一种基于深度学习算法的图像智能判读设备及系统技术方案

本发明专利技术提供一种基于深度学习算法的图像智能判读设备及系统，包括图像采集设备、处理器、存储器、缓存器、显示器和报警提示器；存储器用于存储训练样本数据和基于深度学习算法的分类识别模型；当缓存器中的新增样本数据达到预设阈值时，处理器将缓存器中的新增样本数据加载到存储器的训练样本数据中并对分类识别模型进行重新训练和验证，如果验证后的准确率高于上一次分类识别模型的准确率，则采用新的分类识别模型对图像采集设备所获取的待判别图像信息进行图像智能判读。其效果是：通过多种途径逐步丰富样本数据，且对识别模型进行优化更新，从而逐步提升系统的准确性，有效防止错检和漏检，为判图员提供有效的技术支撑。为判图员提供有效的技术支撑。为判图员提供有效的技术支撑。

【技术实现步骤摘要】
一种基于深度学习算法的图像智能判读设备及系统


[0001]本专利技术涉及图像识别技术，具体涉及一种基于深度学习算法的图像智能判读设备及系统。

技术介绍

[0002]为了确保机场、车站等重要场所的公共安全，往往在进入口配置有安检设备，通过光机对旅客的包厢进行扫描，然后通过专业的判图员来识别是否存在违禁物品，根据安全规范的相关要求，刀具、打火机、充电宝、爆炸物、液体物品等违禁物品表现形式多样，而且在箱包中还存在摆放位置和遮挡物等诸多不确定因素的影响，长期依靠人工肉眼叛别，难免出现误判和漏判。
[0003]现有技术中也有人提出基于人工智能的图像叛别系统，如中国专利202111274432.8公开的一种智能判图的图像处理方法、装置及系统，通过智能识图仪对包裹复杂度进行确定，然后针对复杂包裹再推送给集中判图系统进行集中判别。虽然在一定程度上能够解决人工判图的工作量，但是由于其目标物所在环境的复杂性，其模型训练样本有限，判图的精度仍然无法满足实际应用需求，系统误判和漏判仍然较高。

技术实现思路

[0004]为了解决上述问题，本专利技术首先提出一种基于深度学习算法的图像智能判读设备，通过充分收集各种违禁物品的样本数据，结合自学习机制逐步优化训练模型，使其满足复杂环境下各种违禁物品的智能判读，为人工判图员提供有效的辅助手段。
[0005]为了实现上述目的，本专利技术所采用的技术如下：
[0006]一种基于深度学习算法的图像智能判读设备，其关键在于，包括：图像采集设备、处理器、存储器、缓存器、显示器和报警提示器；
[0007]所述图像采集设备用于获取待判别图像；
[0008]所述存储器用于存储训练样本数据和基于深度学习算法的分类识别模型；
[0009]所述缓存器用于存储新增样本数据；
[0010]当缓存器中的新增样本数据达到预设阈值时，所述处理器将缓存器中的新增样本数据加载到存储器的训练样本数据中并对分类识别模型进行重新训练和验证，如果验证后的准确率高于上一次分类识别模型的准确率，则采用新的分类识别模型对所述图像采集设备所获取的待判别图像信息进行图像智能判读；
[0011]所述显示器用于显示图像智能判读结果；当待判别图像中存在违禁物品时，所述报警提示器发出报警提示信息。
[0012]可选地，所述图像采集设备包括两路视频分配器，分别连接X方向光机图像输出接口和Y方向光机图像输出接口。
[0013]可选地，所述存储器中设置有第一分类识别模型和第二分类识别模型，其中第一分类识别模型用于对X方向光机图像输出接口采集的待判别图像进行智能判读，所述第二
分类识别模型用于对Y方向光机图像输出接口采集的待判别图像进行智能判读。
[0014]可选地，当缓存器中的新增样本数据达到预设阈值时，所述处理器将缓存器中的新增样本数据加载到存储器的训练样本数据中并对分类识别模型进行重新训练和验证，如果验证后的准确率高于上一次分类识别模型的准确率，则采用新的分类识别模型逐次交替的更新所述第一分类识别模型和所述第二分类识别模型中的一个模型，并利用更新后的分类识别模型对所述图像采集设备所获取的待判别图像信息进行图像智能判读。
[0015]可选地，所述第一分类识别模型和所述第二分类识别模型输出识别的违禁品类型和预估的准确度，针对准确度高于预设阈值的目标图像，所述处理器将其作为新增样本数据存储在所述缓存器中。
[0016]可选地，还设置有数据收集模块，通过所述数据收集模块人工收集样本信息。
[0017]可选地，所述存储器中还设置有样本筛选模块，所述处理器通过样本筛选模块对样本缓存器中的新增样本数据和数据收集模块收集的新增样本数据进行筛选，删除与所述训练样本数据中相似度超过预设阈值的数据。
[0018]基于上述设备，本专利技术还提供一种基于深度学习算法的图像智能判读系统，应用于前文所述的各种图像智能判读设备中，其关键在于，系统中还包括图像预处理模块和特征提取模块，系统判读的违禁品类型包括打火机、充电宝、刀具、枪支弹药、爆炸物、液态物品和电池。
[0019]可选地，当系统同时设置有，第一分类识别模型和第二分类识别模型时，系统中还设置有结果表决模块，所述第一分类识别模型和所述第二分类识别模型中的任意一个认定存在对应类别的违禁品时，所述结果表决模块均认定其存在对应类别的违禁品。
[0020]本专利技术的有益效果：
[0021]通过多种途径可以逐步丰富样本数据，且对识别模型进行优化更新，从而逐步提升系统的准确性，有效防止错检和漏检，为判图员提供有效的技术支撑。
附图说明
[0022]图1为本专利技术的系统架构图；
[0023]图2为本专利技术的系统控制流程图；
[0024]图3为本专利技术具体实施例中的判读结果对比效果图。
具体实施方式
[0025]下面将对本专利技术技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，因此只作为示例，而不能以此来限制本专利技术的保护范围。
[0026]需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本专利技术所属领域技术人员所理解的通常意义。
[0027]如图1和图2所示，本实施例公开一种基于深度学习算法的图像智能判读设备，其关键在于，包括图像采集设备、处理器、存储器、缓存器、显示器和报警提示器；
[0028]所述图像采集设备用于获取待判别图像；本实施例中通过采用现有安检设备中存在的两个方向的X光机来扫描旅客的箱包，从而得到视频数据流，在不影响现有安检系统正常运行的基础上，通过两路视频分配器，分别连接X方向光机图像输出接口和Y方向光机图
像输出接口，从而得到两个方向分别采集的待判别图像；
[0029]在存储器中存储有训练样本数据和基于深度学习算法的分类识别模型；结合图2所示的系统流程框图，训练样本数据可以通过数据收集模块，通过人工收集样本信息，既可以直接导入已有的数据样本，也可以在判图员人工判图过程中，通过手工框选样本区域的图像作为样本数据，从而丰富训练样本内容，提升模型训练时的准确性；针对X方向和Y方向的两路光机，系统中配置有第一分类识别模型和第二分类识别模型，其中第一分类识别模型用于对X方向光机图像输出接口采集的待判别图像进行智能判读，第二分类识别模型用于对Y方向光机图像输出接口采集的待判别图像进行智能判读。
[0030]缓存器用于存储新增样本数据，第一分类识别模型和第二分类识别模型输出识别的违禁品类型和预估的准确度，针对准确度高于预设阈值的目标图像，处理器将其作为新增样本数据存储在所述缓存器中；
[0031]当缓存器中的新增样本数据达到预设阈值时，所述处理器将缓存器中的新增样本数据加载到存储器的训练样本数据中并对分类识别模型进行重新训练和验证，如果验证后的准确率高于上一次分类识别模型的准确率，则采用新的分类识别模型对所述图像采集设备所获取的待判别图像信息进行图像智能判读；
[0032]具体实施时，为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习算法的图像智能判读设备，其特征在于，包括：图像采集设备、处理器、存储器、缓存器、显示器和报警提示器；所述图像采集设备用于获取待判别图像；所述存储器用于存储训练样本数据和基于深度学习算法的分类识别模型；所述缓存器用于存储新增样本数据；当缓存器中的新增样本数据达到预设阈值时，所述处理器将缓存器中的新增样本数据加载到存储器的训练样本数据中并对分类识别模型进行重新训练和验证，如果验证后的准确率高于上一次分类识别模型的准确率，则采用新的分类识别模型对所述图像采集设备所获取的待判别图像信息进行图像智能判读；所述显示器用于显示图像智能判读结果；当待判别图像中存在违禁物品时，所述报警提示器发出报警提示信息。2.根据权利要求1所述的基于深度学习算法的图像智能判读设备，其特征在于，所述图像采集设备包括两路视频分配器，分别连接X方向光机图像输出接口和Y方向光机图像输出接口。3.根据权利要求2所述的基于深度学习算法的图像智能判读设备，其特征在于，所述存储器中设置有第一分类识别模型和第二分类识别模型，其中第一分类识别模型用于对X方向光机图像输出接口采集的待判别图像进行智能判读，所述第二分类识别模型用于对Y方向光机图像输出接口采集的待判别图像进行智能判读。4.根据权利要求3所述的基于深度学习算法的图像智能判读设备，其特征在于，当缓存器中的新增样本数据达到预设阈值时，所述处理器将缓存器中的新增样本数据加载到存储器的训练样本数据中并对分类识别模型进行重新训练和验证，如果验证后的准确率高于上一次分类识别模型的准确率，则采用新的分类识别模型逐次交替的更新...

【专利技术属性】
技术研发人员：周硕，江海中，李先伟，
申请(专利权)人：重庆江北国际机场有限公司，
类型：发明
国别省市：