物品分类方法、装置和系统制造方法及图纸

本发明专利技术提供一种物品分类方法、装置和系统，该方法包括：提取目标包裹的透视图像的有效区域，得到目标图像；根据预先训练的特征提取模型，确定目标图像的初始特征矩阵；对初始特征矩阵进行采样，得到采样特征矩阵；根据预先训练的分类模型和采样特征矩阵，确定目标包裹内的物品的物品类别及物品类别对应的概率值。本方案通过特征提取模型和分类模型，能够对包裹内的物品进行快速、精准地识别；且本方案的特征提取模型和分类模型能快速适应不同需求的任务，动态适应性较强。动态适应性较强。动态适应性较强。

【技术实现步骤摘要】
物品分类方法、装置和系统


[0001]本专利技术涉及物品识别
，尤其是涉及一种物品分类方法、装置和系统。

技术介绍

[0002]快递业务的出现极大程度地提高了货物运输的效率。随着全球经济的迅猛发展，快递运输在现代化运输产业中占有重要地位。在运输快递包裹过程中常常会有不法分子趁机夹藏一些违禁品。特别是在海关进出口方面，大宗货物居多，逐一开箱检验不切合实际，一般需要借助辐射成像的方法来进行检验，所以如何快速、准确地对包裹中的物品进行分类，并识别出违禁品成为亟待解决的技术问题。

技术实现思路

[0003]基于此，本专利技术的目的在于提供一种物品分类方法、装置和系统，以提高对包裹行李中的物品的识别的精确度和速度。
[0004]第一方面，本专利技术提供一种物品分类方法，该方法包括：提取目标包裹的透视图像的有效区域，得到目标图像；根据预先训练的特征提取模型，确定目标图像的初始特征矩阵；对初始特征矩阵进行采样，得到采样特征矩阵；根据预先训练的分类模型和采样特征矩阵，确定目标包裹内的物品的物品类别及物品类别对应的概率值。
[0005]在可选的实施方式中，该方法还包括：根据预先采集的样本图像，确定训练图像和测试图像；基于卷积神经网络对训练图像进行训练，得到特征提取模型；基于全连接网络对训练图像进行训练，得到分类模型。
[0006]在可选的实施方式中，根据预先采集的样本图像，确定训练图像和测试图像的步骤，包括：将预先采集的原始图像进行预处理以及图像增强处理，得到样本图像，其中，样本图像的类型包括正样本图像和负样本图像，正样本图像包括合成正样本图像、真实正样本图像、加躁正样本图像和变换正样本图像，负样本图像包括真实负样本图像和加躁负样本图像；将样本图像随机划分为训练图像和测试图像，其中，每张样本图像均包含预先标注的图像标签。
[0007]在可选的实施方式中，基于卷积神经网络对训练图像进行训练，得到特征提取模型；基于全连接网络对训练图像进行训练，得到分类模型的步骤之后，该方法还包括：将测试图像输入至特征提取模型和分类模型中，得到测试图像中的测试物品的测试类别及测试类别对应的测试概率值；计算测试类别对应的测试概率值与预先标注的图像标签中的数据之间的二值交叉熵；若二值交叉熵不满足预设的第一交叉熵阈值范围，则基于批梯度下降算法优化特征提取模型和分类模型。
[0008]在可选的实施方式中，该方法还包括：若二值交叉熵不满足预设的第二交叉熵阈值范围，则基于二值交叉熵对应的测试图像，优化特征提取模型和分类模型。
[0009]在可选的实施方式中，提取目标包裹的透视图像的有效区域，得到目标图像的步骤，包括：去除目标包裹的透视图像中的空白区域；改变去除空白区域后的透视图像的像素
大小，得到目标图像。
[0010]在可选的实施方式中，根据预先训练的特征提取模型，确定目标图像的初始特征矩阵的步骤，包括：基于特征提取模型对目标图像进行卷积计算，得到目标图像的初始特征矩阵。
[0011]在可选的实施方式中，对初始特征矩阵进行采样，得到采样特征矩阵的步骤，包括：基于池化算法，将不同尺寸的初始特征矩阵转换为固定尺寸的采样特征矩阵。
[0012]第二方面，本专利技术提供一种物品分类装置，该装置包括：预处理模块，用于提取目标包裹的透视图像的有效区域，得到目标图像；特征提取模块，用于根据预先训练的特征提取模型，确定目标图像的初始特征矩阵；池化模块，用于对初始特征矩阵进行采样，得到采样特征矩阵；分类模块，用于根据预先训练的分类模型和采样特征矩阵，确定目标包裹内的物品的物品类别及物品类别对应的概率值。
[0013]第三方面，本专利技术提供一种物品分类系统，该系统用于执行前述实施方式任一项的物品分类方法；系统包括：服务器、X光成像设备和移动终端。
[0014]本专利技术实施例的有益效果如下：
[0015]本专利技术提供一种物品分类方法、装置和系统，该方法包括：提取目标包裹的透视图像的有效区域，得到目标图像；根据预先训练的特征提取模型，确定目标图像的初始特征矩阵；对初始特征矩阵进行采样，得到采样特征矩阵；根据预先训练的分类模型和采样特征矩阵，确定目标包裹内的物品的物品类别及物品类别对应的概率值。本方案通过特征提取模型和分类模型，能够对包裹内的物品进行快速、精准地识别；且本方案的特征提取模型和分类模型能快速适应不同需求的任务，动态适应性较强。
[0016]本专利技术的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本专利技术的上述技术即可得知。
[0017]为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施方式，并配合所附附图，作详细说明如下。
附图说明
[0018]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0019]图1为本专利技术实施例提供的一种物品分类方法的流程图；
[0020]图2为本专利技术实施例提供的另一种物品分类方法的流程图；
[0021]图3为本专利技术实施例提供的一种物品分类装置的示意图；
[0022]图4为本专利技术实施例提供的一种物品分类系统的示意图；
[0023]图5为本专利技术实施例提供的物品分类程序架构图；
[0024]图6为本专利技术实施例提供的算法训练架构图。
具体实施方式
[0025]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例
中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。
[0026]因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0027]快递业务的出现极大程度地提高了货物运输的效率。随着全球经济的迅猛发展，快递运输在现代化运输产业中占有重要地位。在运输快递包裹过程中经常会有不法分子趁机夹藏一些违禁品。特别是在海关进出口方面，大宗货物居多，逐一开箱检验不切合实际，一般需要借助辐射成像的方法来进行检验。
[0028]现有技术一般是通过用X射线扫描被检查物体，得到被检查物体的X射线图像，然后利用卷积神经网络处理被检查物体的X射线图像，得到被检查物体的类别活性图，从而判断的包裹内的物品的类别。但是，现有技术训练的识别模型准确度不高、普适性不强，当面对大量、繁杂的图像识别任务时，往往不能胜任任务。
[0029]基于此，本专利技术提供一种物品识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种物品分类方法，其特征在于，所述方法包括：提取目标包裹的透视图像的有效区域，得到目标图像；根据预先训练的特征提取模型，确定所述目标图像的初始特征矩阵；对所述初始特征矩阵进行采样，得到采样特征矩阵；根据预先训练的分类模型和所述采样特征矩阵，确定所述目标包裹内的物品的物品类别及所述物品类别对应的概率值。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据预先采集的样本图像，确定训练图像和测试图像；基于卷积神经网络对所述训练图像进行训练，得到所述特征提取模型；基于全连接网络对所述训练图像进行训练，得到所述分类模型。3.根据权利要求2所述的方法，其特征在于，根据预先采集的样本图像，确定训练图像和测试图像的步骤，包括：将预先采集的原始图像进行预处理以及图像增强处理，得到样本图像，其中，样本图像的类型包括正样本图像和负样本图像，所述正样本图像包括合成正样本图像、真实正样本图像、加躁正样本图像和变换正样本图像，所述负样本图像包括真实负样本图像和加躁负样本图像；将所述样本图像随机划分为训练图像和测试图像，其中，每张所述样本图像均包含预先标注的图像标签。4.根据权利要求3所述的方法，其特征在于，基于卷积神经网络对所述训练图像进行训练，得到所述特征提取模型；基于全连接网络对所述训练图像进行训练，得到所述分类模型的步骤之后，所述方法还包括：将所述测试图像输入至所述特征提取模型和所述分类模型中，得到所述测试图像中的测试物品的测试类别及所述测试类别对应的测试概率值；计算所述测试类别对应的测试概率值与所述预先标注的图像标签中的数据之间的二值交叉熵；若所述二值交叉熵不满足预设的第...

【专利技术属性】
技术研发人员：兴军亮，纪志鹏，梁寅鹏，伍艺，
申请(专利权)人：智慧航安北京科技有限公司，
类型：发明
国别省市：