KR102240058B1

KR102240058B1 - 검사 방법과 검사 장비 및 컴퓨터 판독 가능한 매체

Info

Publication number: KR102240058B1
Application number: KR1020197034843A
Authority: KR
Inventors: 지엔핑 구; 타오 리우; 즈란 자오; 야오홍 리우; 치앙 리
Original assignee: 눅테크 컴퍼니 리미티드
Priority date: 2017-09-18
Filing date: 2018-09-17
Publication date: 2021-04-15
Also published as: CN109522913A; EP3699579B1; CN109522913B; JP2020534508A; EP3699579A4; WO2019052561A1; KR20200003011A; EP3699579A1

Abstract

검사 방법, 검사 장비 및 컴퓨터 판독 가능한 매체를 제공한다. 이 방법은, X선을 이용하여 피검사 물체를 스캔하여, 피검사 물체의 화상을 얻고, 제1 신경망을 이용하여 상기 화상을 처리하여, 피검사 물체의 단어 의미 표현을 얻고, 상기 피검사 물체의 화물 적하 목록의 문자 정보를 읽고, 제2 신경망을 이용하여 피검사 물체의 화물 적하 목록의 문자 정보를 처리하여, 피검사 물체의 단어 의미 특징을 얻고, 상기 단어 의미 표현과 상기 단어 의미 특징에 기초하여, 상기 피검사 물체의 통과에 대한 허용 여부를 판단하는 것을 포함한다. 이 방법은, 검사의 정확률을 보장하는 동시에, 검사의 속도를 대폭 높여, 보안 검사의 효율을 대폭 향상시킬 수 있다.

Description

검사 방법과 검사 장비 및 컴퓨터 판독 가능한 매체

본 출원은, 보안 검사에 관한 것으로, 구체적으로는, 방사선 결상에 기초한 검사 방법과 검사 장비 및 컴퓨터 판독 가능한 매체에 관한 것이다.

현재, 유통업은 점점 중요한 역할을 하고 있다. <전국민 온라인 쇼핑 붐>에 있어서든, 정부가 주도하는 <일대일로>정책에 있어서든, 유통업은 극히 중요한 역할을 담당하고 있다. 하지만, 일부 불법자들이 유통체인의 편의성을 이용하여, 우편물을 허위적으로 신고하고 실제로는 마약, 폭발물, 총기 등의 금지품을 배달하는 행위가 종종 발생하고 있다. 이는 사회치안에 대한 거대한 위협으로 되고 있다

중국의 《반테러법》의 제85조에는, <철도, 도로, 수로, 항공로를 이용하는 화물운수, 우편, 택배 등 유통업체가 보안 검사제도를 이행하지 않고 고객의 신분을 인증하지 않거나, 규정에 따라 운수, 배달되는 물품에 대해 보안 검사나 오픈 검사를 이행하지 않거나, 운수, 우편을 의뢰한 고객의 신분과 물품에 대한 등록 제도를 이행하지 않을 경우, 처벌을 가하게 된다>고 규정되어 있다. 따라서, 택배 업체는 100%의 <선 검사, 후 패키징>원칙을 착실히 이행하고, 100%의 실명 제도, 100%의 X선기 보안 검사 제도를 충실히 이행할 필요가 있다.

이러한 경우, 인공적인 검사 방법을 통해 신고 정보와 실제 물품의 일치 여부를 확인하게 되면, 필연적으로 대량의 자원 낭비를 초래하게 되고, 효율성 또한 저하되는 문제점을 야기하게 된다. 또한, 인공적인 검사를 행할 경우, 검사자에게도 커다란 부담으로 작용하게 된다.

본 개시의 실시예는, 상기의 종래기술의 하나 또는 복수의 문제점을 감안한 것으로서, 검사 방법과 검사 장비 및 컴퓨터 판독 가능한 매체를 제안하며, 피검사 물체를 자동적으로 검사하고, 검사의 정확률을 보장함과 동시에 검사 속도를 대폭 향상시킬 수 있다.

본 개시의 일 측면에 따르면, X선을 이용하여 피검사 물체를 스캔하여, 피검사 물체의 화상을 얻는 단계; 제1 신경망을 이용하여 상기 화상을 처리하여, 피검사 물체의 단어 의미 표현을 얻는 단계; 상기 피검사 물체의 화물 적하 목록의 문자 정보를 읽는 단계; 제2 신경망을 이용하여 피검사 물체의 화물 적하 목록의 문자 정보를 처리하여, 피검사 물체의 단어 의미 특징을 얻는 단계; 및 상기 단어 의미 표현과 상기 단어 의미 특징에 기초하여, 상기 피검사 물체의 통과에 대한 허용 여부를 판단하는 단계를 포함하는 검사 방법을 제안한다.

본 개시의 실시예에 따르면, 상기 제1 신경망은, 콘벌루션 신경망 또는 후보 영역에 기반한 콘벌루션 신경망 또는 쾌속 후보 영역에 기반한 콘벌루션 신경망이고, 상기 제2 신경망은, 순환 신경망 또는 양방향 순환 신경망이다.

본 개시의 실시예에 따르면, 사전에 구축한 화상-단어 의미 페어의 집합을 이용하여 상기 제1 신경망을 트레이닝한다.

본 개시의 실시예에 따르면, 상기 제1 신경망을 이용하여 화상을 처리하기 전에, 상기 피검사 물체의 화상을 이치화하는 단계; 이치화된 화상에 대해 평균치를 산출하는 단계; 이치화된 화상의 각 화소치로부터 상기 평균치를 빼는 단계를 더 포함한다.

본 개시의 실시예에 따르면, 상기 단어 의미 표현과 상기 단어 의미 특징에 기초하여, 상기 피검사 물체의 통과에 대한 허용 여부를 판단하는 단계는, 상기 단어 의미 표현을 나타내는 제1 벡터와 상기 단어 의미 특징을 나타내는 제2 벡터 사이의 거리를 산출하고, 산출된 거리가 역치보다 작을 경우, 상기 피검사 물체의 통과를 허용하는 것을 포함한다.

본 개시의 실시예에 따르면, 제1 신경망의 트레이닝 과정 중에, 샘플 화상에 포함된 복수의 영역 특징과 상기 샘플 화상의 화물 적하 목록 정보에 포함된 복수의 단어 사이에 대응 관계를 구축한다.

본 개시의 실시예에 따르면, 상기 영역 특징을 나타내는 특징 벡터와 상기 단어를 나타내는 단어 의미 벡터의 내적을 영역 특징과 단어 사이의 유사도로 하고, 상기 샘플 화상의 복수의 영역 특징과 그의 화물 적하 목록 정보에 포함된 복수의 단어 사이의 유사도의 가중된 가산치를 상기 샘플 화상과 그의 화물 적하 목록 정보와의 유사도로 한다.

본 개시의 다른 측면에 따르면, X선을 이용하여 피검사 물체를 스캔하여, 스캔 화상을 얻는 스캔 장치; 상기 피검사 물체의 화물 적하 목록 정보를 입력하는 입력 장치; 및 프로세서를 포함하고, 상기 프로세서는, 제1 신경망을 이용하여 상기 화상을 처리하여, 피검사 물체의 단어 의미 표현을 얻고, 제2 신경망을 이용하여 피검사 물체의 화물 적하 목록의 문자 정보를 처리하여, 피검사 물체의 단어 의미 특징을 얻고, 상기 단어 의미 표현과 상기 단어 의미 특징에 기초하여, 상기 피검사 물체의 통과에 대한 허용 여부를 판단하도록 배치되는 검사 장비를 제안한다.

본 개시의 또 다른 측면에 따르면, 프로세서에 의해 실행될 경우,

제1 신경망을 이용하여 피검사 물체의 X선 화상을 처리하여, 피검사 물체의 단어 의미 표현을 얻는 단계;

제2 신경망을 이용하여 피검사 물체의 화물 적하 목록의 문자 정보를 처리하여, 피검사 물체의 단어 의미 특징을 얻는 단계; 및

상기 단어 의미 표현과 상기 단어 의미 특징에 기초하여, 상기 피검사 물체의 통과에 대한 허용 여부를 판단하는 단계를 실현하는, 컴퓨터 프로그램이 저장되어 있는, 컴퓨터 판독 가능한 매체를 제안한다.

상기의 실시예의 기술안을 이용하면, 검사의 정확률을 보장하는 동시에, 검사의 속도를 대폭 높여, 보안 검사의 효율을 대폭 향상시킬 수 있다.

본 개시를 보다 쉽게 이해하기 위해, 이하의 도면을 참조하면서 본 개시를 상세하게 설명한다.
도 1은, 본 개시의 실시예에 따른 검사 장비의 모식도이다.
도 2는, 도 1에 도시된 실시예에 있어서 화상 처리를 위한 컴퓨터의 내부 구성의 모식도이다.
도 3은, 본 개시의 실시예의 검사 장비 및 검사 방법에 사용되는 인공 신경망을 나타내는 모식도이다.
도 4는, 본 개시의 실시예의 검사 장비 및 검사 방법에 사용되는 다른 인공 신경망을 나타내는 모식도이다.
도 5는, 본 개시의 실시예에 따른 화상과 단어 의미를 얼라인하는 과정을 나타내는 모식도이다.
도 6은, 본 발명의 실시예에 따른 검사 장비 및 검사 방법에서 화상-단어 의미 모델을 구축하는 것을 나타내는 흐름도이다.
도 7은, 본 개시의 실시예에 따른 검사 방법을 통해 피검사 물체에 대해 보안 검사를 행하는 과정을 나타내는 흐름도이다.

이하, 본 발명의 구체적인 실시예를 상세하게 설명한다. 또한, 여기서 설명하는 실시예는, 예시적인 것으로서, 본 발명을 한정하는 것이 아님을 주의해야 한다. 이하의 설명에 있어서, 본 발명을 충분히 이해할 수 있도록, 다수의 특정적인 세부적 특징을 기술한다. 하지만, 당업자라면, 반드시 이러한 특정적인 세부적 구성을 사용하여 본 발명을 실행해야 하는 것이 아님을 이해할 것이다. 다른 실시예에 있어서, 본 발명의 취지를 불필요하게 흐리지 않도록, 주지의 구성, 재료 또는 방법에 대한 구체적인 설명은 생략한다.

본 개시의 실시예는, 종래기술의 검사 효율이 낮은 문제점을 감안하여, 딥 러닝에 기반한 검사 기술을 제안하였고, 지능적으로 물품 검사기의 이미지 리스트의 대조를 완료할 수 있다. 본 개시의 실시예의 기술안을 이용하면, 물품 검사기의 화물 화상에서 물품을 신고한 세관 신고서의 데이터와 일치하지 않는 영역을 발견할 수 있다. 이 영역은, 허위적으로 신고한 물품이거나 또는 은폐하고 신고하지 않은 물품일 가능성이 있다. 허위적으로 신고한 물품은 일반적으로 유통 물품 중의 금지품 또는 유통, 운수 안전에 위협이 되는 위험품이고, 검사를 피하기 위해 세관 신고서에서 해당 화물을 운수하는데 안전한 화물처럼 위장한 물품이다. 은폐하고 신고하지 않은 물품은 일반적으로, 수량이나 부피가 작은 물품으로서, "은폐소지"라고도 하는데, 주로 금지품을 밀수하기 위해 자주 사용되는 수단이다.

또한, 물품 검사기의 스캔 화상에 있어서, 유통품 중 한 개의 박스에 다수의 물품이 수납되어 있을 경우, 기존의 화상 처리 기술로는 해결할 수 없으므로, 문제점으로 되어왔다. 정확하게 말하면, 이는 장비의 불일치성의 영향을 받는, 세관 신고서의 데이터 감독에 있어서 다의성(多義性) 복잡 분할에 관한 문제이다. 예를 들면, 서로 다른 장비에 있어서는, 알고리즘의 효과도 당연히 다를 것이고, 세관 신고서의 데이터 형식은 복수의 감독치(예를 들면, 화물이 몇 종류가 있는지, 각각의 카테고리 및 단위 중량 등)을 제공하고, 화상 중의 각 화소는 동시에 복수의 화물에 소속되어 있는 등 경우가 있다. 본 개시의 방법은, 딥 러닝에 기반한 방법을 사용하여 상기 문제점을 해결하고, 한 개의 박스에 여러 종류의 물품이 수납되어 있다 하더라도, 수동적으로 특징을 선택하여 취득할 필요가 없고, 콘벌루션 신경망 및 대규모 트레이닝 데이터를 이용하여 트레이닝된 화상 모델 및 단어 의미 모델을 취득하고, 나아가서, 테스트 이미지에 대해 대응되는 화상-단어 의미 표현을 생성함으로써, 한 개의 박스에 다수의 물품이 수납되어 있는 경우의 이미지 리스트 대조를 정확하게 완성할 수 있다.

도 1은, 본 개시의 실시예에 따른 검사 장비의 구성을 나타내는 모식도이다. 도 1에 도시된 바와 같은 검사 장비(10)는, X선 소스(11), 검출기 모듈(15), 수집 회로(16), 컨트롤러(17) 및 데이터 처리 컴퓨터(18) 등을 포함한다. 방사선 소스(11)는, 하나 또는 복수의 X선 발생기를 포함하고, 싱글 에너지 투과 스캔을 행할 수도 있고, 더블 에너지 투과 스캔을 행할 수도 있다.

도 1에 도시된 바와 같이, 예를 들면, 화물의 물품과 같은 피검사 물체(14)는, 컨베이어(13) 상에 실려 방사선 소스(11)와 검출기 모듈(15) 사이의 스캔 영역을 통과한다. 일부 실시예에 있어서, 검출기 모듈(15) 및 수집 회로(16)는, 예를 들어, 일체형 모듈구조의 검출기 및 데이터 수집기이고, 예를 들면, 다수열 검출기이며, 피검사 물체(14)를 투과한 방사선을 검출하여, 아날로그 신호를 취득하고, 아날로그 신호를 디지털 신호로 변환함으로써, 피검사 물체(14)의 X선에 대한 투과 화상을 출력한다. 더블 에너지 모드의 경우, 예를 들면, 하이 에너지 방사선에 대해 1열의 검출기를 설치하고, 로우 에너지 방사선에 대해 다른 1열의 검출기를 설치할 수도 있고, 또는, 하이 에너지 방사선과 로우 에너지 방사선이 시간 분할 방식으로 동일한 1열의 검출기를 사용할 수도 있다. 컨트롤러(17)는, 시스템 전체의 각 부분을 동기적으로 동작하도록 제어한다. 데이터 처리 컴퓨터(18)는, 데이터 수집 회로(16)에 의해 수집된 데이터를 처리하고, 화상 데이터를 처리하여, 결과를 출력한다. 예를 들면, 데이터 처리 컴퓨터(18)는, 화상 처리 프로그램을 실행하고, 스캔하여 얻은 화상을 분석 및 러닝하여, 해당 화상의 단어 의미 표현을 취득한 다음, 취득한 단어 의미 표현을 화물의 물품의 화물 적하 목록 정보에 포함되어 있는 단어 의미 특징과 대조하여, 신고정보와 화물의 물품의 물체가 일치하는지 판단한다. 일치할 경우, 화물의 물품의 통과를 허용하고, 그렇지 않을 경우, 알람을 발생하여, 보안 요원에게 해당 화물의 물품이 이상함을 제시한다.

본 실시예에 따르면, 검출기 모듈(15) 및 수집 회로(16)는 피검사 물체(14)의 투과 데이터를 취득하기 위한 것이다. 수집 회로(16)에는, (전류) 적분 방식 또는 펄스 (카운트) 방식으로 동작하는 데이터 증폭 성형 회로가 포함되어 있다. 수집 회로(16)의 데이터 출력 케이블은 컨트롤러(17) 및 데이터 처리 컴퓨터(18)에 연결되어, 트리거 명령에 따라, 수집된 데이터를 데이터 처리 컴퓨터(18)에 저장해둔다.

일부 실시예에 있어서, 검출기 모듈(15)은, 복수의 검출 유닛을 포함하고, 피검사 물체(14)를 투과한 X선을 수신한다. 수집 회로(16)는, 검출기 모듈(15)에 결합되어, 검출기 모듈(16)에 의해 발생된 신호를 검출 데이터로 변환한다. 컨트롤러(17)는 제어 회선(CTRL1)을 거쳐 방사선 소스(11)에 연결되고, 제어 회선(CTRL2)을 거쳐 검출기 모듈(15)에 연결되며, 또한, 수집 회로(16)에 연결되어, 방사선 소스(11) 중의 하나 또는 복수의 X선 발생기를 제어하여 피검사 물체(14)에 대해 싱글 에너지 스캔을 행하거나, 또는 피검사 물체(14)에 대해 더블 에너지 스캔을 행함으로써, 피검사 물체(14)의 이동에 따라 X선을 발생하고, 피검사 물체(14)를 투과한다. 또한, 컨트롤러(17)는, 검출기 모듈(15)과 수집 회로(16)를 제어하여, 대응하는 투과 데이터, 예를 들면, 싱글 에너지 투과 데이터 또는 더블 에너지 투과 데이터를 취득한다. 데이터 처리 컴퓨터(18)는, 투과 데이터에 기초하여 피검사 물체(14)의 화상을 취득하고, 해당 화상을 처리하며, 또한, 피검사 물체(14)의 화물 적하 목록 정보에 기초하여 양자가 일치하는지 판단한다.

도 2는, 도 1에 도시된 바와 같은 데이터 처리 컴퓨터의 구성 블록도이다. 도 2에 도시된 바와 같이, 데이터 처리 컴퓨터(20)는, 저장 수단(21), ROM(Read Only Memory)(22), RAM(Random Access Memory)(23), 입력 장치(24), 프로세서(25), 표시 수단(26), 인터페이스 유닛(27) 및 버스(28) 등을 포함한다.

수집 회로(16)에 의해 수집된 데이터는, 인터페이스 유닛(27) 및 버스(28)를 거쳐 저장 수단(21)에 저장된다. ROM(Read Only Memory)(22)에는, 컴퓨터 데이터 프로세서의 배치 정보 및 프로그램이 저장되어 있다. RAM(Random Access Memory)(23)은, 프로세서(25)의 동작 과정 중에 각종 데이터를 일시적으로 저장하기 위한 것이다. 또한, 저장 수단(21)에는, 데이터 처리를 위한 컴퓨터 프로그램이 더 저장되어 있다. 내부 버스(28)에는, 상기의 저장 수단(21), ROM(22), RAM(23), 입력 장치(24), 프로세서(25), 표시 수단(28) 및 인터페이스 유닛(27)이 연결된다.

사용자가 키보드나 마우스와 같은 입력 장치(24)를 통해 조작 명령을 입력한 후, 컴퓨터 프로그램의 명령코드는, 프로세서(25)에 데이터 처리 알고리즘을 실행하도록 명령하고, 데이터 처리 결과를 얻은 후, 이를 LCD 디스플레이와 같은 표시장치(27)에 표시하거나, 또는 프린트와 같은 하드 카피의 방식으로 직접 처리 결과를 출력할 수 있다.

예를 들어, 방사선 소스(11)는, 방사성 동위원소(예를 들면, Co-60)일 수 있고, 로우 에너지의 X선기 또는 하이 에너지의 X선 가속기 등 일수 있다.

예를 들어, 검출기 모듈(15)은, 재료에 따라 구분하면, 기체 검출기, 신틸레이터 검출기 또는 고체 검출기 등 일수 있고, 어레이의 배열에 따라 구분하면, 1열, 2열 또는 복수열 및 1층 검출기 또는 2층 하이-로우 에너지 검출기 등 일 수 있다.

이상에서는, 예를 들어 화물의 물품과 같은 피검사 물체(14)가 컨베이어(13)에 실려 이동함으로써, 검사 영역을 통과하는 경우에 대해 설명하였으나, 당업자라면, 피검사 물체(14)가 정지하고, 방사선 소스 및 검출기 어레이가 이동하여 스캔과정을 실현할 수도 있음을 이해할 것이다.

투과 화상 중의 특징을 인식하기 위해, 본 개시의 실시예는, 콘벌루션 신경망(CNN)을 이용하여 화상 중의 특징을 인식하는 것을 제안한다. 이하, 도 3을 참조하여 본 개시의 실시예에 따른 콘벌루션 신경망(30)을 상세히 설명하기로 한다. 도 3은, 본 개시의 실시예에 따른 콘벌루션 신경망(30)을 나타내는 모식도이다. 도 3에 도시된 바와 같이, 콘벌루션 신경망(30)은, 통상적으로, 복수의 콘벌루션층(32 및 34)을 포함할 수도 있는데, 이들 콘벌루션층(32 및 34)은 일반적으로, 부분적으로 중첩되는 소형의 뉴런(수학적 의미에서는, 콘벌루션 커널이라고도 함. 이하, 별도의 언급이 없는 한, 이 2개의 용어는 서로 치환하여 사용할 수 있음)의 집합이다. 또한, 본 개시의 전반에 있어서, 별도의 언급이 없는 한, 콘벌루션 신경망(30) 중의 임의의 2개의 층에 있어서, 입력 데이터(또는 입력층, 예를 들어 도 3의 입력층(31))에 보다 근접한 일방의 층을 "앞" 또는 "아래"의 층으로 부르고, 출력 데이터(또는 출력층, 예를 들어 도 3의 출력층(37))에 보다 근접한 타방의 층을 "뒤" 또는 "위"의 층이라고 부른다. 또한, 트레이닝, 검증 및 /또는 사용기간 내에, 입력층(예를 들면, 도 3의 입력층(31))으로부터 출력층(예를 들면, 도 3의 출력층(37))까지의 방향을 전방향 또는 정방향(forward)이라고 부르고, 출력층(예를 들면, 도 3의 출력층(37))으로부터 입력층(예를 들면, 도 3의 입력층(31))까지의 방향을 후방향 또는 역방향(backward)이라고 부른다.

도 3에 도시된 제1 콘벌루션층(32)을 예로 들면, 이들 소형의 뉴런은, 입력화상의 각 국소적 영역을 처리할 수 있다. 그 다음, 이들 소형의 뉴런의 출력은, 병합되어 하나의 출력(특징 매핑이라고 함, 예를 들면, 제1 콘벌루션층(32) 중의 사각형)으로 배열되고, 최초의 화상 중의 어느 특징을 보다 양호하게 표현할 수 있는 출력 화상을 취득한다. 동시에, 인접한 뉴런 사이의 부분적으로 중첩되는 배열에 의해서도, 콘벌루션 신경망(30)은, 최초의 화상 중의 특징에 대해 어느 정도의 이동 허용도를 갖게 된다. 다시 말하면, 최초의 화상 중의 특징이 일정한 허용도 내에서 이동함으로써 그 위치가 변화되었다 하더라도, 해당 콘벌루션 신경망(30)은 정확하게 이 특징을 인식할 수 있다. 콘벌루션층의 세부 내용은 후술하기로 하고, 여기서는 상세히 설명하지 않는다.

다음 층은, 옵션적인 풀링(pooling)층, 즉, 제1 풀링층(33)이고, 주로 특징을 유지하면서 앞의 콘벌루션층(32)의 출력 데이터에 대해 다운 샘플링을 행하여, 계산량을 감소함으로써 과적합(over fitting)을 방지한다.

다음 층은, 여전히 콘벌루션층, 즉, 제2 콘벌루션층(34)이고, 제1 콘벌루션층(32)에 의해 생성되고 풀링층(33)에 의해 다운 샘플링된 출력 데이터에 대해 진일보로 특징 샘플링을 행할 수 있다. 직관적으로는, 해당 층이 러닝한 특징은, 전체성에 있어서 제1 콘벌루션층이 러닝한 특징보다 크다. 마찬가지로, 뒤의 콘벌루션층은 모두 앞의 콘벌루션층의 특징을 전체화한다.

콘벌루션층(예를 들면, 제1 및 제2 콘벌루션층(32 및 34))은, CNN(예를 들면, 콘벌루션 신경망(30))의 핵심적인 구조 단위이다. 이 층의 파라미터는, 러닝 가능한 콘벌루션 커널(또는, 단지 콘벌루션 커널이라고 부른다)의 집합으로 구성되고, 각각의 콘벌루션 커널은 아주 작은 수용 필드를 가지고 있으나, 입력 데이터의 깊이 전반에 걸쳐 연신된다. 전방향 과정에 있어서, 각각의 콘벌루션 커널을 입력 데이터의 폭 및 높이에 따라 콘벌루션을 행하고, 콘벌루션 커널의 요소와 입력 데이터 사이의 내적을 산출하며, 해당 콘벌루션 커널의 2차원 활성화 매핑을 생성한다. 그 결과로는, 네트워크는 입력된 어느 공간 위치에서 어느 구체적인 타입의 특징을 봤을 때에야 활성화되는 콘벌루션 커널을 러닝할 수 있다.

전부의 콘벌루션 커널의 활성화 매핑을 깊이 방향에 따라 적층하고, 콘벌루션층의 풀(full) 출력 데이터를 형성한다. 따라서, 출력 데이터 중의 각 요소는, 입력 중의 작은 영역이 보이고, 또한 동일한 활성화 매핑 중의 다른 콘벌루션 커널과 파라미터를 공유하는 콘벌루션 커널의 출력으로 해석할 수 있다.

출력 데이터의 깊이는, 층 중의 입력 데이터의 동일한 영역에 접속되는 콘벌루션 커널의 수를 제어한다. 예를 들면, 도 3에 도시된 바와 같이, 제1 콘벌루션층(32)의 깊이는 4이고, 제2 콘벌루션층(34)의 깊이는 6이다. 전부의 콘벌루션 커널은, 입력 중의 서로 다른 특징에 대해 활성화되는 것을 러닝한다. 예를 들면, 제1 콘벌루션층(32)이 최초의 화상을 입력으로 하면, 깊이의 차원을 따라 배열된 콘벌루션 커널(즉, 도 3의 서로 다른 사각형)은, 입력 데이터 중에 각종 방향성 변 또는 그레이 스케일 블록이 나타났을 때 활성화될 수 있다.

트레이닝 과정은, 딥 러닝에 있어서 아주 중요한 부분이다. 네트워크가 효과적으로 수렴(收斂)하도록 확보하기 위해, 랜덤 구배 강하법을 사용할 수 있다. 예를 들면, Nesterov 최적화 알고리즘을 사용하여 해답을 구할 수 있다. 일부 실시예에 있어서, 초기의 러닝 속도는 0.01로부터 시작하여 하나의 최적치를 찾아낼 때까지 점차 작아지도록 설정할 수 있다. 또한, 일부 실시예에 있어서, 가중치의 초기치에 관하여, 작은 분산을 가지는 Gaussian 랜덤 과정을 이용하여 각 콘벌루션 커널의 가중치를 초기화할 수 있다. 일부 실시예에 있어서, 화상 트레이닝 집합은, 화상 중의 특징적인 위치가 표기된 물품의 화상을 사용할 수 있다.

본 개시의 실시예에 따르면, 이미지에서 도 3에 도시된 바와 같은 CNN(Convolution Neural Networks)을 이용하여, 조밀한 이미지 표현을 생성하여 물품 검사기의 화상 중의 물품의 정보를 나타낸다. 특히, 콘벌루션 신경망 모델을 이용하여 화상 특징을 추출할 때, 후보 영역에 기반한 콘벌루션 신경망 또는 쾌속 후보 영역에 기반한 콘벌루션 신경망(Faster-RCNN)의 추출 방법을 사용할 수 있다. 예를 들면, 이미지에서 CNN(Convolution Neural Networks)을 이용하여, 조밀한 이미지 표현을 생성하여 소형의 물품 검사기의 화상 중의 물품의 정보를 나타낸다. 이미지의 구절 표현은 일반적으로 이미지 중의 물체 및 이들의 속성에 관계되므로, RCNN(Region Convolutional Neural Network)을 이용하여 각 이미지로부터 물체를 검출한다. 이미지 전체를 검출하여, 일련의 물품 및 그의 신뢰도를 얻고, 신뢰도가 가장 높은 10곳의 검출 위치를 이용하여, 각 경계 블록 내의 전부의 화소로부터 이미지 표현을 산출한다. 당업자라면, 다른 인공 신경망을 이용하여 투과 화상 중의 특징을 인식하고, 러닝할 수 있다는 것을 이해할 것이다. 본 개시의 실시예는 이에 한정되지 않는다.

화물 적하 목록 정보를 러닝하기 위해, 또는, 화물 적하 목록에 포함된 정보를 확정하기 위해, 본 개시의 실시예에서는, 자연 언어의 러닝에 적용 가능한 순환 신경망(RNN(Recurrent Neural Networks))을 사용하였다. 도 4는, 본 개시의 실시예의 검사 장비 및 검사 방법에 사용되는 인공 신경망의 모식도를 나타낸다.

도 4에 도시된 바와 같이, 통상적으로, RNN은 입력 유닛(Input units)을 포함하고, 입력 집합은 {x₀, x₁, ..., x_t, x_t ₊ ₁, ...}로 표시되며, 출력 유닛(Output units)의 출력 집합은 {y₀, y₁, ..., y_t, y_t ₊ ₁., ..}로 표시된다. RNN은, 히든 유닛(Hidden units)을 더 포함하고, 그 출력 집합을 {s₀, s₁, ..., s_t, s_t+ ₁, ...}로 표시하며, 이들 히든 유닛은, 가장 주요한 역할을 한다. 도 4에는, 입력 유닛으로부터 히든 유닛에 도달하는 1갈래 일방향으로 흐르는 정보 스트림이 존재하는 동시에, 히든 유닛으로부터 출력 유닛에 도달하는 다른 하나의 일방향으로 흐르는 정보 스트림이 존재한다. 일부 경우, RNN은 후자의 규제를 벗어나, 정보를 출력 유닛으로부터 히든 유닛으로 되돌아가도록 유도하게 되는데, 이는 "Back Projections"으로 불린다. 그리고, 히든층의 입력에는, 앞의 히든층의 상태도 포함되어 있다. 즉, 히든층 내의 노드는, 자기 연결될 수도 있고, 서로 연결될 수도 있다.

도 4에 도시된 바와 같이, 순환 신경망을 하나의 풀 신경망으로 전개한다. 예를 들면, 5개의 단어를 포함하는 구절의 경우, 전개된 네트워크는 하나의 5층의 신경망으로 되고, 각 층은 1개의 단어를 나타낸다.

이렇게 하여, 자연적인 언어를 기계가 인식할 수 있는 부호로 변환함으로써, 머신 러닝과정에서 이를 용이하게 수치화할 수 있도록 한다. 단어는 자연적인 언어를 이해하고 처리하기 위한 기초이므로, 단어를 수치화할 필요가 있는데, 본 개시의 실시예는 단어 벡터(Word Representation)를 사용할 것을 제안하였다. 단어 벡터라는 것은, 소정의 길이를 가지는 실수 벡터(v)를 사용하여 하나의 단어를 나타내는 것을 의미한다. One-hot vector을 사용하여 단어를 나타낼 수도 있다. 즉, 단어의 수|V|에 따라 |V|*1의 벡터를 생성하고, 어느 비트가 "1"일 경우, 다른 비트는 "0"이 되며, 이 벡터는 하나의 단어를 나타낸다.

RNN에 있어서, 한 단계의 입력이 완료될 때마다, 각 층은 파라미터 U, V, W를 공유하는데, 이는, RNN 중의 각 단계는 모두 동일한 일을 하고, 다만 입력이 다를 뿐임을 의미하므로, 네트워크에서 러닝해야 할 파라미터를 대폭 줄일 수 있다.

Bidirectional RNN(양방향 순환 신경망)이, RNN에 비해 개선된 점은, 현재의 출력(t번째 단계의 출력)이 앞의 시리즈에만 의뢰하는 것이 아니라, 뒤의 시리즈에도 의뢰하는 것이다. 예를 들면, 하나의 구절에 있어서 잃어버린 단어를 예측하기 위해서는, 전후의 문맥으로부터 예측할 필요가 있다. Bidirectional RNN은 상대적으로 간단한 RNN이고, 2개의 RNN이 상하로 적층된 것이다. 출력은, 이들 2개의 RNN의 히든층의 상태에 의해 결정된다.

본 개시의 실시예에 있어서, 도 4에 도시된 바와 같이, 화상에 대응되는 세관 신고서의 정보 또는 배달 리스트의 물품 정보에 대해, RNN(Recurrent Neural Networks)모델을 사용한다. 예를 들면, 본 개시의 실시예에 있어서, 양방향RNN(BRNN)의 방법을 사용한다. BRNN은, n개의 단어의 시리즈를 입력하고, 각각의 단어는 one-hot를 통해 코딩되며, 각각의 단어를 하나의 일정한 h차원의 최초의 벡터로 변환한다. 단어의 주위의 길이가 변화하는 전후문을 사용하므로, 단어의 표현은 풍부하게 된다. 당업자라면, 다른 인공 신경망을 이용하여 화물 적하 목록 정보중의 특징을 인식하고, 러닝할 수 있음을 이해할 것이다. 본 개시의 실시예는 이에 한정되지 않는다.

본 개시의 실시예에 따르면, 검사 과정은, 1) 스캔 완료 화상 및 대응되는 세관 신고서의 단어 의미 정보의 데이터베이스를 구축하고, 2) 화물의 물품의 화상 모델과 대응되는 단어 의미 모델을 구축하고, 3) 이미지 리스트 대조 모델을 구축하여 지능적인 이미지 리스트의 대조를 완성하는, 3개의 부분과 관련된다. 스캔 완료 화상 및 대응되는 세관 신고서의 단어 의미 정보의 데이터베이스에는, 화상 수집, 화상 전처리, 샘플 전처리의 3개의 부분이 포함된다.

화상 및 대응되는 세관 신고서의 단어 의미 정보의 데이터베이스를 구축하는 것은, 주로 화상 수집, 화상 전처리, 샘플 전처리의 3개의 부분으로 구분된다. 구축과정은 아래와 같다. (1) 화상 수집. 상당한 수량의 물품 검사기에 의해 스캔된 물품 화상을 수집하여, 화상 데이터베이스에 각종 물품 화상이 포함되도록 한다. 이때, 화상에는 정상품과 금지품이 포함되어 있음을 주의하여야 한다. (2) 화상 전처리. 스캔 및 수집하여 얻은 화상에는, 노이즈 정보가 포함되므로, 스캔 화상에 대해 전처리를 행할 수 있다. 이치화 화상은 통일적인 물리적 분해능을 가지고 또한 복수의 종류의 알고리즘을 용이하게 조합하여 사용할 수 있으므로, 본 출원에서는, 이치화 화상을 사용한다. 주의하여야 할 점은, 모델의 범용적 성능을 확보하기 위해, 각 이미지로부터 전부의 이미지의 평균치를 뺄 수도 있다.

예를 들, 상당한 수량의 물품 검사기에 의해 스캔된 물품 화상을 수집하여, 화상 데이터베이스에 각종 물품 화상이 포함되도록 한다. 이때, 화상에는 정상품과 금지품이 포함되어 있음을 주의하여야 한다. 그 다음, 스캔 및 수집하여 얻은 화상에는 노이즈 정보가 포함되므로, 스캔 화상에 대해 전처리를 행할 필요가 있다. 이치화 화상은 통일적인 물리적 분해능을 가지고 또한 복수의 종류의 알고리즘을 용이하게 조합할 수 있으므로, 본 출원에서는 이치화 화상을 사용한다. 이치화 화상을 얻은 후, 화상의 그레이 스케일의 평균치를 산출하고, 모델의 범용적 성능을 확보하기 위해, 각 이미지로부터 전부의 이미지의 평균치를 빼고, 얻어진 결과를 모델의 화상 입력으로 할 수 있다.

본 개시의 실시예에 따르면, 세관 신고서의 단어 의미 정보를 사용하여 샘플을 마킹한다. 화상과 단어 의미 정보는 하나의 완전한 정보 페어를 형성하여, 네트워크의 트레이닝을 용이하게 한다. 여기서, 단어 의미 정보에는 배달 운수 리스트 등에 기재된 물품 정보도 포함됨을 주의하여야 한다. 예를 들면, 세관 신고서의 단어 의미 정보를 사용하여 샘플을 마킹한다. 화상과 단어 의미 정보는 하나의 완전한 정보 페어를 형성하여, 네트워크의 트레이닝을 용이하게 한다. 모델이 키워드에 대해 높은 감도를 가지도록 하기 위해서는, 물품에 대한 표현중의 키워드가 아닌 단어를 처리할 필요가 있는데, 예를 들면, "일종", "일 종류"와 같은 물품의 키워드가 아닌 단어를 삭제한다.

이미지 리스트 대조 모델을 구축하는 과정은, 도 5에 도시된 바와 같이, 이미지와 이에 대응되는 구절표현으로 구성된 데이터 집합에서, 언어와 시각적인 데이터와의 내재적인 모드 대응 관계를 러닝한다. 도 5에 도시된 바와 같이, 본 개시의 방법은, 하나의 신규 모델의 조합 방식에 기초하고, 또한, 하나의 구조화 목표에 기초하여, 하나의 멀티 모드 코딩 모델을 통해 2개 모드의 입력을 얼라인한다.

화상 특징과 단어 의미 특징을, 멀티 모드 코딩 모델을 통해 얼라인하고, 랜덤 구배 강하 트레이닝을 통해 최종적으로 이미지 리스트 대조 모델, 즉, 도 5에 도시된 바와 같은 RCNN(52) 및 BRNN(53)을 얻는다. 예를 들면, 산출된 결과로부터, 화상과 신고한 물품의 단어 의미 정보가 대응되면, 물품은 자동적으로 물품 검사기를 통과하게 된다. 산출된 결과로부터, 화상과 신고한 물품의 단어 의미 정보가 대응되지 않으면, 물품 검사기는 알람을 발생하여, 작업자에게 이상함을 제시하고, 관련되는 처리를 행하도록 한다. 본 개시에 있어서, 모델은 가설, 예를 들면, 특수한 하드코딩모델, 규칙 또는 카테고리에 의뢰하지 않고, 트레이닝 어조로부터만 러닝을 진행할 필요가 있다.

이렇게 하여, 대량의 (이미지-구절) 데이터 집합을 이용하여, 이미지의 언어적인 표현을 약한 마킹으로 볼 수 있다. 이러한 구절에 있어서 연속적으로 분할된 단어는 이미지 중의 일부 특수하지만 미지의 위치에 대응된다. 신경망(52 및 53)을 이용하여, 이들의 "얼라인"을 추정하고, 이들을 러닝 표현 생성 모델에 적용한다. 구체적으로는, 상기와 같이, 본 개시는 하나의 깊이 신경망 모델을 사용하여, 부분적인 구절과 이에 대응되는 표현 이미지 영역 사이의 잠재적인 얼라인 관계를 추정할 수 있다. 이와 같은 모델은 하나의 공동의, 멀티 모드의 코딩 공간 및 하나의 구조화 목표를 통해, 2개의 모드를 관련시킨다. 하나의 멀티 모드의 재귀적인 신경망 아키텍쳐를 사용하여, 하나의 화상을 입력하고, 대응되는 텍스트 표현을 생성하며, 생성된 이미지 표현과 화상 마킹 정보에 대해 키워드 매칭을 행하고, 생성된 구절표현과 마킹 정보와의 유사도를 판단한다. 실험에 의하면, 생성된 텍스트 표현 구절은, 검색에 기반한 방법에 비해 월등하게 우위적이다. 판단된 대응 관계에 있어서, 이 모델을 트레이닝하고, 하나의 국소적으로 마킹된 신규 데이터 집합을 통해 그 효과를 테스트하였다.

도 5에 도시된 바와 같이, 멀티 모드 코딩 모델을 통해 화상 특징과 단어 의미 특징을 얼라인하고, 랜덤 구배 강하 트레이닝에 의해 최종적으로 이미지 리스트 대조 모델을 얻는다.

예를 들면, 구축된 RCNN(52) 및 BRNN(53)을 이용하여, 각 소형 물품 검사기의 스캔 이미지와 이에 대응되는 구절 표현을 하나의 공통의 h차원 벡터 집합으로 변환할 수 있다. 감독어료(監督語料)는 이미지 전체 및 구절 전체에 있어서 입상도를 가지고 있으나, (이미지-구절)을 (영역-단어) 점수의 함수로 볼 수 있다. 직관적으로 보면, 하나의 (이미지-구절)의 조합에 있어서, 그 중의 어느 단어가 이미지에서 충분한 물체 또는 속성에 의해 서포팅되면, 이들은 높은 매칭 점수를 얻게 된다. i번째 이미지 영역의 벡터(v_i)와 t번째 단어 벡터(s_t) 사이의 내적은, 유사도의 스케일로 해석할 수 있고, 나아가서, 이를 이용하여 이미지와 구절 사이의 점수를 정의할 수 있으며, 점수가 높을수록 화상과 세관 신고서와의 대응도가 높음을 의미한다.

이렇게 하여, 하나의 완전한 (이미지-단어 의미) 모델을 트레이닝할 수 있다. 또한, 실제의 검사에 있어서는, 생성된 단어 의미 표현과 실제의 물품의 단어 의미 표현과의 차도 손실 함수의 일부로 할 수 있다. 검사 중에, 트레이닝 모델에 따라 하나의 처리되는 이미지를 입력한 후, 이미지에 대응되는 단어 의미 표현을 취득하고, 그 다음, 실제의 세관 신고서와 매칭시킴으로써, 하나의 신뢰도를 얻고, 이를 통해 이미지 리스트가 일치하는지 판단한다.

본 개시의 실시예에 따르면, 신경망의 트레이닝 중에, 샘플 화상에 포함된 복수의 영역 특징과 상기 샘플 화상의 화물 적하 목록 정보에 포함된 복수의 단어 사이에 대응 관계를 구축한다. 예를 들면, 영역 특징을 나타내는 특징 벡터와 단어를 나타내는 단어 의미 벡터 사이의 내적을 영역 특징과 단어 사이의 유사도로 하고, 상기 샘플 화상의 복수의 영역 특징과 그의 화물 적하 목록 정보에 포함된 복수의 단어 사이의 유사도의 가중된 가산치를 상기 샘플 화상과 그의 화물 적하 목록 정보와의 유사도로 한다.

도 6은, 본 발명의 실시예에 따른 검사 장비 및 검사 방법에서 화상-단어 의미 모델을 구축하는 것을 나타내는 흐름도이다. 도 6에 도시된 바와 같이, 단계(S61)에서, 사전에 준비한 라벨이 달린 화상을 콘벌루션 신경망(30)에 입력하여 트레이닝한다. 단계(S62)에서, 트레이닝된 화상-단어 의미 모델, 즉, 초보적으로 트레이닝된 콘벌루션 신경망을 얻는다. 모델의 정확성을 높이기 위해, 단계(S63)에서 테스트 이미지를 입력하여 네트워크를 테스트하고, 단계(S64)에서, 예측 점수 및 라벨과의 차를 산출한다. 예를 들면, 테스트 이미지를 신경망에 입력하여, 예측한 단어 의미 표현 및 해당 단어 의미 표현과 라벨과의 차를 얻는다. 예를 들면, 2개의 벡터로 각각 단어 의미 표현과 라벨을 나타내고, 2개의 벡터 사이의 차로 양자의 차를 나타낸다. 단계(S65)에서, 차가 역치보다 작은지 판단하고, 클 경우, 단계(S66)에서 네트워크 파라미터를 업데이트하여 네트워크를 조절한다. 차가 역치보다 작을 경우, 단계(S67)에서 네트워크 모델을 구축한다. 즉, 네트워크에 대한 트레이닝을 완료한다.

도 7은, 본 개시의 실시예에 따른 검사 방법을 통해 피검사 물체에 대해 보안 검사를 행하는 과정을 나타내는 흐름도이다.

실제의 보안 검사 과정에서는, 단계(S71)에서, 도 1에 도시된 검사 장비를 이용하여 피검사 물체(14)를 스캔하여, 피검사 물체의 투과 화상을 얻는다. 단계(S74)에서, 수동적 기록 또는 바코드 스캐너 또는 다른 방식으로 피검사 물체의 화물 적하 목록 정보를 데이터 처리 컴퓨터(18)에 입력한다. 데이터 처리 컴퓨터(18)에서는, 단계(S72)에서, 예를 들어 콘벌루션 신경망이나 RCNN 등의 제1 신경망을 이용하여, 투과 화상을 처리하고, 단계(S73)에서, 피검사 물체의 단어 의미 표현을 얻는다. 단계(S75)에서, 양방향 순환 신경망을 이용하여 화물 적하 목록의 문자 정보를 처리하여, 피검사 물체의 단어 의미 특징을 얻는다. 그 다음, 단계(S76)에서, 단어 의미 특징이 화상으로부터 얻은 단어 의미 표현에 일치하는지 판단하고, 일치하지 않을 경우, 단계(S77)에서 알람을 발생한다. 일치할 경우, 단계(S78)에서, 피검사 물체의 통과를 허용한다. 일부 실시예에 따르면, 단어 의미 표현을 나타내는 제1 벡터와 단어 의미 특징을 나타내는 제2 벡터 사이의 거리를 산출한 후, 산출된 거리가 역치보다 작을 경우, 상기 피검사 물체의 통과를 허용할 수 있다. 여기서, 2개의 벡터 사이의 거리는, 2개의 벡터의 요소간의 차의 절대치의 가산치로 표시할 수도 있고, 2개의 벡터의 유클리드 거리로 표시할 수도 있다. 본 개시의 실시예는 이에 한정되지 않는다.

본 개시는, 화상 처리, 딥 러닝 방식을 통해, 지능적으로 신고 물품과 실제 물품의 일치 여부를 검사함으로써, 작업 효율을 대폭 향상시켜, "신속한 통과"를 실현할 수 있는 한편, 각종 주관적인 요인의 부작용을 감소시켜, "확실한 관리"를 실현할 수 있으므로, 현재의 보안 검사의 지능화를 위한 중요한 수단이고, 거대한 시장 잠재력을 갖고 있다.

이상의 상세한 설명에 있어서, 모식도, 흐름도 및/또는 예시를 통해, 검사 방법 및 검사 장비에 따른 다수의 실시예를 설명하였다. 이와 같은 모식도, 흐름도 및/또는 예시가 하나 또는 복수의 기능 및/또는 조작을 포함할 경우, 당업자라면, 이와 같은 모식도, 흐름도 또는 예시중의 각 기능 및/또는 조작이 여러 가지 구성, 하드웨어, 소프트웨어, 펌웨어 또는 이들의 실질적인 임의의 조합에 의해 개별적으로 및/또는 공동으로 실현될 수 있음을 이해할 것이다. 일 실시예에 있어서, 본 발명의 실시예에 기재된 주제의 몇 개 부분은, ASIC(Application Specific Integrated Circuit), FPGA(Field-Programmable Gate Array), DSP(Digital Signal Processing), 또는 기타 집적 포맷을 통해 실현 할 수 있다. 그러나, 당업자라면, 여기서 개시된 실시예의 일부 측면이 전체적으로 또는 부분적으로 집적회로를 통해 등가적으로 실현될 수 있음을 이해할 것이다. 하나 또는 복수의 컴퓨터에서 실행되는 하나 또는 복수의 컴퓨터 프로그램(예를 들어, 하나 또는 복수의 컴퓨터 시스템에서 실행되는 하나 또는 복수의 프로그램)을 통해 실현할 수도 있고, 하나 또는 복수의 프로세스에서 실행되는 하나 또는 복수의 프로그램(예를 들어, 하나 또는 복수의 마이크로 프로세스에서 실행되는 하나 또는 복수의 프로그램)을 통해 실현할 수도 있고, 펌웨어를 통해 실현할 수도 있고, 또는, 실질적으로 상기 형태의 임의의 조합을 통해 실현할 수도 있다. 또한, 당업자라면, 본 발명에 기초하여, 회로의 설계 및/또는 소프트웨어 및/또는 펌웨어 코드를 작성할 수 있는 능력을 가진다. 또한, 당업자라면, 본 발명에 기재된 주제의 메카니즘이 여러 가지 형태의 프로그램 제품을 통해 배포될 수 있고, 또한, 실제적으로 배포를 실행하는 신호 캐리어 매체의 구체적인 유형과 관계없이, 본 발명에 기재된 주제의 예시적인 실시예는 여전히 적용 가능함을 이해할 것이다. 신호 캐리어 매체의 예로는, 예를 들어, FD(Floppy Disk), HDD, CD(Compact Disc), DVD(Digital Versatile Disc), 디지털 테이프, 컴퓨터 메모리 등과 같은 기록 가능한 기록매체와 디지털 및/또는 아날로그 통신 매체(예를 들어, 파이버 케이블, 도파관, 유선 통신 링크, 무선 통신 링크 등)와 같은 전송 매체를 포함할 수 있는데, 이에 한정되지는 않는다.

이상에서는, 본 발명의 몇 개의 대표적인 실시예를 참조하여 본 발명을 설명하였으나, 사용된 용어는 설명 및 예시를 위한 것으로, 본 발명을 한정하기 위한 것은 아니다. 본 발명은, 발명의 정신 및 취지를 이탈하지 않는 범위에서, 여러 가지 형태로 구체적으로 실시할 수 있으므로, 상기의 실시예는, 상술한 세부적인 특징에 한정되지 않고, 청구의 범위에 의해 한정된 정신 및 범위 내에서 폭넓게 해석하여야 한다. 따라서, 청구의 범위 또는 이와 균등한 범위 내에서의 모든 변경이나 수정도 첨부의 청구의 범위에 속한다.

Claims

X선을 이용하여 피검사 물체를 스캔하여, 피검사 물체의 화상을 얻는 단계;
제1 신경망을 이용하여 상기 화상을 처리하여, 피검사 물체의 단어 의미 표현을 얻는 단계;
상기 피검사 물체의 화물 적하 목록의 문자 정보를 읽는 단계;
제2 신경망을 이용하여 피검사 물체의 화물 적하 목록의 문자 정보를 처리하여, 피검사 물체의 단어 의미 특징을 얻는 단계; 및
상기 단어 의미 표현과 상기 단어 의미 특징에 기초하여, 상기 피검사 물체의 통과에 대한 허용 여부를 판단하는 단계
를 포함하는 것을 특징으로 하는 검사 방법.
제1항에 있어서,
상기 제1 신경망은, 콘벌루션 신경망 또는 후보 영역에 기반한 콘벌루션 신경망 또는 쾌속 후보 영역에 기반한 콘벌루션 신경망이고,
상기 제2 신경망은, 순환 신경망 또는 양방향 순환 신경망인 것을 특징으로 하는 검사 방법.
제1항에 있어서,
사전에 구축한 화상-단어 의미 페어의 집합을 이용하여 상기 제1 신경망을 트레이닝하는 것을 특징으로 하는 검사 방법.
제1항에 있어서,
상기 제1 신경망을 이용하여 화상을 처리하기 전에,
상기 피검사 물체의 화상을 이치화하는 단계;
이치화된 화상에 대해 평균치를 산출하는 단계; 및
이치화된 화상의 각 화소치로부터 상기 평균치를 빼는 단계
를 더 포함하는 것을 특징으로 하는 검사 방법.
제1항에 있어서,
상기 단어 의미 표현과 상기 단어 의미 특징에 기초하여, 상기 피검사 물체의 통과에 대한 허용 여부를 판단하는 단계는,
상기 단어 의미 표현을 나타내는 제1 벡터와 상기 단어 의미 특징을 나타내는 제2 벡터 사이의 거리를 산출하고,
산출된 거리가 역치보다 작을 경우, 상기 피검사 물체의 통과를 허용하는 것을 포함하는 것을 특징으로 하는 검사 방법.
제1항에 있어서,
제1 신경망의 트레이닝 과정 중에, 샘플 화상에 포함된 복수의 영역 특징과 상기 샘플 화상의 화물 적하 목록 정보에 포함된 복수의 단어 사이에 대응 관계를 구축하는 것을 특징으로 하는 검사 방법.
제6항에 있어서,
상기 영역 특징을 나타내는 특징 벡터와 상기 단어를 나타내는 단어 의미 벡터의 내적을 영역 특징과 단어 사이의 유사도로 하고, 상기 샘플 화상의 복수의 영역 특징과 그의 화물 적하 목록 정보에 포함된 복수의 단어 사이의 유사도의 가중된 가산치를 상기 샘플 화상과 그의 화물 적하 목록 정보와의 유사도로 하는 것을 특징으로 하는 검사 방법.
X선을 이용하여 피검사 물체를 스캔하여, 스캔 화상을 얻는 스캔 장치;
상기 피검사 물체의 화물 적하 목록 정보를 입력하는 입력 장치; 및
프로세서
를 포함하고,
상기 프로세서는,
제1 신경망을 이용하여 상기 화상을 처리하여, 피검사 물체의 단어 의미 표현을 얻고,
제2 신경망을 이용하여 피검사 물체의 화물 적하 목록의 문자 정보를 처리하여, 피검사 물체의 단어 의미 특징을 얻고,
상기 단어 의미 표현과 상기 단어 의미 특징에 기초하여, 상기 피검사 물체의 통과에 대한 허용 여부를 판단하도록 배치되는 것을 특징으로 하는 검사 장비.
제8항에 있어서,
상기 제1 신경망은, 콘벌루션 신경망 또는 후보 영역에 기반한 콘벌루션 신경망 또는 쾌속 후보 영역에 기반한 콘벌루션 신경망이고,
상기 제2 신경망은, 순환 신경망 또는 양방향 순환 신경망인 것을 특징으로 하는 검사 장비.
제8항에 있어서,
사전에 구축한 화상-단어 의미 페어의 집합을 이용하여 상기 제1 신경망을 트레이닝하는 것을 특징으로 하는 검사 장비.
제8항에 있어서,
상기 프로세서는, 나아가서,
상기 제1 신경망을 이용하여 화상을 처리하기 전에,
상기 피검사 물체의 화상을 이치화하고,
이치화된 화상에 대해 평균치를 산출하고,
이치화된 화상의 각 화소치로부터 상기 평균치를 빼도록 배치되는 것을 특징으로 하는 검사 장비.
제8항에 있어서,
상기 프로세서는, 나아가서,
상기 단어 의미 표현을 나타내는 제1 벡터와 상기 단어 의미 특징을 나타내는 제2 벡터 사이의 거리를 산출하고,
산출된 거리가 역치보다 작을 경우, 상기 피검사 물체의 통과를 허용하도록 배치되는 것을 특징으로 하는 검사 장비.
제8항에 있어서,
상기 프로세서는,
제1 신경망의 트레이닝 과정 중에, 샘플 화상에 포함된 복수의 영역 특징과 상기 샘플 화상의 화물 적하 목록 정보에 포함된 복수의 단어 사이에 대응 관계를 구축하도록 배치되는 것을 특징으로 하는 검사 장비.
제13항에 있어서,
상기 영역 특징을 나타내는 특징 벡터와 상기 단어를 나타내는 단어 의미 벡터의 내적을 영역 특징과 단어 사이의 유사도로 하고, 상기 샘플 화상의 복수의 영역 특징과 그의 화물 적하 목록 정보에 포함된 복수의 단어 사이의 유사도의 가중된 가산치를 상기 샘플 화상과 그의 화물 적하 목록 정보와의 유사도로 하는 것을 특징으로 하는 검사 장비.
프로세서에 의해 실행될 경우,
제1 신경망을 이용하여 피검사 물체의 X선 화상을 처리하여, 피검사 물체의 단어 의미 표현을 얻는 단계;
제2 신경망을 이용하여 피검사 물체의 화물 적하 목록의 문자 정보를 처리하여, 피검사 물체의 단어 의미 특징을 얻는 단계; 및
상기 단어 의미 표현과 상기 단어 의미 특징에 기초하여, 상기 피검사 물체의 통과에 대한 허용 여부를 판단하는 단계
를 실현하는, 컴퓨터 프로그램이 저장되어 있는 것을 특징으로 하는 컴퓨터 판독 가능한 매체.