【技术实现步骤摘要】
本专利技术涉及计算机，尤其涉及一种快递包裹的安检类型识别方法、装置及存储介质。
技术介绍
1、物流是物品从供应地向接收地的实体流动过程中，根据实际需要，将运输、储存、装卸搬运、包装、流通加工、配送、信息处理等功能有机结合起来实现用户要求的过程在当今社会信息技术的不断发展下，网络购物量逐年增加，已经成为民众的重要的购物手段，物流邮包也随着网络购物的发展量迅速增加，民众购物的便捷性提高了，违禁类物品能够通过物流的方便手段进行运输，在大量的邮包中难以辨识，邮包也不能随便打开，但是目前安检识别还是依靠人工完成，这种方式会耗费大量的人力和财力，尤其是在特殊时期，快递包裹需要进行二次安检，安检人员可能因为工作疲劳而出现漏检、误检的情况。
技术实现思路
1、本专利技术提供了一种快递包裹的安检类型识别方法、装置及存储介质，提高了确定快递包裹是否为违禁对象的准确率，节省了人力，提高了快递包裹的运输安全性。
2、一方面，本专利技术提供了一种快递包裹的安检类型识别方法，所述方法包括：
3、获取待测快递包裹的运输图像数据，得到待测图像数据；
4、将所述待测图像数据输入图像安检类型识别模型进行安检类型识别，得到目标安检类型；所述目标安检类型表征所述待测快递包裹是否为通过安检的包裹；
5、其中，所述图像安检类型识别模型的训练方法包括：
6、获取样本快递包裹的样本图像数据；所述样本图像数据标注了样本安检类型标签；
7、将所述样本图像数据输入
8、将所述多个样本图像特征输入所述机器学习模型的图像特征融合网络，进行特征融合处理，得到样本图像融合特征；
9、将所述样本图像融合特征输入所述机器学习模型的安检类型预测网络，得到样本安检类型预测结果；
10、基于所述样本安检类型预测结果与所述样本安检类型标签之间的差异，训练所述机器学习模型，得到所述图像安检类型识别模型。
11、所述将所述待测图像数据输入图像安检类型识别模型进行安检类型识别，得到目标安检类型，包括：
12、对所述待测图像数据进行去噪处理，得到待测去噪图像；
13、将所述待测去噪图像输入图像安检类型识别模型进行安检类型识别，得到所述目标安检类型；
14、所述将所述样本图像数据输入机器学习模型的图像切片操作网络，进行切片操作，得到多个样本图像特征，包括：
15、对所述样本图像数据进行去噪处理，得到样本去噪图像；
16、将所述样本去噪图像输入所述机器学习模型的图像切片操作网络，进行切片操作，得到多个样本图像特征。
17、可选的，所述将所述样本去噪图像输入所述机器学习模型的图像切片操作网络，进行切片操作，得到多个样本图像特征，包括：
18、将所述样本图像数据输入所述机器学习模型的数据扩展网络，进行数据扩展处理，得到样本扩展图像集；
19、将所述样本扩展图像集输入所述机器学习模型的图像切片操作网络，进行切片操作，得到多个样本图像特征。
20、可选的，所述将所述样本扩展图像集输入所述机器学习模型的图像切片操作网络，进行切片操作，得到多个样本图像特征，包括：
21、将所述样本扩展图像集输入所述机器学习模型的图像切片操作网络，进行切片操作，得到多个样本切片图像；
22、提取每个样本切片图像的图像特征，得到多个样本切片图像特征；
23、对所述多个样本切片图像特征进行堆叠操作，得到样本堆叠特征；
24、将所述样本堆叠特征映射划分成至少两个样本映射特征，并将所述至少两个样本映射特征输入所述机器学习模型的池化金字塔网络，进行图像特征提取，得到至少两个样本图像特征。
25、可选的，所述图像特征融合网络包括第一融合网络以及第二融合网络，所述将所述多个样本图像特征输入所述机器学习模型的图像特征融合网络，进行特征融合处理，得到样本图像融合特征，包括：
26、将所述多个样本图像特征输入所述机器学习模型的所述第一融合网络，通过自顶向下的方式进行特征融合，得到第一样本融合特征；
27、将所述多个样本图像特征输入所述机器学习模型的所述第二融合网络，通过自底向上的方式进行特征融合，得到第二样本融合特征；
28、基于所述第一样本融合特征以及所述第二样本融合特征，确定所述样本图像融合特征。
29、可选的，所述对所述样本图像数据进行去噪处理，得到样本去噪图像，包括：
30、采用高斯滤波器对所述样本图像数据中每个像素点的灰度值与所述每个像素点对应的邻域像素点的灰度值进行加权平均，得到样本去噪图像；或
31、基于双边滤波技术，根据所述样本图像数据中的每个像素点的空间位置以及灰度值，计算每个像素点的滤波系数；
32、根据每个像素点的滤波系数，对所述样本图像数据进行滤波处理，得到样本去噪图像。
33、可选的，所述将所述样本图像数据输入所述机器学习模型的数据扩展网络，进行数据扩展处理，得到样本扩展图像集，包括：
34、将所述样本图像数据输入所述机器学习模型的数据扩展网络，进行数据增强以及数据缩放处理，得到第一样本扩展图像集；
35、将所述第一样本扩展图像集中预设数量个样本初始扩展图像进行缩放、拼接处理，得到第二样本扩展图像集；
36、根据所述第一样本扩展图像集以及所述第二样本扩展图像集，确定所述样本扩展图像集。
37、另一方面提供了一种快递包裹的安检类型识别装置，所述装置包括：
38、待测图像数据获取模块，用于获取待测快递包裹的运输图像数据，得到待测图像数据；
39、目标安检类型确定模块，用于将所述待测图像数据输入图像安检类型识别模型进行安检类型识别，得到目标安检类型；所述目标安检类型表征所述待测快递包裹是否为通过安检的包裹；
40、模型训练模块，用于训练所述图像安检类型识别模型；
41、所述模型训练模块包括：
42、样本图像数据获取模块，用于获取样本快递包裹的样本图像数据；所述样本图像数据标注了样本安检类型标签；
43、样本图像特征确定模块，用于将所述样本图像数据输入机器学习模型的图像切片操作网络，进行切片操作，得到多个样本图像特征；
44、样本图像融合特征确定模块，用于将所述多个样本图像特征输入所述机器学习模型的图像特征融合网络，进行特征融合处理，得到样本图像融合特征；
45、样本结果确定模块，用于将所述样本图像融合特征输入所述机器学习模型的安检类型预测网络，得到样本安检类型预测结果；
46、模型确定模块，用于基于所述样本安检类型预测结果与所述样本安检类型标签之间的差异，训练所述机器学习模型，得到所述图像安检类型识别模型。
47、另一方面提供本文档来自技高网...
【技术保护点】
1.一种快递包裹的安检类型识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述待测图像数据输入图像安检类型识别模型进行安检类型识别，得到目标安检类型，包括：
3.根据权利要求2所述的方法，其特征在于，所述将所述样本去噪图像输入所述机器学习模型的图像切片操作网络，进行切片操作，得到多个样本图像特征，包括：
4.根据权利要求3所述的方法，其特征在于，所述将所述样本扩展图像集输入所述机器学习模型的图像切片操作网络，进行切片操作，得到多个样本图像特征，包括：
5.根据权利要求1-3中任意一项所述的方法，其特征在于，所述图像特征融合网络包括第一融合网络以及第二融合网络，所述将所述多个样本图像特征输入所述机器学习模型的图像特征融合网络，进行特征融合处理，得到样本图像融合特征，包括：
6.根据权利要求2所述的方法，其特征在于，所述对所述样本图像数据进行去噪处理，得到样本去噪图像，包括：
7.根据权利要求3所述的方法，其特征在于，所述将所述样本图像数据输入所述机器学习模型的数据扩展网络，
8.一种快递包裹的安检类型识别装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如权利要求1-7任一所述的快递包裹的安检类型识别方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1-7任一所述的快递包裹的安检类型识别方法。
...【技术特征摘要】
1.一种快递包裹的安检类型识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述待测图像数据输入图像安检类型识别模型进行安检类型识别，得到目标安检类型，包括：
3.根据权利要求2所述的方法，其特征在于，所述将所述样本去噪图像输入所述机器学习模型的图像切片操作网络，进行切片操作，得到多个样本图像特征，包括：
4.根据权利要求3所述的方法，其特征在于，所述将所述样本扩展图像集输入所述机器学习模型的图像切片操作网络，进行切片操作，得到多个样本图像特征，包括：
5.根据权利要求1-3中任意一项所述的方法，其特征在于，所述图像特征融合网络包括第一融合网络以及第二融合网络，所述将所述多个样本图像特征输入所述机器学习模型的图像特征融合网络，进行特征融合处理，得到样本图像融合特征，包括：
6.根...
【专利技术属性】
技术研发人员：王佳磊，
申请(专利权)人：上海韵达高新技术有限公司，
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。