物検出装置１００による画像認識処理において、判定結果が妥当なものとなるためには、学習が必要であり、ここでは、既述の手法に加え、上述した画像の濃度に関する情報を学習用のサンプルとして与えている。

学習過程における特定対象物検出装置１００、いわば未完の状態にある特定対象物検出装置１００において、まず、上記のようなサンプルとなる学習画像を入力し（ステップＳ１０１）、さらに、当該画像における重なり度合を入力する（ステップＳ１０２）。特定対象物検出装置１００は、必要に応じて画像認識処理を行う際の各種パラメータを更新して、ステップＳ１０１及びステップＳ１０２での入力値に基づく画像認識処理を行い（ステップＳ１０３）、出力結果について、反復終了条件を満たしたか否かを確認する（ステップＳ１０４）。ステップＳ１０４において、反復終了条件を満たした（ステップＳ１０４：Ｙｅｓ）場合、十分な学習が行われたものとし、学習処理を終了する。すなわち、特定対象物検出装置１００として完成する。一方、ステップＳ１０４において、反復終了条件を満たしていない（ステップＳ１０４：Ｎｏ）場合、学習が不十分であるものとし、ステップＳ１０３における各種パラメータを更新した上で、画像認識処理を行い（ステップＳ１０３）、出力結果について、反復終了条件を満たしたか否かを確認する（ステップＳ１０４）。以上の動作を、反復終了条件を満たすまで繰り返すことで、所望の条件を満たす学習エンジン延いては特定対象物検出装置１００が完成する。

以下、上記した反復終了条件に関して、図１４を参照して、一例を説明する。反復終了条件については、種々の設定をとることが考えられ、例えば、反復回数（ステップＳ１０３及びＳ１０４の処理回数）が閾値を超えた場合や、予め設定した誤差が閾値未満となった場合に終了とすることが考えられる。なお、上記に例示した２つの条件については、いずれか一つを用いても、複数組み合わせてもよい。

図１４の一例では、後者の一例について示すものである。例えば、予め最終の中間層Ｎを経て出力層として出力されるべき結果が分かっている場合すなわち正解ＶＩが分かっている場合に、特定対象物検出装置１００を用いて得た最終結果Ｖと正解ＶＩとの誤差が予め定めた閾値内に収まっていれば条件を満たしたことにする、という手法を示している。例えば、図示のように、最終結果Ｖ及び正解ＶＩが、
Ｖ＝（ｖ_１，ｖ_２，…，ｖ_１０）
ＶＩ＝（ｖｉ_１，ｖｉ_２，…，ｖｉ_１０）
と、１０個の数値の組で表現されるような場合において、予め定めた閾値ΔＶに対して、
ΔＶ≧√Σ（ｖ_ｋ−ｖｉ_ｋ）^２
（ｋ＝１，２，…１０）
となることを条件とすることができる。

また、例えば学習用画像との誤差が閾値未満となった場合に終了とする、といったことも考えられる。

以下、図１５のフローチャートを参照して、上記のような学習段階を経て完成した特定対象物検出装置１００すなわち学習済みの特定対象物検出装置による判定処理の一例を説明する。

学習済みの特定対象物検出装置１００において、検査対象となるＸ線画像ＧＩｃを入力する（ステップＳ２０１）。ステップＳ２０１において、危険物が検出された場合には（ステップＳ２０２：Ｙｅｓ）、当該危険物として検出された箇所の位置や、確信度（重なり確信度や形状確信度）を表示部ＤＰに出力する（ステップＳ２０３）。一方、ステップＳ２０２において、危険物が検出されない場合には（ステップＳ２０２：Ｎｏ）、検出位置や確信度（重なり確信度や形状確信度）を出力することなく動作を終了する。なお、この場合、危険物が検出されなかった旨を出力してもよい。

以上のように、本実施形態に係る特定対象物検出方法及びこれを用いた特定対象物検出装置１００では、検査対象のＸ線画像ＧＩｃにおける物体ＯＢの重なり度合のデータを抽出し、重なり度合の指標としての確信度に基づき、抽出した重なり度合のデータを利用して検査対象における特定対象物である危険物に関して判定する。

上記方法又は特定対象物検出装置１００では、抽出した重なり度合のデータについて、重なり度合の指標に基づき、検査対象における特定対象物に関して判定を行うことで、例えば検査対象中における特定対象物の有無や、種類、位置、大きさ等を確実かつ迅速に判定できる。

以下、図１６及び図１７を参照して、特定対象物検出を可能にするための学習段階での処理についてより具体的な一例を説明する。

図１６は、学習段階でのニューラルネットワークにおけるパラメータの更新方法について一例を示すフローチャートであり、図１７（Ａ）〜図１７（Ｃ）は、図１６に示す動作のうち、パラメータの更新について説明するための概念図である。なお、ここでの一例は、図１３のフローチャート等を参照して示した一例のより具体的な一例でもある。

ここでは、まず、前提として、図１２（Ａ）〜図１２（Ｃ）に例示した元画像としてのＸ線画像ＧＩｃと、これに対応する重なりマップＧＩｏ及び形状マップＧＩｆの３種類として、既知のデータが、すなわち正解が分かっているものが、１セット予め準備されているものとし、これをまず、セットする（ステップＳ３０１）。なお、以上の動作は、図１３のステップＳ１０１の学習画像入力からステップＳ１０３における画像認識処理のための準備段階までに相当する。次に、ステップＳ３０１においてセットしたもののうち、元画像としてのＸ線画像ＧＩｃについて、学習過程における特定対象物検出装置１００（未完の状態にある特定対象物検出装置１００）によるニューラルネットワークによる層から層へ計算しながら出力を定める、すなわち、画像認識処理を行う（ステップＳ３０２）。なお、ここでは、ステップＳ３０２における上記処理（あるいは処理のための各種計算）を、順方向計算と呼ぶ。次に、ステップＳ３０２での処理結果（推定値）について、誤差の算出を行う（ステップＳ３０３）。ここでの算出方法としては、ステップＳ３０２での処理結果と、ステップＳ３０１において予めセットされた重なりマップＧＩｏ及び形状マップＧＩｆとを比較することが考えられる。より具体的には、例えば予めセットされた重なりマップＧＩｏ及び形状マップＧＩｆを、出力層の形式に変換し、図１４の一例の場合のように、ステップＳ３０２での処理結果（推定値）との二乗誤差を算出することが考えられる。

あるいは、ステップＳ３０２での処理結果（推定値）すなわち出力層として取得されたものから、図３の重なりマップ作成プログラムＯＭや形状マップ作成プログラムＦＭを利用して、重なりマップや形状マップを作成し、予めセットされた重なりマップＧＩｏ及び形状マップＧＩｆとの二乗誤差を算出することも考えられる。

ステップＳ３０３での誤差の算出結果から、出力結果について、反復終了条件を満たしたか否かを確認する（ステップＳ３０４）。ステップＳ３０４において、反復終了条件を満たした（ステップＳ３０４：Ｙｅｓ）場合、学習処理を終了する一方、反復終了条件を満たしていない（ステップＳ３０４：Ｎｏ）場合、反復処理を継続し、各種パラメータを更新すべく、逆方向計算の処理を行う（ステップＳ３０５）。

ステップＳ３０５の逆方向計算については、例えば、図１７（Ａ）〜図１７（Ｃ）に例示するように、反復処理を継続する場合、モデルを逆方向に計算ながらパラメータを更新する。中間層ｎ＋１の各画素の誤差ΔＩ_ｎ＋１から中間層ｎの誤差ΔＩ_ｎ、畳み込みフィルタの誤差Δｗ_ｎを算出する。ΔＩ_ｎ＋１を用いてΔＩ_ｎ，Δｗ_ｎは、

と表される。なお、誤差ΔＩ_ｎ（ｘ，ｙ）は、中間層ｎ−１と中間層ｎとの間での計算に用いられる。誤差Δｗ_ｎ（ｉ，ｊ）を用いて、パラメータを次のように更新する。

ここでαは、学習率を表し、α＝０．００１のように０に近い正の値を用いる。また、上式において、上付きの添え字ｔは、反復回数について示すものであり、左辺に示す反復による新たな重みｗ^ｔ＋１ _ｎ（ｉ，ｊ）を、右辺に示す１回目前の反復における重みｗ^ｔ _ｎ（ｉ，ｊ）等によって規定している。

また、上記の逆方向計算では、前提として、最初に、出力層の誤差から、中間層Ｎの画像の誤差ΔＩ_Nを算出している。その後、ΔＩ_Ｎと上記演算式とを用いて更新を行う。すなわち、ΔＩ_Ｎを用いて畳み込みフィルタの重みΔｗ_Ｎ−１を更新し、中間層Ｎ−１の誤差ΔＩ_Ｎ−１を算出する。さらに、畳み込みフィルタの誤差Δｗ_Ｎ−１を用いて、重みｗ_Ｎ−１を更新する。上記のような処理を、ｎ＝Ｎ−１から１まで１ずつ減らしながら計算することで、畳み込みフィルタの重みｗ_１，ｗ_２，…，ｗ_Ｎ−１を更新する。

なお、以上のステップＳ３０２からステップＳ３０５までの処理は、図１３のステップＳ１０３における画像認識処理の実態的内容やステップＳ１０４の反復終了条件の判定処理に相当する。

以下、図１８のフローチャートを参照して、特定対象物検出装置１００の一変形例の動作について説明する。特定対象物検出装置１００のうち、Ｘ線検査装置１０による画像取得では、荷物ＢＡ中の物体ＯＢを捉えるに際して、荷物ＢＡそのものも検査対象すなわち撮像対象となっている。そこで、図１８に示すように、まず、画像入力された場合に（ステップＳ４０１）、Ｘ線画像ＧＩｃのうち荷物ＢＡについての範囲判定（第１判定）をし（ステップＳ４０２）、これを踏まえた上で、その内側の領域にあるものを検査対象の物体ＯＢすなわち荷物ＢＡの中身として捉える、すなわち危険物の判定（第２判定）をする（ステップＳ４０３）、という二段階の判定を行うものとしてもよい。

〔その他〕
この発明は、上記の各実施形態に限られるものではなく、その要旨を逸脱しない範囲において種々の態様で実施することが可能である。

上記実施形態中の変形例等について、必要に応じて適宜組み合わせた態様とすることができる。

上記実施形態では、判定対象として、銃刀や爆発物、可燃性液体の有無について例示したが、これらに限らず、他のものを判定対象としてもよい。すなわち、特定対象物を他の危険物としたり、あるいは、危険物以外のものとしたりしてもよい。あるいは、上記のうちの一部のみを対象としてもよい。

また、必要とされる安全性の確保とスループットの要請等に応じて、検査項目や危険度の閾値設定を種々変更可能な態様としてもよい。また、例えばカッターナイフ等まで銃刀に含むかといったことについても、検出すべき対象のサイズ等を適宜設定すること等で対応可能である。より具体的に説明すると、例えば、危険物検出の判定には、判定のための各種処理たる推論処理の結果として出力される検出の有無や位置、確信度を用いているが、検出対象の分類クラスに応じて閾値を変えてもよい。すなわち、危険物が刃物である場合と爆発物である場合とで、確信度やその閾値を適宜変更してもよい。例えば確信度が閾値を超えていることを条件とし、この際、分類クラスに応じて閾値を異なるものとしてもよい。また、例えば検出の大きさが予め定めた閾値を超えていることを条件としてもよい。この場合、例えば、大きいもののみを検出することで、誤検出、すなわち検出対象以外を検出してしまうことを減らせる。なお、これらの各種値については、パラメータデータ格納部ＰＭや閾値データ格納部ＴＨに保存される。

上記実施形態では、特定対象物検出装置１００により荷物ＢＡを検査することについてのみ説明したが、例えば、特定対象物検出装置１００に加え、荷物ＢＡの持ち主すなわち入場しようとする対象者についての身体監視装置を併存させる態様とすることも考えられる。

１０…Ｘ線検査装置、１１…Ｘ線源、１２…Ｘ線センサ部、１５…遮蔽ボックス、２０…コンベア、５０…制御装置、６０…主制御部、６１…Ｘ線照射制御部、６１…記憶部、６２…Ｘ線データ検出部、６３…画像処理部、６４…記憶部、７０…操作部、１００…特定対象物検出装置、Ａ１…矢印、ＡＲ…危険物解析結果格納部、ＢＡ…荷物（手荷物）、ＣＤ…確信度設定データ格納部、ＣＰ…畳み込み処理プログラム、ＣＳ…確信度設定プログラム、ＤＤ…領域、ＤＤｔ…全体領域、ＤＰ…表示部、ＥＤ…爆発物検出データ格納部、ＥＪ…爆発物判定プログラム、ＦＭ…形状マップ作成プログラム、ＧＡ…習済みＸ線画像データ解析プログラム、ＧＤａ…刃物検出データ格納部、ＧＤｂ…銃検出データ格納部、ＧＩ…画像、ＧＩｃ…Ｘ線画像、ＧＩｆ…形状マップ、ＧＩｏ…重なりマップ、ＧＪ…銃刀判定プログラム、ＧＪａ…刃物判定プログラム、ＧＪｂ…銃判定プログラム、Ｉｎ…画素、ＬＤ…可燃性液体検出データ格納部、ＬＪ…可燃性液体判定プログラム、Ｎ…中間層１〜中間層、Ｎ…中間層、ＯＢ…物体、ＯＢａ…ナイフ（刃物）、ＯＢｂ…水筒、ＯＢｃ…棒、ＯＥ…重なり度合抽出プログラム、ＯＭ…重なりマップ作成プログラム、ＰＭ…パラメータデータ格納部、ＲＬ…Ｘ線、ＲＯ…危険物判定結果出力プログラム、ＳＥ…搬入検知センサ、ＳＧ…スキャン画像、ＳＯ…危険部分画像、ＳＯａ，ＳＯａ，ＳＯｂ…領域、ＴＨ…閾値データ格納部、Ｖ…最終結果、ＶＩ…正解、ＸＧ…Ｘ線画像データ格納部、ＸＰ…Ｘ線画像データ処理プログラム、ｔ_１〜ｔ_ｎ…時間

Claims (9)

1. 検査対象のＸ線画像における物体の重なり度合のデータを抽出し、
   重なり度合の指標に基づき、抽出した前記重なり度合のデータを利用して前記検査対象における特定対象物に関して判定する、
   特定対象物検出方法。
2. 前記重なり度合の指標は、前記特定対象物の画像の濃度に対する相対値を多段階で設定した確信度である、請求項１に記載の特定対象物検出方法。
3. 前記特定対象物に関する判定結果として、前記Ｘ線画像に含まれる前記特定対象物についての他の物体との重なり状況を示す重なりマップを出力する、請求項１及び２のいずれか一項に記載の特定対象物検出方法。
4. 前記特定対象物の有無、種類、位置及び大きさについて判定する、請求項１〜３のいずれか一項に記載の特定対象物検出方法。
5. 前記特定対象物に関する判定を可能とするための学習用画像の情報として、画像中における前記特定対象物の位置及び大きさに加え、前記特定対象物に対する物体の重なり度合の指標を含む、請求項１〜４のいずれか一項に記載の特定対象物検出方法。
6. 前記学習用画像の情報としての前記重なり度合の指標は、前記学習用画像に含まれる前記特定対象物について、他の物体との重なり度合に応じて領域ごとに定めた相対的な数値である、請求項５に記載の特定対象物検出方法。
7. 前記学習用画像の情報としての前記重なり度合の指標は、前記特定対象物の濃度として規定した濃度に対する相対的な値として画像中の各点において自動的に定まる数値である、請求項５に記載の特定対象物検出方法。
8. 前記検査対象は、手荷物であり、
   前記特定対象物は、刃物及び爆発物を含む危険物であり、
   前記危険物の有無に関する判定を、前記危険物の種類ごとに定めた閾値に基づいて行う、請求項１〜７のいずれか一項に記載の特定対象物検出方法。
9. 検査対象のＸ線画像における物体の重なり度合のデータを抽出する重なり度合抽出部と、
   重なり度合の指標を格納し、前記重なり度合の指標に基づいて、前記重なり度合抽出部において抽出した前記重なり度合のデータを利用して、前記検査対象における特定対象物に関して判定する判定部と
   を備える特定対象物検出装置。

Images