Nothing Special   »   [go: up one dir, main page]

CN108182454A - 安检识别系统及其控制方法 - Google Patents

安检识别系统及其控制方法 Download PDF

Info

Publication number
CN108182454A
CN108182454A CN201810048208.9A CN201810048208A CN108182454A CN 108182454 A CN108182454 A CN 108182454A CN 201810048208 A CN201810048208 A CN 201810048208A CN 108182454 A CN108182454 A CN 108182454A
Authority
CN
China
Prior art keywords
dangerous goods
area
tree
identification system
security inspection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810048208.9A
Other languages
English (en)
Other versions
CN108182454B (zh
Inventor
章宗长
陈浩然
王艺深
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanqi Xiance Nanjing Technology Co ltd
Original Assignee
Suzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou University filed Critical Suzhou University
Priority to CN201810048208.9A priority Critical patent/CN108182454B/zh
Priority to PCT/CN2018/078738 priority patent/WO2019140767A1/zh
Publication of CN108182454A publication Critical patent/CN108182454A/zh
Priority to US16/896,367 priority patent/US11574152B2/en
Application granted granted Critical
Publication of CN108182454B publication Critical patent/CN108182454B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • 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
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/10—Different kinds of radiation or particles
    • G01N2223/101—Different kinds of radiation or particles electromagnetic radiation
    • G01N2223/1016—X-ray
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/401—Imaging image processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/421—Imaging digitised image, analysed in real time (recognition algorithms)

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种安检识别系统及其控制方法，所述安检识别系统融合了强化学习算法和注意力区域生成网络，所述安检识别系统包括如下模块：(1)物体特征提取模块；(2)危险品区域分割模块；(3)初步分类模块；(4)初步分类结果判断模块；(5)细粒化识别模块。本发明通过优化危险品区域分割模块和设置细粒化识别模块，大大的提高了安检的准确度及安检效率，缩短安检时长，缓解拥堵状况，还可以节省人力资源，减轻安检工作人员的工作压力。

Description

安检识别系统及其控制方法
技术领域
本发明涉及一种安检识别系统及其控制方法，属于对象识别技术领域。
背景技术
随着安全意识的不断增强，地铁站、火车站、飞机场等重要区域都安装了安检仪器。目前，危险物品的识别主要以人工识别为主。这样的识别方式需要对工作人员进行培训，而且无法保证准确率，容易出现漏判、错判的情况。此外，地铁站等区域人流密集，依靠人工识别会导致安检效率很低。因此，我们迫切地需要一种高效的自动化安检识别系统。
发明内容
本发明的目的在于提供一种能够提高安检准确度及案件效率的安检识别系统及其控制方法。
为达到上述目的，本发明提供如下技术方案：一种安检识别系统，所述安检识别系统融合了强化学习算法和注意力区域并生成网络，所述安检识别系统包括如下模块：
物体特征提取模块：利用X光机对物体进行图像扫描以获得原始图片，将所述原始图片输入至卷积神经网络中提取物体特征以得到所述物体的特征图；
危险品区域分割模块：以窗口表示危险品区域并采用树型强化学习算法，以所述原始图片作为树根，以两类行动作为树的分支，得到两个窗口，形成树型结构，再以得到的窗口作为树根，以两类行动作为树的分支，得到四个窗口，以此类推，直至最终窗口表示出所有的危险品区域；
初步分类模块：将物体特征图与危险品区域相结合，得到危险品区域的特征图，然后将所述危险品区域的特征图进行处理并将处理结果输入至分类器中以得到危险品分类概率值和初步分类结果；
初步分类结果判断模块：所述安检识别系统内预设分类概率的阈值，判断初步分类结果的精度并将其对应的分类概率值与所述阈值作比对；
细粒化识别模块：若所述分类概率值低于阈值，则对所述物体进行细粒化识别，将所述危险品区域中特征更明显的区域采用树型强化算法分割出来，形成注意力区域，将所述注意力区域的特征图进行处理并输入至分类器中以得到分类概率。
进一步地，所述卷积神经网络包括用于增加感受野的面积从而使得提取到的物体特征更加全面的大卷积核、用于准确学习物体边缘及其他细节特征并减少大量冗余参数的小卷积核及用于加深加宽网络结构降维的卷积过滤器。
进一步地，在“初步分类模块”中，将所述危险品区域的特征图输入至池化层进行处理，所述分类器为包含softmax函数的分类器。
进一步地，所述细粒化识别模块采用循环注意力区域生成网络，根据形成的注意力区域及分类概率，继续分割以形成更为细致的注意力区域并产生分类概率，不断循环，直至达到预定目标或循环次数上限则停止循环，获得最终识别结果。
本发明还提供了一种安检识别系统的控制方法，用于如上述的安检识别系统，所述方法包括如下步骤：
S1：获取物体的扫描图像生成原始图片，将所述原始图片输入至卷积神经网络中提取物体特征以得到所述物体的特征图；
S2：以窗口表示危险品区域并采用树型强化学习算法，以所述原始图片作为树根，以两类行动作为树的分支，得到两个窗口，形成树型结构，再以得到的窗口作为树根，以两类行动作为树的分支，得到四个窗口，以此类推，直至最终窗口表示出所有的危险品区域；
S3：将物体特征图与危险品区域相结合，得到危险品区域的特征图，然后将所述危险品区域的特征图进行处理并将处理结果输入至分类器中以得到危险品分类概率值和初步分类结果；
S4：所述安检识别系统内预设分类概率的阈值，判断初步分类结果的精度并将其对应的分类概率值与所述阈值作比对；
S5：若所述分类概率值低于阈值，则对所述物体进行细粒化识别，将所述危险品区域中特征更明显的区域采用树型强化算法分割出来，形成注意力区域，将所述注意力区域的特征图进行处理并输入至分类器中以得到分类概率。
进一步地，所述卷积神经网络包括用于增加感受野的面积从而使得提取到的物体特征更加全面的大卷积核、用于准确学习物体边缘及其他细节特征并减少大量冗余参数的小卷积核及用于加深加宽网络结构降维的卷积过滤器。
进一步地，在步骤“S2”中，将所述危险品区域的特征图输入至池化层进行处理，所述分类器为包含softmax函数的分类器。
进一步地，在步骤“S5”中是采用循环注意力区域生成网络，根据形成的注意力区域及分类概率，继续分割以形成更为细致的注意力区域并产生分类概率，不断循环，直至达到预定目标或循环次数上限则停止循环，获得最终识别结果。
进一步地，所述危险品按照危险指数划分为若干个等级，在使用时可对危险品的危险指数进行调整以满足不同的安检标准。
进一步地，收集危险品图片并进行框选、打上分类标签，按照9:1的比例分成训练集和验证集，经过若干次迭代训练出完整网络。
本发明的有益效果在于：通过在系统中设置有细粒化识别模块，对危险品进行更详细的检测，大大提高了安检的准确度，在尽可能减少开箱检查的情况下能够精准的对行李中的危险品进行识别，提高了安检效率，缩短安检时间，缓解拥堵状况，并节省了人力资源，减轻安检工作人员的工作压力。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1为本发明安检识别系统的模块图。
图2为本发明安检识别系统的控制方法的流程图。
图3为本发明安检识别系统的处理结果示意图。
图4为卷积神经网络的结构示意图。
图5为卷积神经网络的残差网络的三层残差学习单元示意图。
图6为并交比IoU示意图。
图7为细粒化识别网络示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
请参见图1及图3，本发明的一较佳实施例中的安检识别系统融合了强化学习算法和注意力区域并生成网络，所述安检识别系统包括如下模块：
物体特征提取模块1：利用X光机对物体进行图像扫描以获得原始图片，将所述原始图片输入至卷积神经网络中提取物体特征以得到所述物体的特征图。请参见图4，在本实施例中，所述卷积神经网络包括用于增加感受野的面积从而使得提取到的物体特征更加全面的7×7的大卷积核、用于准确学习物体边缘及其他细节特征并减少大量冗余参数的3×3的小卷积核及用于加深价款网络结构降维的1×1的卷积过滤器。卷积神经网络的具体配置如下：
该神经网络的结构共分成五个块(Block0到Block4)。除Block0外，其它四个块都包含了残差学习单元，整个网络一共有16个残差神经单元。残差学习单元由三个卷积层构成，其中第一个卷积层卷积核大小为1×1、第二个卷积层卷积核大小为3×3、第三个卷积层卷积核大小为1×1。卷积神经网络最终输出的特征图尺寸为7×7×2048(大小为7×7、输出通道数为2048，下同)。以下为每一块的具体配置：
Block0：本块的输入为原始图像。本块由一个卷积层和一个池化层构成。在卷积层中，卷积核大小为7×7，输出通道数为64，滑动步长为2。卷积层之后是池化层。在池化层中，池化大小为3×3，池化步长为2，采用最大池化算法。本块的输出作为下一块的输入。
Block1：本块的输入为上一块的输出。本块由三个残差学习单元构成。在第一个残差学习单元中，第一层输出通道数为64，步长为1，第二层输出通道数为64，步长为1，第三层输出通道数为256，步长为1；第二个残差学习单元的配置与第一个相同；在第三个残差学习单元中，第一层输出通道数为64，步长为1，第二层输出通道数为64，步长为2，第三层输出通道数为256，步长为1。本块的输出作为下一块的输入。
Block2：本块的输入为上一块的输出。本块由四个残差学习单元构成。在第一个残差学习单元中，第一层输出通道数为128，步长为1，第二层输出通道数为128，步长为1，第三层输出通道数为512，步长为1；第二个和第三个残差学习单元的配置与第一个相同；在第四个残差学习单元中，第一层输出通道数为128，步长为1，第二层输出通道数为128，步长为2，第三层输出通道数为512，步长为1。本块的输出作为下一块的输入。
Block3：本块的输入为上一块的输出。本块由六个残差学习单元构成。在第一个残差学习单元中，第一层输出通道数为256，步长为1，第二层输出通道数为256，步长为1，第三层输出通道数为1024，步长为1；第二、三、四、五个残差学习单元的配置与第一个相同；在第六个残差学习单元中，第一层输出通道数为256，步长为1，第二层输出通道数为256，步长为2，第三层输出通道数为1024，步长为1。本块的输出作为下一块的输入。
Block4：本块的输入为上一块的输出。本块由三个残差学习单元构成。在第一个残差学习单元中，第一层输出通道数为512，步长为1，第二层输出通道数为512，步长为1，第三层输出通道数为2048，步长为1；第二个和第三个残差学习单元的配置与第一个相同。
危险品区域分割模块2：以窗口表示危险品区域并采用树型强化学习算法，以所述原始图片作为树根，以两类行动作为树的分支，得到两个窗口，形成树型结构，再以得到的窗口作为树根，以两类行动作为树的分支，得到四个窗口，以此类推，直至最终窗口表示出所有的危险品区域。所述危险品按照危险指数划分为若干个等级，在使用时可对危险品的危险指数进行调整以满足不同的安检标准。收集危险品图片并进行框选、打上分类标签，按照9:1的比例分成训练集和验证集，经过若干次迭代训练出完整网络。
初步分类模块3：
将物体特征图与危险品区域相结合，得到危险品区域的特征图，然后将所述危险品区域的特征图进行处理并将处理结果输入至分类器中以得到危险品分类概率值和初步分类结果。在本实施例中，将所述危险品区域的特征图输入至池化层进行处理，所述分类器为包含softmax函数的分类器。池化层的作用是优化特征，以此来降低不必要特征的干扰。此处采用最大池化算法，在3×3的区域内选择最大的特征值进行输出，使抽取到的特征具有平移旋转不变性等泛化能力，从而提高识别准确度。该层的操作并不改变特征图的维数。
初步分类结果判断模块4：所述安检识别系统内预设分类概率的阈值，判断初步分类结果的精度并将其对应的分类概率值与所述阈值作比对。
细粒化识别模块5：若所述分类概率值低于所述阈值，则对所述物体进行细粒化识别，将所述危险品区域中特征更明显的区域采用树型强化算法分割出来，形成注意力区域，将所述注意力区域的特征图进行处理并输入至分类器中以得到分类概率。所述细粒化识别模块5采用循环注意力区域生成网络，根据形成的注意力区域及分类概率，继续分割以形成更为细致的注意力区域并产生分类概率，不断循环，直至达到预定目标或循环次数上限则停止循环，获得最终识别结果。
请参见图2，本发明还提供了一种安检识别系统的控制方法，用于如上述的安检识别系统，所述方法包括如下步骤：
S1：获取物体的扫描图像生成原始图片，将所述原始图片输入至卷积神经网络中提取物体特征以得到所述物体的特征图；
S2：以窗口表示危险品区域并采用树型强化学习算法，以所述原始图片作为树根，以两类行动作为树的分支，得到两个窗口，形成树型结构，再以得到的窗口作为树根，以两类行动作为树的分支，得到四个窗口，以此类推，直至最终窗口表示出所有的危险品区域；树型强化学习方法能够分析一张图片，产生和缩放若干个矩形窗口，最后将窗口所覆盖的区域分割出来。请参见图5，由于网络结构层次较深，会出现梯度消失的问题，所以我们使用残差网络来优化卷积神经网络结构，用右侧的实心弧线表示残差网络。残差网络的输入为x，期望输出为H(x)，目标是只学习输出和输入的差别，即残差。残差的计算公式为F(x)＝H(x)-x。通过直接将输入信息绕道传到输出，保持信息的完整性。避免了梯度消失的情况，使网络能够更好的训练。树型强化学习在此处的三个要素定义为：
状态：状态是对当前环境的抽象表达。在本发明中，状态被定义为：当前窗口的特征图、整张图片的特征图和行动的历史记录。
行动：行动是在当前状态下可以执行的操作集合，不同的行动可能会导致不同的状态。在本发明中，行动分为两大类：一类的行动能够在水平和竖直方向同时缩小窗口，称为左分支；另一类的行动能够在水平或者竖直方向上伸缩或平移窗口，称为右分支。左分支会出现5种可能的行动：向左上角缩小、向左下角缩小、向右上角缩小、向右下角缩小和向中心缩小，每次缩小为原窗口的1/4；右分支会出现8种可能的行动：向右平移、向左平移、向下平移、向上平移、上下压缩、左右压缩、上下拉伸、左右拉伸，每次平移原窗口长度的1/4，压缩为原窗口面积的一半，拉伸为原窗口面积的3/2。通过一系列行动，使危险品在窗口覆盖的区域内。使用长度为13的一维向量表示行动，并初始化为0。如果采取上述之一的行动，则将一维向量中对应该行动的值设置为1。1表示采取该行动，0表示未采取该行动。例如(0,1,0,0,0,0,0,0,0,0,0,0,0)表示采取第二个行动，即向右上角缩放。
奖励：奖励是环境对在当前状态下采取某种行动的评价。在本发明中，奖励函数定义为：
在此式中，t表示时刻，W表示当前窗口，W’表示下一个时刻的窗口，Ti表示第i个手工标注的区域，n表示该帧图像共有n个手工标注的区域。函数sign(x)在x>0时为1，x＝0时为0，x<0时为-1。请参见图6，IoU表示并交比，体现两个矩形区域的相似程度，计算方式为：W和T分别表示两个区域，即图中白色短线所包含的区域和黑色短点相间线所包含的区域；W∩T表示两个区域交集的面积，即图中间黄色透明区域；W∪T表示两个区域并集的面积，即图中红色实线所包含的区域。hi,t为跳跃函数：
本式表示，在t时刻，如果窗口与真实区域i的并交比大于0.6，则hi,t设为1，否则为0。由此可知，奖励函数定义式中的判断条件，表示当前窗口第一次与任意手工标注区域并交比大于0.6。为了更快的训练，当第一次与任意真实区域的IoU值大于0.6时累计奖励+4。
树型强化学习具体步骤为：以原始图像大小的窗口作为根节点，根据策略选择网络，分别从两类行动中各选择一个行动调整当前的窗口，使用长度为13的一维向量来保存行动记录，并把得到的两个窗口设为叶子节点。这样就构成了一个树型结构。再分别以这两个叶子节点作为根节点，根据策略选择网络，分别在两类行动中各选择一个行动调整当前的窗口，并把得到的窗口同样设为叶子节点。迭代进行上述操作，就会得到行动的历史记录。迭代的停止条件是分割出所有危险品所在的区域。从根节点到叶子节点的路径是分割出危险品区域操作的流程。
在迭代过程中，根据奖励的计算公式可以得到每一次行动的奖励。我们使用得到的探索数据，即行动和与之对应的奖励，来训练一个策略选择网络。树型强化学习的策略选择网络是基于竞争机制的深度双Q网络，该网络在每次探索时会更新Q值。Q值是选择行动的参照值，当在某个状态下一个行动对应的Q值越大时，选择该行动执行的可能性越大。Q值是根据奖励和给定的策略计算得到的。系统会根据输入的状态，选择出能产生最大Q值的行动。这里Q值的定义为：
Q(st,at)＝V(st)+A(at)
其中，st表示在t时刻的状态，at表示在t时刻采取的动作。Q值由两部分组成：一部分是静态的环境状态本身具有的价值V(st)，称为价值(Value)；另一部分是动态的通过选择某个行动额外带来的价值A(at)，称为优势(Advantage)。由此构成了竞争深度Q网络。采用竞争操作的目标就是让网络可以分别计算环境本身的价值和选择行动带来的优势，这里的优势是让某个行动与其他行动的比较，因此将它设计为零均值。使用竞争操作的动机是让学习目标更明确，增强深度Q网络对环境状态的估计能力。
训练过程分为两个网络，一个是目标网络Qtarget，一个是主网络Qmain。这样的设计能够让Q值保持平稳，不会出现高估的情况。我们首先在主网络中选择最大Q值对应的行动，再获取该行动在目标网络上对应的Q值。这个训练过程可以写成：
Qmain(st,at)←Qmain(st,at)
+α(rt+γQtarget(st+1,argmaxaQmain(st+1,a))-Qmain(st,at))
其中，t表示时刻；Q(st,at)表示状态s下采取行动a的Q值；α表示学习速率，设置为0.1；rt表示在状态st下采取行动at得到的奖励，可由奖励函数计算得到；γ表示折扣因子，这里设置为0.9；a表示在状态st+1下采取的行动；
训练完成后，该方法能够根据整张图片的向量特征，快速分割出所有危险品所在区域。
S3：将物体特征图与危险品区域相结合，得到危险品区域的特征图，然后将所述危险品区域的特征图进行处理并将处理结果输入至分类器中以得到危险品分类概率值和初步分类结果。
分类器由两个全连接层和一个Softmax函数构成。由于全连接层的结构特性，输入到全连接层的参数量需要固定，但是危险品所在区域的特征图大小不一，产生的参数量不定，所以需要预先进行处理。这里我们使用感兴趣区域池化层进行处理，使最终输入到全连接层的参数量保持不变。
感兴趣区域池化层将每个候选区域统一分成M×N块，池化大小为：这样，我们就将大小不一的特征图转变为大小为M×N的特征图。池化方式采用的是最大池化，即选取每块区域中的最大值。最终，感兴趣区域池化层的输出的特征图就是大小为M×N。此处取M＝4、N＝4，即产生尺寸为4×4×2048的特征图。将特征图转化成一维向量，送入分类器。
分类器由两个全连接层和一个Softmax函数构成。将产生的一维向量输入到两个全连接层中，进行加权评估，再用Softmax函数将数据归一化，得到危险品的分类概率。分类概率由一个一维向量p＝(p0,…,pk)来表示。这个向量一共有K+1个元素，表示K+1个类别。其中有K个危险品类别和一个背景类别。px表示这个危险品是类别x的概率，计算方式为：px＝f(Wc*X)。其中，Wc表示权重，f(·)表示分类器将全连接层传入的特征向量转化为分类概率的过程。在分类概率中，选择最大概率值对应的物品类别作为初步分类的结果。例如，分类概率为：p＝(0.01,0.02,0.87,0.01,…,0.02)，第三个概率值最大，且对应的物品类别为匕首，则此区域的初步分类结果为匕首。
系统初步分类结果的好坏使用极大似然估计来评估，即求得类别x的损失。类别x的损失函数定义为：Lcls(p,x)＝-log(px)。求得损失后，通过反向传播算法RMSProp调整S1中卷积神经网络的参数和S3中分类器的参数，使初步分类结果更准确。
S4：所述安检识别系统内预设分类概率的阈值，判断初步分类结果的精度并将其对应的分类概率值与所述阈值作比对；危险物品按危险指数划分为三个等级。默认设置是，一级危险品：枪支、弹药、管制刀具等；二级危险品：易燃、易爆、毒害性、腐蚀性、放射性、传染、病病原体等物品；三级危险品：管制刀具以外的菜刀。如果前一步中K个类别对应概率的最大值小于0.85，即下一步采取细粒化识别步骤；或者分类结果属于危险品等级中的前两级时，下一步采取细粒化识别步骤。
S5：若所述分类概率值低于阈值，则对所述物体进行细粒化识别，采用循环注意力区域生成系统，将所述危险品区域中特征更明显的区域采用树型强化算法分割出来，形成注意力区域，将所述注意力区域的特征图进行处理并输入至分类器中以得到分类概率。细粒化识别的目的是由于在特定的安检环境下，我们对危险品的识别准确度有着较高的要求。请参见图7，本操作的主要思想是，在危险品区域内找到更具有危险品特征的区域，在此称之为注意力区域，对注意力区域加以辨识，来佐证分类的结果。比如在匕首区域中找到更明显的刀刃区域，来提高此区域物品是匕首的概率。本操作的输入是S3中经过感兴趣区域池化层处理后得到的尺寸为4×4×2048的特征图。
在危险品区域内寻找注意力区域也采用树型强化学习，但是状态、行动和奖励与之间不尽相同，在此定义为：
状态：当前窗口的特征图、整个危险品区域的特征图、采取行动的历史记录和当前窗口下计算的分类概率。
行动：分为左分支和右分支两大类。左分支的行动能够在水平和竖直方向同时缩小窗口，因此可能会出现5种可能的行动：向左上角缩小、向左下角缩小、向右上角缩小、向右下角缩小、向中心缩小，每次缩小为原窗口的1/4。右分支的行动能够在水平或竖直方向平移窗口，因此可能会出现4种可能的行动：向右平移、向左平移、向下平移、向上平移，每次平移为原窗口长度的1/4。使用长度为9的一维向量表示行动，具体实现方式与前面所述相同。
奖励：本操作的奖励函数定义为：
r(s,a)＝sign(Pt+1-Pt)
其中，Pt表示在t时刻，经分类器处理后得到分类概率中的最大值。
细粒化识别过程中的树型强化学习具体步骤为：以危险品区域大小的窗口作为根节点，根据策略选择网络，分别在两类行动中各选择一个行动调整当前的窗口，并使用长度为9的一维向量来保存行动记录。将两个窗口所覆盖的区域作为分类器的输入，得到分类概率。根据奖励函数得到在当前状态下采取该行动可获得的奖励，进而更新策略选择网络。接着，再分别以两个窗口作为根节点，迭代进行上述操作。当分类概率最大值大于0.95或者迭代次数达到了5次，则停止迭代。停止迭代后，输出危险品区域及其对应类别。此处的策略选择网络与之前的设计相同，训练方式也相同。
在整个系统训练前，我们需要收集足够多的安检扫描图像，手工框选出物品并标注物品所属类别，构成数据集。将数据集按9:1比例分为训练集和测试集。在开源深度学习框架Tensorflow中，安装依赖，按照以上步骤搭建好模型。在训练系统时，为了能够高效地利用数据集，我们首先搭建了一个50层的深度残差网络，并使用ImageNet2016数据集对其进行训练。接着，我们再用这个已训练好的网络的参数初始化安检系统中卷积神经网络对应的各层参数。最后，我们使用安检数据集对安检系统进行一万次迭代，对参数进行微调。这样，我们就会得到一个性能优异的安检系统。
本发明的安检识别系统在性能正常的机器上可以做到以2FPS的速度进行实时检测。对于老旧的机器，则可以通过提取关键帧的操作，达到相同的目的。提取关键帧操作可以从3秒的镜头中提取l-3帧的图像作为关键帧，并把关键帧作为后续操作的输入。下面是关键帧提取的具体操作：
令f表示一帧，S＝{fm|m＝1,2,…,N}表示长度为3秒、帧数为N的镜头，取第一帧，中间帧和最后一帧作为候选关键帧，分别表示为f1、fN。定义两帧fi和fj之间的差异值为:
其中，fi(x,y)表示第i帧中坐标为(x,y)的像素点。提取关键帧时，首先计算候选关键帧之间的差异值D(f1,fN)和并将他们之间差异值与设定的阈值U比较，按下列规则确定最终的关键帧：
1、如果三个差异值都比U小，说明三个候选关键帧之间的差异比较小，此时取为关键帧；
2、如果三个差异值都比U大，说明三个候选关键帧之间的差异较大，此时将这三帧都设为关键帧；
3、其它情况下，取差异值最大的两帧图像作为关键帧。
综上所述：通过在系统中设置有细粒化识别模块5，对危险品进行更详细的检测，大大提高了安检的准确度，在尽可能减少开箱检查的情况下能够精准的对行李中的危险品进行识别，提高了安检效率，缩短安检时间，缓解拥堵状况，并节省了人力资源，减轻安检工作人员的工作压力。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种安检识别系统，其特征在于，所述安检识别系统融合了强化学习算法和注意力区域生成网络，所述安检识别系统包括如下模块：
物体特征提取模块：利用X光机对物体进行图像扫描以获得原始图片，将所述原始图片输入至卷积神经网络中提取物体特征以得到所述物体的特征图；
危险品区域分割模块：以窗口表示危险品区域并采用树型强化学习算法，以所述原始图片作为树根，以两类行动作为树的分支，得到两个窗口，形成树型结构，再以得到的窗口作为树根，以两类行动作为树的分支，得到四个窗口，以此类推，直至最终窗口表示出所有的危险品区域；
初步分类模块：将物体特征图与危险品区域相结合，得到危险品区域的特征图，然后将所述危险品区域的特征图进行处理并将处理结果输入至分类器中以得到危险品分类概率值和初步分类结果；
初步分类结果判断模块：所述安检识别系统内预设分类概率的阈值，判断初步分类结果的精度并将其对应的分类概率值与所述阈值作比对；
细粒化识别模块：若所述分类概率值低于阈值，则对所述物体进行细粒化识别，将所述危险品区域中特征更明显的区域采用树型强化算法分割出来，形成注意力区域，将所述注意力区域的特征图进行处理并输入至分类器中以得到分类概率。
2.如权利要求1所述的安检识别系统，其特征在于，所述卷积神经网络包括用于增加感受野的面积从而使得提取到的物体特征更加全面的大卷积核、用于准确学习物体边缘及其他细节特征并减少大量冗余参数的小卷积核及用于加深加宽网络结构降维的卷积过滤器。
3.如权利要求1所述的安检识别系统，其特征在于，在“初步分类模块”中，将所述危险品区域的特征图输入至池化层进行处理，所述分类器为包含softmax函数的分类器。
4.如权利要求1所述的安检识别系统，其特征在于，所述细粒化识别模块采用循环注意力区域生成网络，根据形成的注意力区域及分类概率，继续分割以形成更为细致的注意力区域并产生分类概率，不断循环，直至达到预定目标或循环次数上限则停止循环，获得最终识别结果。
5.一种安检识别系统的控制方法，用于如权利要求1～4中任意一项所述的安检识别系统，其特征在于，所述方法包括如下步骤：
S1：获取物体的扫描图像生成原始图片，将所述原始图片输入至卷积神经网络中提取物体特征以得到所述物体的特征图；
S2：以窗口表示危险品区域并采用树型强化学习算法，以所述原始图片作为树根，以两类行动作为树的分支，得到两个窗口，形成树型结构，再以得到的窗口作为树根，以两类行动作为树的分支，得到四个窗口，以此类推，直至最终窗口表示出所有的危险品区域；
S3：将物体特征图与危险品区域相结合，得到危险品区域的特征图，然后将所述危险品区域的特征图进行处理并将处理结果输入至分类器中以得到危险品分类概率值和初步分类结果；
S4：所述安检识别系统内预设分类概率的阈值，判断初步分类结果的精度并将其对应的分类概率值与所述阈值作比对；
S5：若所述分类概率值低于阈值，则对所述物体进行细粒化识别，将所述危险品区域中特征更明显的区域采用树型强化算法分割出来，形成注意力区域，将所述注意力区域的特征图进行处理并输入至分类器中以得到分类概率。
6.如权利要求5所述的安检识别系统的控制方法，其特征在于，所述卷积神经网络包括用于增加感受野的面积从而使得提取到的物体特征更加全面的大卷积核、用于准确学习物体边缘及其他细节特征并减少大量冗余参数的小卷积核及用于加深加宽网络结构降维的卷积过滤器。
7.如权利要求5所述的安检识别系统的控制方法，其特征在于，在步骤“S2”中，将所述危险品区域的特征图输入至池化层进行处理，所述分类器为包含softmax函数的分类器。
8.如权利要求5所述的安检识别系统的控制方法，其特征在于，在步骤“S5”中是采用循环注意力区域生成网络，根据形成的注意力区域及分类概率，继续分割以形成更为细致的注意力区域并产生分类概率，不断循环，直至达到预定目标或循环次数上限则停止循环，获得最终识别结果。
9.如权利要求5所述的安检识别系统的控制方法，其特征在于，所述危险品按照危险指数划分为若干个等级，在使用时可对危险品的危险指数进行调整以满足不同的安检标准。
10.如权利要求5所述的安检识别系统的控制方法，其特征在于，收集危险品图片并进行框选、打上分类标签，按照9:1的比例分成训练集和验证集，经过若干次迭代训练出完整网络。
CN201810048208.9A 2018-01-18 2018-01-18 安检识别系统及其控制方法 Active CN108182454B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201810048208.9A CN108182454B (zh) 2018-01-18 2018-01-18 安检识别系统及其控制方法
PCT/CN2018/078738 WO2019140767A1 (zh) 2018-01-18 2018-03-12 安检识别系统及其控制方法
US16/896,367 US11574152B2 (en) 2018-01-18 2020-06-09 Recognition system for security check and control method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810048208.9A CN108182454B (zh) 2018-01-18 2018-01-18 安检识别系统及其控制方法

Publications (2)

Publication Number Publication Date
CN108182454A true CN108182454A (zh) 2018-06-19
CN108182454B CN108182454B (zh) 2021-07-30

Family

ID=62550875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810048208.9A Active CN108182454B (zh) 2018-01-18 2018-01-18 安检识别系统及其控制方法

Country Status (3)

Country Link
US (1) US11574152B2 (zh)
CN (1) CN108182454B (zh)
WO (1) WO2019140767A1 (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109001833A (zh) * 2018-06-22 2018-12-14 天和防务技术（北京）有限公司 一种基于深度学习的太赫兹危险品检测方法
CN109145816A (zh) * 2018-08-21 2019-01-04 北京京东尚科信息技术有限公司 商品识别方法和系统
CN109187598A (zh) * 2018-10-09 2019-01-11 青海奥越电子科技有限公司 基于数字图像处理的违禁物品检测系统及方法
CN110020586A (zh) * 2018-12-29 2019-07-16 北京品恩科技股份有限公司 一种基于大数据的人员安检管理系统
CN111489284A (zh) * 2019-01-29 2020-08-04 北京搜狗科技发展有限公司 一种图像处理方法、装置和用于图像处理的装置
CN111539251A (zh) * 2020-03-16 2020-08-14 重庆特斯联智慧科技股份有限公司 一种基于深度学习的安检物品识别方法和系统
CN111680729A (zh) * 2020-05-30 2020-09-18 中国船舶重工集团公司第七一三研究所 基于x光机图像机场旅客安检危险品实时高识别率方法
CN111861992A (zh) * 2020-06-12 2020-10-30 浙江大华技术股份有限公司 安检图像的处理方法、安检系统和计算机可读存储介质
CN112396042A (zh) * 2021-01-20 2021-02-23 鹏城实验室 实时更新的目标检测方法及系统、计算机可读存储介质
CN112581467A (zh) * 2020-12-25 2021-03-30 北京航星机器制造有限公司 一种基于疑似危险品评价的智能安检方法
CN112633286A (zh) * 2020-12-25 2021-04-09 北京航星机器制造有限公司 一种基于危险品相似率和识别概率的智能安检系统
CN112801220A (zh) * 2020-05-08 2021-05-14 视睿（杭州）信息科技有限公司 一种农产品品质分类方法、装置、计算机设备和存储介质
CN114973041A (zh) * 2021-12-20 2022-08-30 昆明理工大学 一种基于自我对比学习克服视觉问答的语言先验方法
CN116645618A (zh) * 2023-06-05 2023-08-25 广东省农业科学院设施农业研究所 农业数据处理方法、系统和存储介质

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11494616B2 (en) * 2019-05-09 2022-11-08 Shenzhen Malong Technologies Co., Ltd. Decoupling category-wise independence and relevance with self-attention for multi-label image classification
CN110796183A (zh) * 2019-10-17 2020-02-14 大连理工大学 基于相关性引导的判别学习的弱监督细粒度图像分类算法
CN111062252B (zh) * 2019-11-15 2023-11-10 浙江大华技术股份有限公司 一种实时危险物品语义分割方法、装置及存储装置
CN112269525B (zh) * 2020-11-04 2022-08-16 北京小米移动软件有限公司 小屏窗口显示方法、装置及存储介质
CN112464787B (zh) * 2020-11-25 2022-07-08 北京航空航天大学 基于空间融合注意力的遥感图像舰船目标细粒度分类方法
CN112507903B (zh) * 2020-12-15 2024-05-10 平安科技（深圳）有限公司 假脸检测方法、装置、电子设备及计算机可读存储介质
CN112488061B (zh) * 2020-12-18 2022-04-29 电子科技大学 一种联合ads-b信息的多航空器检测与跟踪方法
CN113610688B (zh) * 2021-06-25 2024-03-12 格讯科技(深圳)有限公司 一种基于大数据分析的食安监管方法及存储介质
JP2023018316A (ja) * 2021-07-27 2023-02-08 京セラドキュメントソリューションズ株式会社 画像認識方法、画像認識装置、および画像認識プログラム
CN114611204B (zh) * 2022-02-09 2025-01-24 集美大学 一种构建船舶安全领域模型的方法和装置
CN114898204B (zh) * 2022-03-03 2023-09-05 中国铁路设计集团有限公司 一种基于深度学习的轨道交通周边危险源检测方法
CN114842214B (zh) * 2022-05-17 2025-01-03 东南大学 基于强化学习的声呐图像目标识别方法
CN115661680B (zh) * 2022-11-15 2023-04-07 北京轨道未来空间科技有限公司 卫星遥感图像处理方法
CN116311361B (zh) * 2023-03-02 2023-09-15 北京化工大学 一种基于像素级标注的危险源室内工作人员定位方法
CN116935229A (zh) * 2023-09-12 2023-10-24 山东博昂信息科技有限公司 一种钢包挂钩入钩状态识别方法及系统
CN117423058B (zh) * 2023-11-02 2024-05-03 江苏三棱智慧物联发展股份有限公司 基于城市安全眼的高空抛物检测系统及方法
CN118072388B (zh) * 2024-02-22 2024-11-29 淮阴工学院 一种人员行为智能监控与报警方法及系统
CN118330760B (zh) * 2024-04-07 2025-02-07 北京安核技术有限公司 智能化安检方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100183209A1 (en) * 2009-01-21 2010-07-22 Analogic Corporation Histogram-based compound object separation
CN105631482A (zh) * 2016-03-03 2016-06-01 中国民航大学 一种基于卷积神经网络模型的危险物品图像分类方法
CN106529602A (zh) * 2016-11-21 2017-03-22 中国科学院上海微系统与信息技术研究所 一种毫米波图像自动目标识别方法及装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7711663B2 (en) * 2006-03-27 2010-05-04 Board Of Trustees Of Michigan State University Multi-layer development network having in-place learning
CN106295637B (zh) * 2016-07-29 2019-05-03 电子科技大学 一种基于深度学习与强化学习的车辆识别方法
US20180121804A1 (en) * 2016-10-31 2018-05-03 Farrokh Mohamadi Augmented X-Ray Imaging System For Detection of Threats
US10254763B2 (en) * 2016-12-29 2019-04-09 Intel Corporation Detection of traffic dynamics and road changes in autonomous driving
CN108303747B (zh) * 2017-01-12 2023-03-07 清华大学 检查设备和检测枪支的方法
CN107403426B (zh) * 2017-06-20 2020-02-21 北京工业大学 一种目标物体检测方法及设备
CN107423813A (zh) * 2017-07-31 2017-12-01 南京晓庄学院 一种基于深度学习技术的状态空间分解和子目标创建方法
US10963737B2 (en) * 2017-08-01 2021-03-30 Retina-Al Health, Inc. Systems and methods using weighted-ensemble supervised-learning for automatic detection of ophthalmic disease from images

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100183209A1 (en) * 2009-01-21 2010-07-22 Analogic Corporation Histogram-based compound object separation
CN105631482A (zh) * 2016-03-03 2016-06-01 中国民航大学 一种基于卷积神经网络模型的危险物品图像分类方法
CN106529602A (zh) * 2016-11-21 2017-03-22 中国科学院上海微系统与信息技术研究所 一种毫米波图像自动目标识别方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHIA-HUNG WANG: "《Arena Simulation for Aviation Passenger Security-Check Systems》", 《ICGEC 2016: GENETIC AND EVOLUTIONARY COMPUTING》 *
姚家雄，等: "《利用卷积神经网络进行毫米波图像违禁物体定位》", 《红外与毫米波学报》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109001833A (zh) * 2018-06-22 2018-12-14 天和防务技术（北京）有限公司 一种基于深度学习的太赫兹危险品检测方法
CN109145816A (zh) * 2018-08-21 2019-01-04 北京京东尚科信息技术有限公司 商品识别方法和系统
CN109187598A (zh) * 2018-10-09 2019-01-11 青海奥越电子科技有限公司 基于数字图像处理的违禁物品检测系统及方法
CN110020586B (zh) * 2018-12-29 2021-01-29 北京品恩科技股份有限公司 一种基于大数据的人员安检管理系统
CN110020586A (zh) * 2018-12-29 2019-07-16 北京品恩科技股份有限公司 一种基于大数据的人员安检管理系统
CN111489284A (zh) * 2019-01-29 2020-08-04 北京搜狗科技发展有限公司 一种图像处理方法、装置和用于图像处理的装置
CN111489284B (zh) * 2019-01-29 2024-02-06 北京搜狗科技发展有限公司 一种图像处理方法、装置和用于图像处理的装置
CN111539251B (zh) * 2020-03-16 2021-03-19 重庆特斯联智慧科技股份有限公司 一种基于深度学习的安检物品识别方法和系统
CN111539251A (zh) * 2020-03-16 2020-08-14 重庆特斯联智慧科技股份有限公司 一种基于深度学习的安检物品识别方法和系统
CN112801220A (zh) * 2020-05-08 2021-05-14 视睿（杭州）信息科技有限公司 一种农产品品质分类方法、装置、计算机设备和存储介质
CN112801220B (zh) * 2020-05-08 2022-07-08 视睿（杭州）信息科技有限公司 一种农产品品质分类方法、装置、计算机设备和存储介质
CN111680729A (zh) * 2020-05-30 2020-09-18 中国船舶重工集团公司第七一三研究所 基于x光机图像机场旅客安检危险品实时高识别率方法
CN111861992A (zh) * 2020-06-12 2020-10-30 浙江大华技术股份有限公司 安检图像的处理方法、安检系统和计算机可读存储介质
CN112581467A (zh) * 2020-12-25 2021-03-30 北京航星机器制造有限公司 一种基于疑似危险品评价的智能安检方法
CN112633286A (zh) * 2020-12-25 2021-04-09 北京航星机器制造有限公司 一种基于危险品相似率和识别概率的智能安检系统
CN112581467B (zh) * 2020-12-25 2023-11-07 北京航星机器制造有限公司 一种基于疑似危险品评价的智能安检方法
CN112396042A (zh) * 2021-01-20 2021-02-23 鹏城实验室 实时更新的目标检测方法及系统、计算机可读存储介质
CN114973041A (zh) * 2021-12-20 2022-08-30 昆明理工大学 一种基于自我对比学习克服视觉问答的语言先验方法
CN116645618A (zh) * 2023-06-05 2023-08-25 广东省农业科学院设施农业研究所 农业数据处理方法、系统和存储介质
CN116645618B (zh) * 2023-06-05 2023-12-08 广东省农业科学院设施农业研究所 农业数据处理方法、系统和存储介质

Also Published As

Publication number Publication date
US20200302248A1 (en) 2020-09-24
CN108182454B (zh) 2021-07-30
US11574152B2 (en) 2023-02-07
WO2019140767A1 (zh) 2019-07-25

Similar Documents

Publication Publication Date Title
CN108182454A (zh) 安检识别系统及其控制方法
CN109977918B (zh) 一种基于无监督域适应的目标检测定位优化方法
CN111563557B (zh) 一种电力电缆隧道内目标检测的方法
CN108875624B (zh) 基于多尺度的级联稠密连接神经网络的人脸检测方法
CN108830188A (zh) 基于深度学习的车辆检测方法
CN108921201B (zh) 基于特征组合与cnn的大坝缺陷识别与分类方法
CN109285139A (zh) 一种基于深度学习的x射线成像焊缝检测方法
CN111860171A (zh) 一种大规模遥感图像中不规则形状目标的检测方法及系统
CN107316036A (zh) 一种基于级联分类器的害虫识别方法
CN113283282B (zh) 一种基于时域语义特征的弱监督时序动作检测方法
CN101236608A (zh) 基于图片几何结构的人脸检测方法
CN112183672B (zh) 图像分类方法、特征提取网络的训练方法和装置
CN111738054B (zh) 一种基于时空自编码器网络和时空cnn的行为异常检测方法
CN101364263A (zh) 对图像进行皮肤纹理检测的方法及系统
CN106446890A (zh) 一种基于窗口打分和超像素分割的候选区域提取方法
CN110188654A (zh) 一种基于移动未裁剪网络的视频行为识别方法
CN109360179A (zh) 一种图像融合方法、装置及可读存储介质
CN113313678A (zh) 一种基于多尺度特征融合的精子形态学自动分析方法
CN109800756A (zh) 一种用于中文历史文献密集文本的文字检测识别方法
CN116959099B (zh) 一种基于时空图卷积神经网络的异常行为识别方法
CN114821022A (zh) 融合主观逻辑和不确定性分布建模的可信目标检测方法
CN108734200A (zh) 基于bing特征的人体目标视觉检测方法和装置
CN114240822A (zh) 基于YOLOv3及多尺度特征融合的棉布瑕疵检测方法
CN117557860A (zh) 基于YOLOv8的货运列车异物检测方法及系统
Cui et al. Edge detection algorithm optimization and simulation based on machine learning method and image depth information

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200522

Address after: 210000 building C4, Hongfeng science and Technology Park, Qixia Economic and Technological Development Zone, Nanjing City, Jiangsu Province

Applicant after: NANQI XIANCE (NANJING) TECHNOLOGY Co.,Ltd.

Address before: No. 1188 Wuzhong District Wuzhong road in Suzhou city of Jiangsu Province in 215104

Applicant before: SOOCHOW University

GR01 Patent grant
GR01 Patent grant