本发明专利技术公开了一种基于深度学习的危险品智能检测方法，涉及危险品检测技术领域。本发明专利技术包括以下步骤：接收并存储被测物体对应的图像数据，并依次实时顺序滚动显示所述图像数据处理后得到的扫描图像；提取一定数量的所述图像数据，生成待识别图像；将所述待识别图像输入至预先训练好的深度学习模型中，以判断所述待识别图像中是否包含有疑似危险品，若是，则生成该疑似危险品的特征信息；将所述疑似危险品的特征信息同步显示在所述扫描图像上。本发明专利技术深度学习算法具备自动特征提取、自学习、无监督的分类方式进行学习；因此，基于深度学习的危险品、违禁品自动检测取代人工看图的方法进步明显。进步明显。进步明显。
A dangerous goods intelligent detection method, device and security inspection machine equipment based on deep learning
【技术实现步骤摘要】
一种基于深度学习的危险品智能检测方法、装置及安检机设备
[0001]本专利技术涉及危险品检测
，特别是涉及一种基于深度学习的危险品智能检测方法、装置及安检机设备。
技术介绍
[0002]安检机又名安检仪，包括安检X光机、行李安检机、通道式X光机、物检X光机、X射线安检仪、X光行李安检机、X射线检测仪、X射线异物检测机、X光安检机、X光行包检测仪、三品检测仪、三品检查机、三品检查仪和查危仪；广泛应用于机场、火车站、地铁站、汽车站、政府机关大楼、大使馆、会议中心、会展中心、酒店、商场、大型活动、邮局、学校、物流行业、工业检测等。
[0003]传统安检机X光图像危险品检测手段，是基于人工筛选方式。在此之前形成标准，安检机图像有机物是橙色、无机物显示为蓝色、有机物和无机物的混合物为绿色。除此之外同一种物质越厚就越难穿透，对应的颜色就越深。如此一来，比如危险品如电池、鞭炮爆炸物品都能有自己独特的颜色和形状，人工看图进行筛选。
[0004]但是这样进行人工看图检查的方法，费时费力，工作人员始终盯住一直在滚动的图像检查对应的包裹图像是否隐藏有违禁品，眼睛会非常疲劳，也会导致危险品包裹的漏检；因此，我们提出一种基于深度学习的危险品智能检测方法、装置及安检机设备。
技术实现思路
[0005]本专利技术的目的在于提供一种基于深度学习的危险品智能检测方法、装置及安检机设备，以解决上述背景中提出的问题。
[0006]为解决上述技术问题，第一方面，本专利技术是通过以下技术方案实现的：本专利技术为一种基于深度学习的危险品智能检测方法，包括以下步骤：接收并存储被测物体对应的图像数据，并依次实时顺序滚动显示所述图像数据处理后得到的扫描图像，所述图像数据为安检机系统扫描被测物体所得到的源数据；提取一定数量的所述图像数据，生成待识别图像；所述待识别图像包括根据所述图像数据生成的物体灰度图像；将所述待识别图像输入至预先训练好的深度学习模型中，以判断所述待识别图像中是否包含有疑似危险品，若是，则生成该疑似危险品的特征信息；所述疑似危险品的特征信息包括物品的名称以及物品的位置坐标；将所述疑似危险品的特征信息同步显示在所述扫描图像上。
[0007]优选地，所述将所述待识别图像输入至预先训练好的深度学习模型中，以判断所述待识别图像中是否包含有疑似危险品，具体包括以下步骤：接收所述待识别图像，并输入至预先构建好的深度学习模型中；利用所述深度学习模型识别所述待识别图像中包含的疑似危险品及其所属的类
别。
[0008]优选地，所述深度学习模型的训练方法包括以下步骤：收集危险物品、安全物品的图像数据于数据库图像集中，形成危险物品、安全物品两个数据库；分别对危险物品、安全物品图像数据集进行预处理，以将两个数据库中的数据分别划分为训练集，验证集和测试集，保证三者之间的比例为6:3:1；将危险物品、安全物品的图像数据对应的多维特征输入深度学习模型，选择合适的投影面，实现高维特征的降维，对于降维后的多重特征，运用KNN分类方法将其进行多重比对，先根据样本分布设置初始分类参考特征数量，为每一张图片实现分类标注，再通过交叉验证选择后，确定适合作为比对的最相似的6张图片，即可得到训练好的深度学习模型。
[0009]优选地，所述收集危险物品、安全物品的图像数据于数据库图像集中，形成危险物品、安全物品两个数据库包括以下步骤：收集多张处于不同角度、不同遮挡状态下的每种危险品的图像数据；将所述危险品的图像数据存储至危险品数据库中。
[0010]优选地，所述生成该疑似危险品的特征信息包括：通过查询存储有危险品类别及对应名称之间关系的关系表，生成所述疑似危险品的名称；根据所述疑似危险品在所述待识别图像中的位置，生成所述疑似危险品对应的位置坐标。
[0011]本专利技术具有以下有益效果：本专利技术基于深度学习的危险品智能检测方法，通过获取被测物体的图像数据，并将由图像数据生成的识别图像输入至预先训练好的深度学习模型中，实现对待识别图像中疑似危险品的判断；上述方法能够有效提高物体检测结果的准确性，同时通过将疑似危险物体的特征信息同步显示在扫描图像上，不需要人工对扫描图像中的物体进行判断，能够有效提高物体检测的效率。
[0012]当然，实施本专利技术的任一产品并不一定需要同时达到以上所述的所有优点。
[0013]本专利技术第二方面提供了一种基于深度学习的危险品智能检测装置，包括：接收单元，用于接收并存储被测物体对应的图像数据，并依次实时顺序滚动显示所述图像数据处理后得到的扫描图像，所述图像数据为安检机系统扫描被测物体所得到的源数据；提取单元，用于提取一定数量的所述图像数据，生成待识别图像；所述待识别图像包括根据所述图像数据生成的物体灰度图像；判断单元，用于将所述待识别图像输入至预先训练好的深度学习模型中，以判断所述待识别图像中是否包含有疑似危险品，若是，则生成该疑似危险品的特征信息；所述疑似危险品的特征信息包括物品的名称以及物品的位置坐标；同步显示单元，用于将所述疑似危险品的特征信息同步显示在所述扫描图像上。
[0014]本专利技术第三方面提供了一种安检机设备，其特征在于，所述安检机设备包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述安检机设备执行
上述任一种所述的基于深度学习的危险品智能检测方法。
附图说明
[0015]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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。
[0016]图1为本专利技术实施例基于深度学习的危险品智能检测方法的操作流程图；图2为本专利技术实施例基于深度学习的危险品智能检测方法中步骤S300的操作流程图；图3为本专利技术实施例中基于深度学习的危险品智能检测装置的一个实施例示意图；图4为本专利技术实施例中安检机设备的一个实施例示意图。
具体实施方式
[0017]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，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。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它实施例，都属于本专利技术保护的范围。
[0018]请参阅图1所示：本专利技术为一种基于深度学习的危险品智能检测方法，包括以下步骤：S100：接收并存储被测物体对应的图像数据，并依次实时顺序滚动显示所述图像数据处理后得到的扫描图像，所述图像数据为安检机系统扫描被测物体所得到的源数据；S200：提取一定数量的所述图像数据，生成待识别图像；所述待识别图像包括根据所述图像数据生成的物体灰度图像；S300：将所述待识别图像输入至预先训练好的深度学习模型中，以判断所述待识别图像中是否包含有疑似危险品，若是，则生成该疑似危险品的特征信息；所述疑似危险品的特征信息包括物品的名称以及物品的位置本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的危险品智能检测方法，其特征在于，包括以下步骤：接收并存储被测物体对应的图像数据，并依次实时顺序滚动显示所述图像数据处理后得到的扫描图像，所述图像数据为安检机系统扫描被测物体所得到的源数据；提取一定数量的所述图像数据，生成待识别图像；所述待识别图像包括根据所述图像数据生成的物体灰度图像；将所述待识别图像输入至预先训练好的深度学习模型中，以判断所述待识别图像中是否包含有疑似危险品，若是，则生成该疑似危险品的特征信息；所述疑似危险品的特征信息包括物品的名称以及物品的位置坐标；将所述疑似危险品的特征信息同步显示在所述扫描图像上。2.根据权利要求1所述的一种基于深度学习的危险品智能检测方法，其特征在于，所述将所述待识别图像输入至预先训练好的深度学习模型中，以判断所述待识别图像中是否包含有疑似危险品，具体包括以下步骤：接收所述待识别图像，并输入至预先构建好的深度学习模型中；利用所述深度学习模型识别所述待识别图像中包含的疑似危险品及其所属的类别。3.根据权利要求2所述的一种基于深度学习的危险品智能检测方法，其特征在于，所述深度学习模型的训练方法包括以下步骤：收集危险物品、安全物品的图像数据于数据库图像集中，形成危险物品、安全物品两个数据库；分别对危险物品、安全物品图像数据集进行预处理，以将两个数据库中的数据分别划分为训练集，验证集和测试集，保证三者之间的比例为6:3:1；将危险物品、安全物品的图像数据对应的多维特征输入深度学习模型，选择合适的投影面，实现高维特征的降维，对于降维后的多重特征，运用KNN分类方法将其进行多重比对，先根据样本分布设置初始分类参考特征数量，为每一张图片实现分类标注，再通过交叉验证选择后，确定适合作为比对的最相似的6...
【专利技术属性】
技术研发人员：赵吉靖，刘小刚，
申请(专利权)人：深圳市方吉无限科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。