KR101811270B1 - 화물을 검사하는 방법 및 그 시스템 - Google Patents
화물을 검사하는 방법 및 그 시스템 Download PDFInfo
- Publication number
- KR101811270B1 KR101811270B1 KR1020167026867A KR20167026867A KR101811270B1 KR 101811270 B1 KR101811270 B1 KR 101811270B1 KR 1020167026867 A KR1020167026867 A KR 1020167026867A KR 20167026867 A KR20167026867 A KR 20167026867A KR 101811270 B1 KR101811270 B1 KR 101811270B1
- Authority
- KR
- South Korea
- Prior art keywords
- cargo
- information
- probability
- type
- image
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 39
- 230000008676 import Effects 0.000 claims description 38
- 238000009826 distribution Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 239000000463 material Substances 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 15
- 230000009977 dual effect Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims description 2
- 238000009877 rendering Methods 0.000 claims 1
- 239000000203 mixture Substances 0.000 description 13
- 230000005855 radiation Effects 0.000 description 13
- 238000007689 inspection Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 239000000523 sample Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013178 mathematical model 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
- 239000013307 optical fiber Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V5/00—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity
- G01V5/20—Detecting prohibited goods, e.g. weapons, explosives, hazardous substances, contraband or smuggled objects
- G01V5/22—Active interrogation, i.e. by irradiating objects or goods using external radiation sources, e.g. using gamma rays or cosmic rays
-
- 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
- G01N23/043—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 using fluoroscopic examination, with visual observation or video transmission of fluoroscopic images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G06K9/6215—
-
- G06K9/6267—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- High Energy & Nuclear Physics (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Multimedia (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
본 발명은 화물을 검사하는 방법 및 그 시스템을 개시한다. 상기 방법은, 피검사화물의 투과 이미지를 취득하는 단계; 상기 투과 이미지를 처리하여 관심영역을 얻는 단계; 상기 관심영역으로부터 특징을 추출하여, 추출된 특징에 의해 상기 피검사화물의 화물정보를 결정하는 단계; 및 결정된 화물정보 및 세관신고서 중의 적어도 일부 정보를 기반으로, 해당 화물에 대한 추천처리의견을 제공하는 단계; 를 포함한다. 상기 기술안에 의하면, 도면분석 담당자로 하여금 해당 화물이 통관 가능한지를 정확하게 판단할 수 있도록 한다.
Description
본 발명의 실시 예는 화물 검사에 관한 것으로, 보다 상세하게는, 화물의 복사선 이미지에 의한 화물 검사에 관한 것이다.
현재, 복사선 보안검색 분야에 있어서, X 레이 이미지에 대한 분석은 단지 듀얼 에너지 재료 식별, 실크 분별, 투과 테스트 등에 머물고 있다. 이는 보안요원에게 화물의 재료 조성, 형태 등과 같은 화물에 대한 가장 기초적인 정보밖에 제공할 수 없다. 하지만, "화물이 세관에 신고된 화물과 일치?", "은닉하기 쉬운 영역은 어디?", "이 기간 내에 해당 회사로부터 이 나라로 해당 화물을 운송하는데 이상이 없음?", "옆에 쌓여 있는 작은 더미의 화물은 무엇?" 등 의문에 해답을 줄 수가 없다. 현재, 이러한 의문에 대해서는 보안요원의 풍부한 경험과 이미지 내용에 대한 자세한 추정에 의해서만 해답을 줄 수 있다. 세관 통관량의 증가에 따라, 지능적인 해결방법에 대한 모색은 피할 수 없는 과제로 부상하고 있다.
본 발명은 종래기술 중의 하나 또는 복수의 문제점을 해결하기 위한 것으로, 지능적인 추정을 통하여 처리의견을 제공할 수 있는 화물을 검사하는 방법 및 그 시스템을 제공한다.
본 발명의 일 측면에 따르면, 화물을 검사하는 방법에 있어서, 피검사화물의 투과 이미지를 취득하는 단계; 상기 투과 이미지를 처리하여 관심영역을 얻는 단계; 상기 관심영역으로부터 특징을 추출하여, 추출된 특징에 의해 상기 피검사화물의 화물정보를 결정하는 단계; 및 결정된 화물정보 및 세관신고서 중의 적어도 일부 정보를 기반으로, 해당 화물에 대한 추천처리의견을 제공하는 단계; 를 포함한다.
바람직하게는, 상기 화물정보는 구체적으로 화물의 적재모드이고, 상기 관심영역으로부터 특징을 추출하는 단계는, 상기 관심영역으로부터 피검사화물의 적재모드의 묘사정보를 추출하는 단계를 포함하는데, 여기서, 상기 묘사정보를 기반으로, 상기 투과 이미지의 관심영역 중의 화물의 적재모드의 확율을 결정한다.
바람직하게는, 상기 관심영역으로부터 피검사화물의 적재모드의 묘사정보를 추출하는 단계는, 관심영역을 구획하여, 구획된 영역 이미지에 대해 엣지추출을 행하는 단계; 추출된 엣지 중의 유효위치로부터 텍스처 특징을 추출하는 단계; 및 훈련 이미지 샘플을 기반으로 구축된 사전으로부터 상기 텍스처 특징에 가장 가까운 원소를 검색하여, 상기 영역의 히스토그램 묘사특징을 얻는 단계; 를 포함한다.
바람직하게는, 사전을 구축함에 있어서, 각각의 샘플 이미지에 대해 등간격 샘플링을 행하여, 각각의 위치로부터 텍스처 특징을 추출하고, 모든 위치로부터 추출된 텍스처 특징에 대해 클러스터링하여, 복수 개의 클러스터링 중심의 특징묘사를 얻음으로써, 사전을 구축한다.
바람직하게는, 상기 피검사화물의 화물 영역을 추출하고, 역치 제한을 통하여 화물이 없는 영역을 제거하여, 관심영역을 결정한다.
바람직하게는, 결정된 화물정보 및 세관신고서 중의 적어도 일부 정보를 기반으로, 해당 화물에 대한 추천처리의견을 제공하는 단계는, 세관신고서 중의 적재모드를 조건으로 얻은 화물유형 확율에 투과 이미지를 기반으로 추측된 적재모드를 조건으로 얻은 세관신고서 중의 적재모드의 확율을 곱셈하여 일치성 확율을 결정하고, 당해 일치성 확율이 소정값보다 작으면 해당 화물이 세관신고서 중의 화물과 일치하지 않다고 판단하는 단계를 포함한다.
바람직하게는, 상기 화물정보는 구체적으로 화물유형이고, 상기 관심영역으로부터 특징을 추출하는 단계는, 상기 관심영역으로부터 피검사화물의 화물유형의 묘사정보를 추출하는데, 상기 묘사정보를 기반으로 상기 투과 이미지의 관심영역 중의 화물의 화물유형의 확율을 결정하는 단계; 및 상기 확율을 채용하여 수출입 회사, 수출입 시간, 및 수출입 국가와 연관하여 해당 화물이 세관신고서 중의 화물유형과의 일치성 확율치를 얻는 단계; 를 포함한다.
바람직하게는, 화물유형에 대한 확율은 원자번호 및 전자밀도에 의해 결정된다.
바람직하게는, 결정된 화물정보 및 세관신고서 중의 적어도 일부 정보를 기반으로, 해당 화물에 대한 추천처리의견을 제공하는 단계는, 추측된 화물유형과 세관신고서의 화물유형의 세금 차이에 대한 비교, 및 수출통제 정도에 대한 분석을 통하여, 코스트 모델을 구축하고, 나아가서 해당 화물에 대한 추천처리의견을 제공한다.
바람직하게는, 상기 방법은, 이미지 내용 검색 엔진에 의해 피검사화물과 유사한 화물의 리스트를 취득하는 단계; 상기 화물 리스트에 연관되는 수출입 회사, 수출입 국가 및 수출입 시간에 따라 분포관계묘사를 구축하는 단계; 및 구축된 분포관계묘사를 기반으로 상기 화물이 정상 화물인지를 확인하는 단계; 를 더 포함한다.
바람직하게는, 화물의 유형에 따라 검색된 유사 화물 이미지 리스트를 분류하고, 상이한 국가, 상이한 회사가 상이한 기간 내에 동일한 유형의 화물을 수출입하는 확율을 산출한다.
바람직하게는, 시간축을 구축하여, 상이한 기간 내에 유사 화물을 수출입하는 정황을 표시한다.
바람직하게는, 각 기간 내에 상이한 도형을 통하여 상이한 수출입 국가 페어를 표시하고, 상이한 수출입 회사가 유사 화물을 수출입하는 확율분포를 표시한다.
바람직하게는, 상기 방법은, 사용자에게 본체 적재모드에서 벗어난 화물 영역, 화물유형을 추측할 수 없는 작은 화물 영역, 또는 전반적인 텍스처와 큰 차이를 가지는 국부영역을 알리는 단계를 더 포함한다.
바람직하게는, 상기 방법은, 상호추정의 방법을 통하여 단독으로 더미를 이루나 더미가 작아 전반적인 정보추정에 기여할 수 없는 화물의 화물유형을 결정하는 단계를 더 포함한다.
바람직하게는, 상기 방법은, 국부영역의 텍스처 정보에 의해 이러한 텍스처를 나타낼 수 있는 화물의 유형분포, 평균원자번호, 또는 컨테이너에서의 위치를 추정하는 단계를 더 포함한다.
바람직하게는, 상기 방법은, 지정영역 내의 텍스처 특징을 추출하는 단계; 이미지 내용의 검색을 기반으로, 유사도가 소정값보다 높은 텍스처 블록 리스트를 얻는 단계; 및 텍스처 블록 리스트의 화물종류 정보를 결정하여, 이런 텍스처를 나타내는 화물의 유형분포를 구축하는 단계를 더 포함한다.
바람직하게는, 듀얼 에너지 재료 식별 알고리즘을 통하여 피검사화물의 평균원자번호를 얻는다.
바람직하게는, 이미지 비례축소 척도 및 지정영역의 화소위치를 토대로 컨테이너 내에서의 지정영역의 실제위치를 얻는다.
본 발명의 다른 일 측면에 있어서, 화물을 검사하는 시스템은, 피검사화물을 스캐닝하여 피검사화물의 투과 이미지를 취득하는 복사 촬상 시스템; 및 상기 투과 이미지를 처리하여 관심영역을 얻고, 상기 관심영역으로부터 특징을 추출하여, 추출된 특징에 의해 상기 피검사화물의 화물정보를 결정하고, 결정된 화물정보 및 세관신고서 중의 적어도 일부 정보를 기반으로, 해당 화물에 대한 추천처리의견을 제공하는 데이터 처리장치; 를 구비한다.
상기의 기술안을 이용하여, 복사선 이미지의 내용 및 세관신고서의 데이터에 대한 분석을 통하여, 상이한 추정결론 및 이에 대응되는 처리의견을 제공함으로써, 도면분석 담당자의 효율성 및 정확도를 향상시킬 수 있다.
본 발명을 더 철저하게 이해하도록 하기 위하여, 아래의 도면을 참조하면서 본 개시의 실시 예에 대해 설명하기로 한다.
도 1a 및 도 1b는 본 발명의 실시 예에 따른 화물검사 시스템을 나타내는 구조 개략도이다.
도 2는 본 발명의 실시 예에 따른 화물을 검사하는 방법을 나타내는 흐름도이다.
도 3은 본 발명의 실시 예에 따른 네 가지 적재모드를 나타내는 개략도이다.
도 4는 본 발명의 실시 예에 따른 혼합물계층추정을 나타내는 개략도이다.
도 5는 본 발명의 실시 예에 따른 이상사건추정을 나타내는 가시화 개략도이다.
도 6은 본 발명의 실시 예에 따른 적재모드 추측 및 추천처리의견을 나타내는 흐름도이다.
도 7은 본 발명의 실시 예에 따른 화물유형 추측, 리스크정도 평가 및 추천처리의견을 나타내는 흐름도이다.
도 8은 본 발명의 실시 예에 따른 유사화물의 분포를 추정하는 흐름도이다.
도 2는 본 발명의 실시 예에 따른 화물을 검사하는 방법을 나타내는 흐름도이다.
도 3은 본 발명의 실시 예에 따른 네 가지 적재모드를 나타내는 개략도이다.
도 4는 본 발명의 실시 예에 따른 혼합물계층추정을 나타내는 개략도이다.
도 5는 본 발명의 실시 예에 따른 이상사건추정을 나타내는 가시화 개략도이다.
도 6은 본 발명의 실시 예에 따른 적재모드 추측 및 추천처리의견을 나타내는 흐름도이다.
도 7은 본 발명의 실시 예에 따른 화물유형 추측, 리스크정도 평가 및 추천처리의견을 나타내는 흐름도이다.
도 8은 본 발명의 실시 예에 따른 유사화물의 분포를 추정하는 흐름도이다.
도면은 실시 예의 모든 회로 또는 구조를 나타낸 것은 아니다. 전체 도면에 있어서 동일한 도면 부호는 동일하거나 유사한 부재 또는 특징을 나타낸다.
아래 본 개시의 구체적인 실시 예를 상세히 설명하기로 한다. 여기에서 설명하는 실시 예는 예시적인 것일 뿐 본 개시를 제한하기 위한 것은 아니다. 아래의 설명에 있어서 본 개시에 대한 철저한 이해를 돕기 위하여 많은 부분에 대해 결정 세부사항을 설명하나 본 분야의 기술자들은 이러한 결정 세부사항 부분을 채용하지 않아도 본 개시를 실시할 수 있음을 쉽게 이해할 수 있을 것이다. 기타 실시 예에 있어서, 본 개시의 취지를 흐리지 않도록, 공지 회로, 재료, 또는 방법에 대해서는 구체적인 설명을 생략하기로 한다.
본 명세서에 있어서, “일 실시 예”, “실시 예”, “하나의 예”, 또는 “예”에 대한 언급은, 그 실시 예 또는 예와 결합하여 설명하는 결정적인 특징, 구조, 또는 특성들이 본 개시의 적어도 하나의 실시 예에 포함된다는 것을 의미한다. 따라서 본 명세서의 각 부분에서 나타나는 “일 실시 예에 있어서”, “실시 예에서”, “일 예에 있어서” 또는 “예” 등 단축 용어들은 동일한 실시 예 또는 예시에 국한되지 않는다. 또한, 임의의 적절한 조합 및/또는 서브 조합들은 결정 특징, 구조 또는 특성들을 하나 또는 복수의 실시 예 또는 예시로부터 조합하여 사용될 수 있다. 또한, 본 분야의 기술자들은 여기에 제공되는 도면들은 설명의 목적을 달성하기 위한 것이며 반드시 비례적으로 도시되어 있는 것이 아니라는 것을 이해할 수 있을 것이다. 여기에서 사용되는 용어 “및/또는”은 하나 또는 복수의 관련 특징의 임의의 조합 및 모든 조합을 포함한다.
화물의 X 레이 이미지 및 세관신고서의 데이터를 토대로 하는 지능형 분석 추정 시스템은, 화물유형을 자동으로 분석하고, 물품을 은닉하기 쉬운 영역을 자동으로 제공하며, 혼합 화물의 조성을 자동으로 추정하여, 이상한 운송행위를 자동으로 판단하고, 리스크정도에 따라 추천처리의견을 제공할 수 있는 지능형 분석 추정 수단이다. 예를 들면, 세관에서 직면하는 “운송하는 화물이 세관에 신고된 화물의 유형과 일치?”, “어떻게 보안요원이 보다 빠르게 물품을 은닉하기 쉬운 위치를 결정할 수 있도록 가이드 할 것인가?”, “혼합화물은 무엇으로 조성?”, “이번 수출입 행위에는 이상이 없음?” 등과 같은 어려운 문제들을 효과적으로 해결할 수 있다. X 레이 이미지의 내용 및 세관신고서의 데이터에 대한 분석을 통하여, 시스템은 레벨에 따라 상이한 추정결론 및 그에 대응되는 처리의견을 제공하게 된다.
종래기술의 문제점들을 해결하기 위해, 본 발명은, 피검사화물의 투과 이미지를 취득한 후, 상기 투과 이미지를 처리하여 관심영역을 얻는다. 그리고 관심영역으로부터 특징을 추출하여, 추출된 특징에 의해 피검사화물의 화물정보를 결정하며, 나아가서는, 결정된 화물정보 및 세관신고서 중의 적어도 일부 정보를 기반으로, 해당 화물에 대한 추천처리의견을 제공한다.
도 1a 및 도 1b는 본 발명의 일 실시 예에 따른 검사 시스템의 구조 개략도이다. 도 1a는 검사 시스템의 평면 개략도이고, 도 1b는 검사 시스템의 정면 개략도이다. 도 1a 및 도 1b에 도시된 바와 같이, 복사선 소스(110)에서 발생된 X 레이는, 콜리메이터(120)에 의해 시준된 후, 이동하는 컨테이너 트럭(140)에 대해 보안 검사를 행한다. 또한, 탐측기(150)에 의해 트럭을 투과한 복사선을 수신하여, 컴퓨터 등과 같은 데이터 처리장치(160)를 이용하여 투과 이미지를 얻는다.
본 발명의 실시 예에 의하면, 컨테이너 트럭(140)을 스캐닝하여 그 투과 이미지를 얻은 후, 데이터 처리장치(160)에서 투과 이미지를 처리하여 관심 영역, 예를 들면 본체 화물 영역을 얻고, 그 다음 관심영역으로부터 특징을 추출하여, 추출된 특징에 의해 피검사화물의 화물정보를 결정하고, 나아가서는, 결정된 화물정보 및 세관신고서 중의 적어도 일부 정보를 기반으로, 해당 화물에 대한 추천처리의견을 제공한다.
도 2는 본 발명의 실시 예에 따른 검사 방법을 설명하는 흐름도이다. 도 2에 도시된 바와 같이, 단계(S21)에서, 투과 스캔 시스템에 의해 피검사화물의 투과 이미지를 취득한다. 예를 들면, 피검출 컨테이너 트럭이 일정한 속도로 검출영역을 통과할 때, 투과 이미지를 하나 생성할 수 있다. 스캔장치가 다르면 복사선 소스의 에너지/복사량, 탐측기의 사이즈, 기계적 구조, 차량 속도 및 빔 출력 주파수가 다르므로, 취득되는 이미지의 해상도가 조금씩 다르게 된다. 일부 실시 예에 있어서, 필요에 따라 우선 투과 이미지에 대해 정규화처리, 다시말하면, 휘도 정규화처리를 행하고, 또한 해상도를 예를 들면 5*5(mm/pixel)로 일괄적으로 조절한다.
단계(S22)에서, 상기 투과 이미지에 대한 처리를 통하여 관심영역을 얻는다. 전처리 과정을 통하여 본체 화물 영역을 얻을 수 있다. 예를 들면, 우선 투과 이미지 중의 컨테이너 영역을 추출하고, 그 다음에 본체 화물 영역을 추출하는데, 예를 들면, 간섭을 피하고 불필요한 계산량을 줄일 수 있도록 본체 화물의 외부영역을 제거한다.
또한, 일부 실시 예에 있어서, 이미지 중의 공기영역 및 비투과 영역의 영향을 제거할 수도 있다. 본 발명의 실시 예에서는, 역치의 방법을 직접 사용하여 투과 이미지 중의 공기영역 및 비투과 영역을 검출한다. 이로써 화물을 검출할 때, 공기영역 및 비투과 영역의 영향을 피할 수 있으므로, 검출속도를 높일 수 있을 뿐만 아니라, 통지 오류도 줄일 수 있다.
단계(S23)에서, 상기 관심영역으로부터 특징을 추출하여, 추출된 특징에 의해 상기 피검사화물의 화물정보를 결정한다. 상이한 실시 예에 있어서, 여기서 말하는 화물정보는, 화물의 적재모드(예를 들면, 확율치로 표시됨), 또는 화물의 유형(예를 들면, 결정된 모 화물의 확율치) 등 일 수 있다. 다른 실시 예에 있어서, 화물의 유형은 원자번호 및/또는 전자밀도 및/또는 질량두께(mass thickness) 등에 의해 결정될 수 있다.
단계(S24)에서, 결정된 화물정보 및 세관신고서 중의 적어도 일부 정보를 기반으로, 해당 화물에 대한 추천처리의견을 제공한다. 예를 들면, 이미지 처리를 통하여 얻은 화물정보 및 세관신고서로부터 얻은 화물정보를 결합하여 추천의견을 제공하는데, 이 양자가 일치하지 않으면 통관시키지 않거나 일치성 확율에 따라 등급을 나눠서 처리한다.
본 발명의 실시 예에 있어서, 화물검사 시스템은 (1) 전반 정보 추정, (2) 부분 정보 추정, 및 (3) 자율학습을 포함할 수 있다. 전반 정보 추정의 시스템은 주로 화물 적재모드 추정, 화물유형 추정, 혼합화물 계층 추정, 및 이상사건 추정으로 나뉜다.
화물 적재모드 추정은, 화물의 X 레이 이미지에 대한 분석을 통하여, 화물 적재모드를 추측함으로써, 세관에 신고된 (세관신고서의 데이터로부터 얻은) 화물 유형과의 일치성 확율을 추정하고, 추천처리의견을 제공한다.
화물유형은 세관 HSCODE 코드에 의해 지정된다. 화물을 컨테이너에 적재하는 데에는 일반적인 규칙이 있는바, 도 3에 도시된 바와 같이, 주로 네 가지 통상적인 적재모드로 나뉠 수 있다. 일반적으로, 화물유형이 다르면 상이한 적재모드에 대응되는데, 예를 들면, 일반적으로 제지용 펄프류 화물은 적재모드1에 대응되고, 곡류 화물은 적재모드2에 대응되고, 주류 화물은 적재모드3에 대응되며, 오토바이류 화물은 적재모드4에 대응된다. 이미지 분석 기술에 의해 현재 화물의 적재모드를 추측할 수 있다. 세관신고서 중의 정보에 대한 검색을 통하여, 현재 화물의 세관신고 유형을 제공할 수 있으며, 나아가서, 해당 유형 화물의 통상적인 적재모드를 얻을 수 있다. 이 두가지 정보를 결합하여, 현재 화물과 세관에 신고된 (세관신고서의 데이터로부터 얻은) 화물 유형과의 일치성 확율을 추정할 수 있다. 화물 적재모드의 일치성 정도에 따라, 추천처리의견을 제공한다.
도 6은 화물 적재모드 추측 및 추천처리의견의 흐름을 나타내는 흐름도이다. 단계(S61, S62 및 S63)에서, 스캐닝을 통하여 스캔 이미지를 얻고, 컨테이너 트럭의 스캔 이미지로부터 컨테이너 영역을 추출한 후, 분할 알고리즘을 통하여 화물 영역을 추출한다. 여기서, 분할 알고리즘은 SRM(Statistical Region Merge) 알고리즘을 사용하는 것이 바람직하다. 또한, 분할된 영역을 처리함에 있어서, 역치 제한 방법을 통하여 화물이 없는 영역을 제거하고, 면적이 전체 컨테이너 면적의 1/3을 넘지 않는 영역을 제거하여, 나머지 영역을 본체 화물 영역이라고 정한다.
단계(S64)에서, 본체 화물 영역으로부터 이미지 특징을 추출한다. 여기서, Texton + BOW(Bag of Words) 방법을 채용하는 것이 바람직하나, 이런 조합에 국한되는 것은 아니다. 예를 들면, 상기 관심영역으로부터 피검사화물의 적재모드의 묘사정보를 추출하고, 묘사정보를 기반으로 상기 투과 이미지의 관심영역 중의 화물의 적재모드의 확율을 결정한다.
바람직하게는, 관심영역으로부터 피검사화물의 적재모드의 묘사정보를 추출하는 단계에서는, 관심영역을 구획하여, 구획된 영역의 이미지로부터 엣지를 추출하고; 추출된 엣지의 유효위치로부터 텍스처 특징을 추출하고; 훈련 이미지 샘플을 기반으로 구축된 사전(dictionary)으로부터 상기 텍스처 특징에 가장 가까운 원소를 검색하여, 상기 영역의 히스토그램 묘사특징을 얻는다. 바람직하게는, 사전을 구축함에 있어서, 각각의 샘플 이미지에 대해 등간격 샘플링을 행하고, 각 위치로부터 텍스처 특징을 추출하고; 모든 위치로부터 추출된 텍스처 특징에 대해 클러스터링 하여, 복수 개의 클러스터링 중심의 특징묘사를 얻음으로써, 사전을 형성한다.
단계(S65)에서, 마지막으로 SVM(Support Vector Machine) 분류모델을 도입하여 분류함으로써, 추측 적재모드를 얻는다.
단계(S66, S67 및 S68)에서, 세관신고서에 대한 검색을 통하여 화물의 세관신고유형을 얻을 수 있고, 나아가서 화물의 통상적인 적재모드를 얻을 수 있다. 예를 들면, 세관신고서를 기반으로 결정된 적재모드의 화물유형 확율에 투과 이미지를 기반으로 결정된 적재모드의 확율을 곱셈하여 일치성 확율을 결정한다. 일치성 확율이 소정값보다 작으면, 해당 화물이 세관신고서 중의 화물과 일치하지 않다고 판단한다. 아래의 확율산출 계산식을 이용하여 화물유형 일치성 확율을 산출한다.
여기서, 
는 세관신고서로부터의 화물 적재모드를 조건으로 얻은 해당 유형 화물의 확율을 표시하고, 
는 투과 이미지를 기반으로 추측해낸 화물 적재모드를 조건으로 얻은 세관신고서 중의 화물적재모드의 확율을 표시한다.
또한, 추천처리의견은 "통관 가능", "다소 다른 것 같음", "자세한 검사가 필요한 것 같음", "자세한 검사가 필요" 이 네 개의 등급으로 나눌 수 있다.
화물종류추정은, 화물의 X 레이 이미지의 내용, 듀얼 에너지의 재료 식별정보, 및 세관신고서 중의 데이터를 분석하여, 화물의 가능한 유형을 추측함으로써, 세관에 신고된 (세관신고서의 데이터로부터 얻은) 화물유형과 일치하는 확율을 추정하고, 리스크정도 및 추천처리의견을 제공한다. 화물유형은 세관 HSCODE 코드에 의해 지정한다. 화물유형을 추측함에 있어서, 이미지의 내용 정보, 듀얼 에너지의 재료 식별정보 및 세관신고서 중의 데이터, 예를 들면 수출입 회사, 수출입 국가, 수출입 시간 등 정보에 대해 모델링함으로써, 연합추정을 행하여야 한다. 추정결과에 따라, 최종적으로 세관신고서 중의 화물유형과 일치하는 확율을 제공한다. 추측된 화물유형과 세관에 신고된 (세관신고서의 데이터로부터 얻은) 화물유형 사이의 세금 차이, 수출통제 정도에 대한 분석을 통하여, 코스트 모델을 구축함으로써, 리스크정도를 제공하고, 이를 토대로 추천처리방안을 제공한다.
도 7은 본 발명의 실시 예에 따른 화물유형 추측, 리스크정도 평가, 및 추천처리의견을 설명하기 위한 흐름도이다. 단계(S71, S72 및 S73)에서, 컨테이너 트럭의 스캔 이미지로부터 컨테이너 영역을 추출하고, 분할 알고리즘을 통하여 화물 영역을 추출한다. 바람직하게는, 분할 알고리즘은 SRM(Structural Risk Minimization) 알고리즘을 채용한다. 분할된 영역을 진일보 처리하여, 역치 제한 방법을 통하여 화물이 없는 영역을 제거하는데, 면적이 전체 컨테이너 면적의 1/3을 넘지 않는 영역을 제거하고, 나머지 영역을 본체 화물 영역으로 간주한다.
단계(S74)에서, 본체 화물 영역으로부터 이미지 특징을 추출하는데, 바람직하게는 Texton + BOW(Bag of Words) 방법을 채용하지만, 이러한 조합에 국한되지는 것은 아니다. 바람직하게는, 단계(S75)에서 SVM(Support Vector Machine) 분류모델을 도입하여 분류를 행하여, 초보적으로 추측된 화물유형을 얻는다. 단계(S76)에서, 확율모델과 세관신고서 정보를 연합하여 사용하는데, 세관신고서 정보에는 수출입 회사, 수출입 시간, 수출입 국가가 포함된다. 확율산출 계산식은 아래와 같다.
여기서, Z는 정규화 상수이고, 
는 이미지의 내용에 의해 추측된 화물유형의 확율을 표시하고, 
는 해당 종류의 화물을 수출입하는 국가의 확율을 표시하고, 
는 해당 종류의 화물을 수출입하는 회사의 확율을 표시하고, 
는 해당 종류의 화물을 수출입하는 시기의 확율을 표시한다.
단계(S77)에서, 아래의 세금 및 화물통제를 토대로 하는 코스트 모델에 의해 코스트 값을 산출한 후, 단계(S78)에서, 코스트 값에 의해 리스크정도를 결정한다.
여기서, Tm은 세관신고서 중의 화물유형에 대해 징수해야 할 세율이고, Tp는 추측된 화물유형에 대해 징수해야 할 세율이고, Cp는 추측된 화물유형이 통제화물에 속하는지를 나타내는바, 통제화물이면 1이고, 아니면 0이다. α,β는 코스트 모델에 대한 세율 및 통제의 영향정도를 제어하기 위한 파라미터이다. 단계(S79)에서, "통관 가능", "다소 다른 것 같음", "자세한 검사가 필요한 것 같음", "자세한 검사가 필요"의 네 개 등급의 추천처리의견을 제공한다.
혼합화물 계층추정은 물리수학적 모델을 통하여 혼합화물의 조성성분을 추정한다. 계층추정의 개략도는 도 4에 도시된 바와 같다. 바람직하게는, 10개 원자번호씩 일 층을 구축하여, 이 구간 내의 물질을 표시한다. 에너지 스펙트럼 분포를 가지는 X 레이를, 모 에너지의 단일 에너지 X 레이로 등가시킨다. 따라서, 전체 물리과정은 모 등가적인 단일 에너지 X 레이가 혼합물질을 통과하는 과정으로 간소화된다. 단일 에너지 X 레이가 혼합물질을 통과하는 감쇠법칙 공식을 구축하고, 입력 복사선의 강도와 출력 복사선의 강도의 관계를 도출한다. 지도학습에 의한 방법을 통하여 상이한 원자번호의 물질이 미지의 등가 에너지 X 레이 하에서의 질량감쇠계수를 산출한다. 실제로 혼합물질을 추정할 때, 스파스법(sparse method)을 통하여 질량두께의 스파스 솔루션(sparse solution)을 산출함으로써, 혼합물의 조성을 추정할 수 있다.
가속기가 생성하는 에너지 스팩트럼 분포를 가지는 X 레이는, 물질을 투과할 때 아래의 감쇠법칙을 따른다.
여기서, 
는 에너지가 E'인 X 레이의 복사량이고, I는 X 레이가 물질을 투과한 후의 총 복사량이고, 
는 질량감쇠계수인 바, 이는 물질의 원자번호 및 X 레이 에너지와 관련된다. 
는 질량두께인 바, 이는 물질의 원자번호와 관련된다.
여기서, I 0 는 X 레이의 출력 복사량을 표시하고, I는 X 레이가 물질을 투과한 후의 복사량을 표시하며, 
는 등가적인 질량감쇠계수를 표시하고, tm(Z)는 질량두께를 표시한다.
혼합물일 경우, 상기 계산식은 아래와 같다.
아래와 같이 투명도 
를 산출한다.
듀얼 에너지 시스템에 있어서, 고에너지 및 저에너지 X 레이 에너지 스펙트럼이 존재하므로, 아래와 같다.
이를 아래와 같은 매트릭스 형태로 간소화할 수 있다.
Y=MX
여기서,
이다.
상이한 에너지 스펙트럼에 대해 등가질량감쇠계수는 결정된 상수가 아니므로, 실험을 통하여 얻을 수 없다. 바람직하게는 본 발명에서 지도하에서의 스파스 사전 학습의 알고리즘(supervised sparse dictionary learning algorithm)을 사용하나, 이에 국한되지는 않는다. 구체적인 알고리즘은 아래와 같다.
1) 사전학습(dictionary learning), 아래와 같은 최적화 함수를 구축한다.
2) 훈련 샘플을 기반으로 {X,Y}에 대해 사전학습을 시킴으로써, 매트릭스 M를 얻는다.
3) 혼합물 조성성분 추정, 아래와 같은 최적화 함수를 구축한다.
4) 상기 함수를 최소화하여 스파스 솔루션 X를 얻는데, 0이 아닌 항이 바로 가능한 조성성분이다.
상술한 혼합물 성분추정 알고리즘을 통하여 혼합물 계층표시를 실현할 수 있다.
이상사건 추정은 화물 이미지의 내용 정보, 수출입 회사, 수출입 국가, 및 수출입 시간 정보를 토대로 이상한 사건을 추정하는 수단이다. 일반적으로, 상이한 수출입 회사는 상이한 수출입 화물을 경영하게 되고, 상이한 국가는 결정된 화물유형을 수출입하는 경향이 있는바, 유사한 종류의 화물은 일반적으로 일정한 기간 내에 집중되어 수출입 된다. 추정의 과정은 아래와 같다. 이미지의 내용에 대한 검색 엔진을 통하여 현재 스캐닝 되는 화물과 유사한 화물의 리스트를 취득하고, 이에 대응되는 수출입 회사, 수출입 국가, 수출입 시간에 따라 분포 관계도를 구축한다(도 5 참조). 구축된 분포도 및 세관신고서의 데이터에 의해 현재 해당 종류의 화물을 수출입하는 행위가 통상적인 행위인지 아닌지를 직관적으로 표시할 수 있다.
도 8은 본 발명의 실시 예에 따른 유사화물 분포추정을 설명하는 흐름도이다. 화물 이미지에 대한 전처리는 화물 적재모드 추정의 처리방식과 기본적으로 일치하므로, 단계(S81, S82 및 S84)는 앞에서 도 6을 참조하여 설명한 단계(S61, S62 및 S64)와 동일한바, 여기서는 상세한 설명을 생략한다.
단계(S85)에서, 화물 이미지에 대한 특징묘사를 취득한 후, 이미지의 내용을 토대로 하는 검색모듈로 이행하여, 유사도가 80% 이상에 달하는 화물 이미지 리스트를 취득한다. 리스트 중의 이미지에 따라, 대응되는 세관신고서의 데이터로부터 수출입 국가, 수출입 회사, 수출입 시간 데이터를 추출한다. 화물의 유형에 따라, 검색을 통하여 얻은 유사화물 이미지 리스트를 분류하고, 상이한 국가, 상이한 회사가 상이한 기간 내에 동일한 유형의 화물을 수출입하는 확율을 산출한다. 바람직하게는, 단계(S86)에서 도 5의 가시화 방법을 채용한다. 시간축을 구축함으로써, 상이한 기간 내에 유사화물을 수출입하는 정황을 표시한다. 각각의 시간구간 내에, 상이한 타원 형상의 도형으로 상이한 수출입국가 페어를 표시하고, 내부에서 상이한 타원으로 상이한 수출입 회사가 유사화물을 수출입하는 확율분포를 표시한다. 현재 스캐닝되는 화물의 수출입 국가, 수출입 회사, 수출입 시간 및 세관에 신고된 화물유형에 의해, 해당 유형의 화물이 이 회사에 의해 지정국가로 수출입되는 사건이 통상적인 사건인지 아닌지를 직관적으로 추정할 수 있다.
부분 정보 추정시스템은, 주로 중점영역 가이드, 단일 더미의 화물 추정, 및 사용자에 의해 지정된 국부영역 정보추정으로 나뉜다.
중점영역 가이드는 주로 사용자로 하여금 신속하게 화물의 X 레이 이미지 중의 특이성 영역에 관심을 갖도록 가이드하는 역할을 한다. 특이성 영역은 주로 (1) 본체 적재모드를 벗어난 화물 영역, (2) 화물 유형을 추측할 수 없는 작은 화물 영역, (3) 전반 텍스처와 비교적 큰 차이를 가지는 국부영역을 포함한다. 이러한 특이성 영역에는, 금지물품이 은닉되어 있을 가능성이 높다. (1), (2)의 특이성 영역은 이미지 분할 및 영역식별을 통하여 간접적으로 추출할 수 있다. 적재모드 또는 화물유형을 식별할 수 없고, 또한 면적이 지정범위 내에 있다면 모두 특이성 영역으로 간주할 수 있다. (3)의 특이성 영역을 추출함에 있어서는, 주로 지도학습의 방법을 기반으로 텍스처 유사도 산출모델을 구축하여, 돌출영역검출방법을 통하여 특이성 영역을 검출할 수 있다.
중점영역은 본체 적재모드를 벗어난 영역, 화물유형을 추측할 수 없는 작은 영역, 및 전반 텍스처와 비교적 큰 차이를 가지는 국부영역의 세 가지 유형으로 나누어진다. 처음 두 가지 중점영역은 모두 화물 적재모드 추정 및 화물유형 추정을 통하여 간접적으로 추정될 수 있다. 세 번째 종류의 중점영역을 산출하는 데에는, 텍스처 유사도를 정의할 필요가 있다. 지도학습을 통하여 인간의 이해공간을 구축함으로써, 텍스처 블록의 유사도를 정의하는 것이 바람직하나, 이에 국한되지는 않는다.
인간의 이해공간을 구축하는 단계는 하기와 같다.
첫 번째 단계: 훈련 화물 이미지로부터 상이한 텍스처 블록을 수집한다.
두 번째 단계: 인간의 주관적인 판단에 의해 텍스처 블록의 유사도를 비교한다.
세 번째 단계: 텍스처 블록으로부터 특징을 추출한다.
네 번째 단계: Stochastic triplet embedding 알고리즘을 채용하여 텍스처 유사도 비교모델을 구축한다. 다시 말하면, 이해공간의 구축을 완성한다.
텍스처 유사도 모델의 구축이 완성되면, 돌출영역 검출의 일반적인 방법을 통하여 세 번째 종류의 중점영역을 추출할 수 있다.
단일 더미 화물추정은, 주로 단독으로 더미를 이루었지만 더미가 비교적 작아 전반적인 정보추정에 기여할 수 없는 화물을 처리하여, 대응되는 화물유형을 추정하는 역할을 한다. 주로 상호추정방법을 채용하는바, 이는 이미지의 내용 정보 및 사용자와의 상호정보를 결합하여 연합추정을 행해야 한다. 소정의 이미지 정보하에서의 화물유형 및 사용자와의 상호응답의 연합 확율 모델을 구축함으로써 연합추정을 실현한다.
단일 더미 화물추정은 상호추정방법을 채용하여, 이미지의 내용 및 인간과의 상호작용을 통하여, 단일 더미 화물을 추정하여 식별한다. 바람직하게는, 하기와 같은 확율 모델을 구축한다.
여기서, Z는 화물 유형을 표시하고, U는 사용자와의 상호응답을 표시하며, x는 이미지의 내용을 표시한다.
상호정보를 도입함으로써 단지 이미지 내용에 의해 구축된 모델의 정확성을 효과적으로 향상시킬 수 있다. 어떤 상호정보를 선택하느냐는 극히 중요하다. 이는 직접 알고리즘을 토대로 이미지의 내용에 대한 분석으로부터 얻을 수 있는 정보와 되도록 서로 보완하여, 보다 많은 유효정보를 도입하여 식별에 기여하도록 하여야 한다.
여기서 선택되는 상호정보는, 단일 더미 화물 중 가장 대표적인 텍스처 블록을 선택하거나, 후보 리스트로부터 단일 더미의 화물 이미지와 유사한 화물을 선택하는 것이 바람직하다.
사용자 지정 국부영역 정보 추정은, 주로 국부영역의 텍스처 정보에 따라 이러한 텍스처를 구현할 수 있는 화물유형분포, 평균원자번호, 및 컨테이너 중의 위치를 추정하는 역할을 한다. 화물유형분포를 추정함에 있어서, 주로 텍스처를 토대로 하는 이미지 검색 수단을 채용한다. 평균원자번호에 대한 추정은 주로 듀얼 에너지 X 레이 재료 식별 알고리즘을 통하여 행한다. 컨테이너 중의 위치의 추정은, 해당 영역의 이미지 중의 위치 및 이미지 비례축소에 의해 결정해야 한다.
예를 들면, 구체적인 절차는 아래와 같은 다섯 개 단계를 포함한다. 첫 번째 단계, 지정영역의 텍스처 특징을 추출하는데, Fisher Vector를 사용하는 것이 바람직하다. 두 번째 단계, 이미지의 내용 검색을 기반으로, 유사도가 80% 이상에 달하는 텍스처 블록 리스트를 얻는다. 세 번째 단계, 검색된 텍스처 블록 리스트에 의해 대응되는 화물종류정보를 얻음으로써, 이러한 텍스처를 구현할 수 있는 화물 유형 분포도를 구축한다. 네 번째 단계, 듀얼 에너지 재료 식별 알고리즘을 통하여 평균원자번호를 얻는다. 다섯 번째 단계, 이미지의 비례축소 및 지정영역의 화소 위치에 의해 컨테이너 중에서의 좌표위치를 얻는다.
자율학습 시스템은 현재 모델에 의해 판별하기 어려운 이미지 샘플을 주동적으로 발견하고, 이를 사용자에 제공하여 사용자가 표식하도록 하여, 최종적으로 온라인으로 모델을 업데이트하는 역할을 한다. 자율학습 모듈은 전반 시스템 추정 및 국부시스템 추정을 위하여 실시간적인 서비스를 제공한다. 자율학습 시스템은 하층 보조 시스템으로서, 주로 화물적재모델의 추정 및 화물유형추정모델서비스를 책임진다. 현재 모델을 기반으로 식별하기 어려운 샘플을 주동적으로 발견하고 온라인으로 모델을 업데이트한다.
이상의 상세한 설명에서는 개략도, 흐름도 및/또는 예시를 통하여, 검사 방법 및 그 시스템에 관한 많은 실시 예를 설명하였다. 이러한 개략도, 흐름도 및/또는 예시가 하나 또는 복수의 기능 및/또는 조작을 포함하는 경우, 본 분야의 기술자들은, 이러한 개략도, 흐름도, 또는 예시 중의 각 기능 및/또는 조작이 여러 가지 구조, 하드웨어, 소프트웨어, 펌웨어 또는 실질적으로 이들의 임의 조합으로 개별적으로 및/또는 공통으로 실현될 수 있음을 이해할 수 있을 것이다. 일 실시 예에 있어서, 본 발명의 실시 예에서 설명한 상기 주요 과제의 일부는 주문형 반도체(ASIC), 필드 프로그래머블 게이트 어레이(FPGA), 디지털 신호 처리 프로세서(DSP) 또는 기타 집적 포맷에 의해 실현될 수 있다. 그러나 본 분야의 기술자들은 여기에서 개시된 실시 예의 일부가 전체적 또는 부분적으로 집적회로에 의해 동등하게 실현 가능하고, 하나 또는 복수 개의 컴퓨터에서 실행되는 하나 또는 복수 개의 컴퓨터 프로그램(예를 들면, 하나 또는 복수 개의 컴퓨터 시스템에서 운행되는 하나 또는 복수 개의 프로그램)에 의해 달성될 수도 있고, 하나 또는 복수 개의 프로세서에서 운행되는 하나 또는 복수 개의 프로그램(예를 들면, 하나 또는 복수 개의 마이크로프로세서에서 운행되는 하나 또는 복수 개의 프로그램)에 의해 실현될 수도 있으며, 펌웨어에 의해 실현될 수도 있으며, 또는 실제로 상술한 방식의 임의의 조합에 의해 실현될 수도 있다는 것을 이해할 수 있을 것이며. 또한, 본 분야의 기술자들은 본 개시를 기초로 회로 설계 및/또는 소프트웨어 기입 및/또는 펌 웨어 코딩 능력을 가질 수 있을 것이다. 또한, 본 분야의 기술자들은, 본 개시의 상술한 과제의 메커니즘은 여러 가지 형태의 프로그램 제품으로 발행할 수 있을 뿐만 아니라, 발행된 신호를 실제 저장하는 매체의 구체적인 유형에 관계없이 모두 본 개시의 상술한 과제의 예시적인 실시 예가 적용된다는 것을 이해할 수 있을 것이다. 신호를 저장하는 매체는 예를 들면, 플로피 디스켓, 하드 디스크 드라이버, 콤팩트 디스크(CD), 디지털 비디오 디스크(DVD), 디지털 자기 테이프, 컴퓨터 메모리 등과 같은 기록 가능형 매체; 및, 디지털 및/또는 아날로그 통신 매체(예를 들면, 광파이버 케이블, 도파관, 유선 통신 링크, 무선 통신 링크 등)와 같은 운반형 매체를 포함하나 이에 한정되는 것은 아니다.
비록 일부 전형적인 실시 예를 참조하여 본 발명을 설명하였으나 여기에서 사용되는 용어들은 설명을 위한 예시적인 것으로 본 발명을 제한하기 위한 것은 아님을 이해하여야 한다. 본 발명은, 발명의 취지 및 사상을 벗어나지 않는 범위 내에서 여러 가지 방식으로 구체적으로 실시될 수 있으며, 따라서 상술한 실시 예들은 상술한 상세 부분에 의해 한정되지 않으며 특허청구범위에 의해 한정되는 사상 및 범위 내에서 광범위하게 해석될 수 있다는 것을 이해하여야 한다. 따라서 특허청구범위 또는 그 등가 범위 내에 속하는 모든 변경 및 수정은 모두 본 특허청구범위에 속한다는 것을 이해하여야 한다.
Claims (20)
- 피검사화물의 투과 이미지를 취득하는 단계;
상기 투과 이미지를 처리하여 관심영역을 얻는 단계로서, 상기 관심영역으로부터 피검사화물의 적재모드의 묘사정보를 추출하는 단계를 포함하는, 단계;
상기 관심영역으로부터 특징을 추출하여, 추출된 특징에 의해 상기 피검사화물의 화물정보를 결정하는 단계로서, 상기 화물정보는 구체적으로 화물의 적재모드를 포함하는, 단계;
상기 묘사정보를 기반으로 상기 투과 이미지의 관심영역 중의 화물의 적재모드의 제1 확률을 결정하는 단계; 및
결정된 화물정보 및 세관신고서 중의 적어도 일부 정보를 기반으로, 해당 화물에 대한 추천처리의견을 제공하는 단계;
를 포함하고,
결정된 화물정보 및 세관신고서 중의 적어도 일부 정보를 기반으로, 해당 화물에 대한 추천처리의견을 제공하는 단계는,
세관신고서 중의 적재모드를 조건으로 얻은 화물유형의 제2 확률에 투과 이미지를 기반으로 추측된 적재모드를 조건으로 얻은 세관신고서 중의 적재모드의 제3 확률을 곱셈하여 일치성 확률을 결정하고, 당해 일치성 확률이 소정값보다 작으면 해당화물이 세관신고서 중의 화물과 일치하지 않다고 판단하는 단계를 포함하고,
상기 제2 확률은 세관신고서에 대한 검색을 통하여 얻어진 화물의 세관신고유형으로부터 얻어지고,
상기 제3 확률은 상기 제1 확률로부터 얻어지는, 화물을 검사하는 방법. - 청구항 1에 있어서,
상기 관심영역으로부터 피검사화물의 적재모드의 묘사정보를 추출하는 단계는,
관심영역을 구획하여, 구획된 영역 이미지에 대해 엣지추출을 행하는 단계;
추출된 엣지 중의 유효위치로부터 텍스처 특징을 추출하는 단계; 및
훈련 이미지 샘플을 기반으로 구축된 사전으로부터 상기 텍스처 특징에 가장 가까운 원소를 검색하여, 상기 영역의 히스토그램 묘사특징을 얻는 단계;
를 포함하는, 화물을 검사하는 방법. - 청구항 2에 있어서,
사전을 구축함에 있어서,
각각의 샘플 이미지에 대해 등간격 샘플링을 행하여, 각각의 위치로부터 텍스처 특징을 추출하고,
모든 위치로부터 추출된 텍스처 특징에 대해 클러스터링하여, 복수 개의 클러스터링 중심의 특징묘사를 얻음으로써, 사전을 구축하는, 화물을 검사하는 방법. - 청구항 1에 있어서,
상기 피검사화물의 화물 영역을 추출하고, 역치 제한을 통하여 화물이 없는 영역을 제거하여, 관심영역을 결정하는, 화물을 검사하는 방법. - 청구항 1에 있어서,
상기 화물정보는 구체적으로 화물유형이고,
상기 관심영역으로부터 특징을 추출하는 단계는, 상기 관심영역으로부터 피검사화물의 화물유형의 묘사정보를 추출하는 단계를 포함하고,
SVM(Support Vector Machine) 모델을 통해, 상기 묘사정보를 기반으로 상기 투과 이미지의 관심영역 중의 화물의 화물유형의 제4 확률이 결정되며,
상기 제4 확률을 채용하여 수출입 회사, 수출입 시간, 및 수출입 국가를 포함하는 세관신고서의 정보와 연관하여 해당 화물이 세관신고서 중의 화물유형과 일치하는지에 관한 제5 확률의 값이 얻어지는, 화물을 검사하는 방법. - 청구항 5에 있어서,
화물유형에 대한 확률은 적어도 원자번호에 대해 층을 구축하여 결정되는, 화물을 검사하는 방법. - 청구항 5에 있어서,
결정된 화물정보 및 세관신고서 중의 적어도 일부 정보를 기반으로, 해당 화물에 대한 추천처리의견을 제공하는 단계는,
추측된 화물유형과 세관신고서의 화물유형의 세금 차이에 대한 비교, 및 수출통제 정도에 대한 분석을 통하여, 코스트 모델을 구축하고, 나아가서 해당 화물에 대한 추천처리의견을 제공하는, 화물을 검사하는 방법. - 청구항 1에 있어서,
추천처리의견을 제공하는 단계 이후,
이미지 내용 검색 엔진에 의해 피검사화물과 유사한 화물의 리스트를 취득하는 단계;
상기 화물 리스트에 연관되는 수출입 회사, 수출입 국가 및 수출입 시간에 따라 분포관계묘사를 구축하는 단계; 및
구축된 분포관계묘사를 기반으로 상기 화물이 정상 화물인지를 확인하는 단계;
를 더 포함하는, 화물을 검사하는 방법. - 청구항 8에 있어서,
화물의 유형에 따라 검색된 유사 화물 이미지 리스트를 분류하고,
상이한 국가, 상이한 회사가 상이한 기간 내에 동일한 유형의 화물을 수출입하는 제6 확률을 산출하며,
상기 제6 확률을 얻기 위해, 시간축을 구축하여, 상이한 기간 내에 유사 화물을 수출입하는 정황을 표시하고, 각 기간 내에 상이한 도형을 통하여 상이한 수출입 국가 페어를 표시하고, 상이한 수출입 회사가 유사 화물을 수출입하는 확률분포를 표시하며,
상기 확률 분포를 얻기 위해, 소정의 유사도를 갖는 화물 이미지 리스트가 이미지들의 내용을 토대로 취득되고, 리스트 내 이미지들에 따라, 수출입 국가. 수출입 회사, 수출입 시간 데이터를 포함하는 데이터가 대응되는 세관신고서의 데이터로부터 추출되는, 화물을 검사하는 방법. - 청구항 1에 있어서,
추천처리의견을 제공하는 단계 이후,
사용자에게 본체 적재모드에서 벗어난 화물 영역, 화물유형을 추측할 수 없는 작은 화물 영역, 또는 전반적인 텍스처와 큰 차이를 가지는 국부영역을 알리는 단계;
를 더 포함하는, 화물을 검사하는 방법. - 청구항 1에 있어서,
추천처리의견을 제공하는 단계 이후,
상호추정의 방법을 통하여 단독으로 더미를 이루나 더미가 작아 전반적인 정보추정에 기여할 수 없는 화물의 화물유형을 결정하는 단계;
를 더 포함하는, 화물을 검사하는 방법. - 청구항 1에 있어서,
추천처리의견을 제공하는 단계 이후,
국부영역의 텍스처 정보에 의해 이러한 텍스처를 나타낼 수 있는 화물의 유형분포, 평균원자번호, 또는 컨테이너 내에서의 위치를 추정하는 단계;
를 더 포함하는, 화물을 검사하는 방법. - 청구항 12에 있어서,
지정영역 내의 텍스처 특징을 추출하는 단계;
이미지 내용의 검색을 기반으로, 유사도가 소정값보다 높은 텍스처 블록 리스트를 얻는 단계; 및
텍스처 블록 리스트의 화물종류 정보를 결정하여, 이런 텍스처를 나타내는 화물의 유형분포를 구축하는 단계;
를 더 포함하는, 화물을 검사하는 방법. - 청구항 13에 있어서,
듀얼 에너지 재료 식별 알고리즘을 통하여 피검사화물의 평균원자번호를 얻는, 화물을 검사하는 방법. - 청구항 13에 있어서,
이미지 비례축소 척도 및 지정영역의 화소 위치를 토대로 컨테이너 내에서의 지정영역의 실제위치를 얻는, 화물을 검사하는 방법. - 컨테이너 내 피검사화물을 스캐닝하여 피검사화물의 투과 이미지를 취득하는 복사 촬상 시스템; 및
데이터 처리장치를 구비하고,
상기 데이터 처리 장치는:
상기 투과 이미지를 처리하여 관심영역을 얻고;
상기 관심영역으로부터 특징을 추출하며, 상기 관심영역으로부터 피검사화물의 적재모드의 묘사정보가 추출되고;
추출된 특징에 의해 상기 피검사화물의 화물정보를 결정하며, 상기 화물정보는 화물의 적재모드를 포함하고;
상기 묘사정보를 기반으로 상기 투과 이미지의 관심영역 중의 화물의 적재모드의 확률을 결정하며;
결정된 화물정보 및 세관신고서 중의 적어도 일부 정보를 기반으로, 해당 화물에 대한 추천처리의견을 제공하도록 구성되고,
결정된 화물정보 및 세관신고서 중의 적어도 일부 정보를 기반으로, 해당 화물에 대한 추천처리의견을 제공하는 것은, 세관신고서중의 적재모드를 조건으로 얻은 화물유형 확률에 투과 이미지를 기반으로 추측된 적재모드를 조건으로 얻은 세관신고서 중의 적재모드의 확률을 곱셈하여 일치성 확률을 결정하고, 당해 일치성 확률이 소정값보다 작으면 해당화물이 세관신고서 중의 화물과 일치하지 않다고 판단하는 것을 포함하는, 화물을 검사하는 시스템. - 삭제
- 삭제
- 삭제
- 삭제
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410842364.4A CN105808555B (zh) | 2014-12-30 | 2014-12-30 | 检查货物的方法和系统 |
| CN201410842364.4 | 2014-12-30 | ||
| PCT/CN2015/076421 WO2016107009A1 (zh) | 2014-12-30 | 2015-04-13 | 检查货物的方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20160130422A KR20160130422A (ko) | 2016-11-11 |
| KR101811270B1 true KR101811270B1 (ko) | 2017-12-21 |
Family
ID=53039225
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020167026867A KR101811270B1 (ko) | 2014-12-30 | 2015-04-13 | 화물을 검사하는 방법 및 그 시스템 |
Country Status (9)
| Country | Link |
|---|---|
| US (1) | US10074166B2 (ko) |
| EP (1) | EP3040740B1 (ko) |
| JP (1) | JP6445127B2 (ko) |
| KR (1) | KR101811270B1 (ko) |
| CN (1) | CN105808555B (ko) |
| BR (1) | BR112016021802B1 (ko) |
| MY (1) | MY184775A (ko) |
| SG (1) | SG11201607652UA (ko) |
| WO (1) | WO2016107009A1 (ko) |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9111331B2 (en) * | 2011-09-07 | 2015-08-18 | Rapiscan Systems, Inc. | X-ray inspection system that integrates manifest data with imaging/detection processing |
| PL3078944T3 (pl) * | 2015-04-07 | 2020-08-10 | Mettler-Toledo, LLC | Sposób ustalania masy obiektów na podstawie wielu obrazów rentgenowskich wykonanych na różnych poziomach energii |
| CN106353828B (zh) * | 2015-07-22 | 2018-09-21 | 清华大学 | 在安检系统中估算被检查物体重量的方法和装置 |
| CN106706677B (zh) * | 2015-11-18 | 2019-09-03 | 同方威视技术股份有限公司 | 检查货物的方法和系统 |
| WO2018036265A1 (zh) * | 2016-08-25 | 2018-03-01 | 北京华力兴科技发展有限责任公司 | 一种用于车辆安全检查的成像装置及其方法 |
| CN108108744B (zh) * | 2016-11-25 | 2021-03-02 | 同方威视技术股份有限公司 | 用于辐射图像辅助分析的方法及其系统 |
| CN108572183B (zh) * | 2017-03-08 | 2021-11-30 | 清华大学 | 检查设备和分割车辆图像的方法 |
| CN108734183A (zh) * | 2017-04-14 | 2018-11-02 | 清华大学 | 检查方法和检查设备 |
| CN107621653B (zh) * | 2017-07-17 | 2020-10-23 | 青岛讯极科技有限公司 | 一种快速检测集装箱是否为空的方法 |
| CN109522913B (zh) * | 2017-09-18 | 2022-07-19 | 同方威视技术股份有限公司 | 检查方法和检查设备以及计算机可读介质 |
| JP6863326B2 (ja) * | 2018-03-29 | 2021-04-21 | 日本電気株式会社 | 選別支援装置、選別支援システム、選別支援方法及びプログラム |
| SG11202011529YA (en) * | 2018-05-21 | 2020-12-30 | Smiths Detection Watford Ltd | System and method for inspecting items |
| EP3862749A4 (en) * | 2018-10-01 | 2022-07-13 | System Square Inc. | TRAINING DATA GENERATION DEVICE AND TRAINING DATA GENERATION SYSTEM |
| CN113835130A (zh) * | 2020-06-23 | 2021-12-24 | 同方威视技术股份有限公司 | 自动行走式的检查装置和自动分车方法 |
| CN111915248A (zh) * | 2020-07-16 | 2020-11-10 | 张文 | 社会车辆参与农产品运输的订单生成方法、装置、系统和介质 |
| GB202109943D0 (en) * | 2021-07-09 | 2021-08-25 | Smiths Detection France S A S | Image retrieval system |
| CN116092096A (zh) * | 2021-11-05 | 2023-05-09 | 同方威视技术股份有限公司 | 用于检验申报信息真实性的方法、系统、设备及介质 |
| CN118014958A (zh) * | 2024-02-05 | 2024-05-10 | 深圳云码通科技有限公司 | 一种包装箱缺陷检测方法及系统 |
| CN117896506B (zh) * | 2024-03-14 | 2024-07-05 | 广东电网有限责任公司 | 一种动态的现场作业场景可视化监控方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007140729A (ja) | 2005-11-16 | 2007-06-07 | Ishikawajima Harima Heavy Ind Co Ltd | 物品の位置及び姿勢を検出する方法および装置 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE3145227A1 (de) * | 1981-11-13 | 1983-05-19 | Heimann Gmbh, 6200 Wiesbaden | Verfahren und vorrichtung zur untersuchung des inhaltes von containern |
| US6370222B1 (en) * | 1999-02-17 | 2002-04-09 | Ccvs, Llc | Container contents verification |
| US7596275B1 (en) * | 2004-03-01 | 2009-09-29 | Science Applications International Corporation | Methods and systems for imaging and classifying targets as empty or non-empty |
| US7780390B2 (en) * | 2004-03-12 | 2010-08-24 | Mitsui Engineering & Shipbuilding Co., Ltd. | Container inspection/cargo-handling method and container inspection/cargo-handling system |
| WO2006100674A2 (en) * | 2005-03-21 | 2006-09-28 | Yeda Research And Development Co. Ltd. | Detecting irregularities |
| CA2608119A1 (en) * | 2005-05-11 | 2006-11-16 | Optosecurity Inc. | Method and system for screening luggage items, cargo containers or persons |
| US7492862B2 (en) * | 2007-01-17 | 2009-02-17 | Ge Homeland Protection, Inc. | Computed tomography cargo inspection system and method |
| CN101435783B (zh) * | 2007-11-15 | 2011-01-26 | 同方威视技术股份有限公司 | 物质识别方法和设备 |
| US9176076B2 (en) * | 2011-02-28 | 2015-11-03 | The Texas A&M University System | Cargo inspection system |
| US9111331B2 (en) * | 2011-09-07 | 2015-08-18 | Rapiscan Systems, Inc. | X-ray inspection system that integrates manifest data with imaging/detection processing |
-
2014
- 2014-12-30 CN CN201410842364.4A patent/CN105808555B/zh active Active
-
2015
- 2015-04-13 SG SG11201607652UA patent/SG11201607652UA/en unknown
- 2015-04-13 WO PCT/CN2015/076421 patent/WO2016107009A1/zh active Application Filing
- 2015-04-13 BR BR112016021802-7A patent/BR112016021802B1/pt active IP Right Grant
- 2015-04-13 KR KR1020167026867A patent/KR101811270B1/ko active IP Right Grant
- 2015-04-13 MY MYPI2016703398A patent/MY184775A/en unknown
- 2015-04-13 JP JP2017501456A patent/JP6445127B2/ja not_active Expired - Fee Related
- 2015-04-20 EP EP15164263.4A patent/EP3040740B1/en active Active
- 2015-04-30 US US14/700,249 patent/US10074166B2/en active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007140729A (ja) | 2005-11-16 | 2007-06-07 | Ishikawajima Harima Heavy Ind Co Ltd | 物品の位置及び姿勢を検出する方法および装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| MY184775A (en) | 2021-04-21 |
| WO2016107009A1 (zh) | 2016-07-07 |
| EP3040740A1 (en) | 2016-07-06 |
| JP6445127B2 (ja) | 2018-12-26 |
| CN105808555A (zh) | 2016-07-27 |
| CN105808555B (zh) | 2019-07-26 |
| US20160189360A1 (en) | 2016-06-30 |
| KR20160130422A (ko) | 2016-11-11 |
| EP3040740B1 (en) | 2019-06-26 |
| BR112016021802B1 (pt) | 2021-10-13 |
| JP2017509903A (ja) | 2017-04-06 |
| US10074166B2 (en) | 2018-09-11 |
| BR112016021802A2 (pt) | 2017-12-12 |
| SG11201607652UA (en) | 2016-11-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101811270B1 (ko) | 화물을 검사하는 방법 및 그 시스템 | |
| Ghiasi-Freez et al. | Semi-automated porosity identification from thin section images using image analysis and intelligent discriminant classifiers | |
| CN112597038B (zh) | 软件缺陷预测方法及系统 | |
| Clement et al. | The effect of call libraries and acoustic filters on the identification of bat echolocation | |
| Yang et al. | Uncertainty quantification and estimation in medical image classification | |
| Gauthier et al. | Detecting and correcting false transients in calcium imaging | |
| Mohamadi et al. | Fusion and visualization of bridge deck nondestructive evaluation data via machine learning | |
| Wang et al. | The aircraft skin crack inspection based on different-source sensors and support vector machines | |
| Rajak et al. | Applying and comparing machine learning classification algorithms for predicting the results of students | |
| CN112147221A (zh) | 基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及系统 | |
| Tian et al. | Signal processing schemes for Eddy Current Testing of steam generator tubes of nuclear power plants | |
| Li et al. | Characterization of mechanical discontinuities based on data-driven classification of compressional-wave travel times | |
| Koedel et al. | Challenges in the evaluation of observational data trustworthiness from a data producers viewpoint (FAIR+) | |
| Gruszczyński | Prediction of soil properties with machine learning models based on the spectral response of soil samples in the near infrared range | |
| Hu et al. | Key factors influencing earthquake-induced liquefaction and their direct and mediation effects | |
| Martinsen et al. | Age prediction by deep learning applied to Greenland halibut (Reinhardtius hippoglossoides) otolith images | |
| Bordekar et al. | eXplainable artificial intelligence for automatic defect detection in additively manufactured parts using CT scan analysis | |
| CN117351321A (zh) | 一种单阶段轻量化的地铁衬砌空洞识别方法及相关设备 | |
| Claes et al. | The application of computed tomography for characterizing the pore structure of building materials | |
| Marques et al. | Detection of covid-19 in computed tomography images using deep learning | |
| Sarikoc et al. | An automated prognosis system for estrogen hormone status assessment in breast cancer tissue samples | |
| Pignatelli et al. | Automatic inspection and analysis of digital waveform images by means of convolutional neural networks | |
| CN110807399A (zh) | 一种基于单一类别支持向量机的崩滑隐患点检测方法 | |
| Ding et al. | An open source pipeline for quantitative immunohistochemistry image analysis of inflammatory skin disease using artificial intelligence | |
| Fang et al. | Defect Width Estimation of Magnetic Flux Leakage Signal with Wavelet Scattering Transform |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |