【技术实现步骤摘要】
本专利技术属于航空安检领域，涉及图像分析技术，具体是一种基于深度学习的航空安检行李图像分析方法。
技术介绍
1、机场安检指的是指乘坐民航飞机的旅客在登机前必须接受的一项人身和行李检查项目，这也是为了保证旅客自身安全和民用航空器在空中飞行安全所采取的一项必要措施，经过机场前需提前将刀具类生活用品提前办理托运手续。
2、现有技术中对旅客随身行李的安全检查主要依赖于安检机进行，由于没有设置预检测机构来对明显不合格的行李进行提前检测，旅客的随身行李是否满足携带要求，完全需要经过安检机检测之后才能够得知，这就导致了出现连续安检不通过的情况下，安检机的通过一侧容易造成拥堵的现象。
3、针对上述技术问题，本申请提出一种解决方案。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的航空安检行李图像分析方法，用于解决现有技术中没有设置预检测机构来对明显不合格的行李进行提前检测而导致的安检通道容易拥堵的问题；
2、本专利技术需要解决的技术问题为：如何提供一种可以通过预检测机构来对明显不合格的行李进行提前检测的基于深度学习的航空安检行李图像分析方法。
3、本专利技术的目的可以通过以下技术方案实现：
4、一种基于深度学习的航空安检行李图像分析方法，包括以下步骤：
5、步骤一：对航空安检行李图像进行处理分析：对旅客的随身行李进行拍照之后，将得到的图像放大为像素格图像并进行灰度变换，然后根据图像中的边缘线对图像进行分割得到若干个
6、步骤二：对航空安检行李图像进行特征提取：将安检机检测结果为通过的特征数据标记为正常数据，将安检机检测结果为不通过的特征数据标记为异常数据，将物品形状标记为预警形状、组合形状或正常形状；
7、步骤三：将所有预警形状对应的异常数据标记为待定数据，按照色度值由大到小的顺序对待定数据对应的物品色度进行排列得到色度序列，按照色度序列对物品色度在正常数据中的占据比例进行遍历分析并得到预警色度；
8、步骤四：对旅客的随身行李进行预检测分析：由预警形状、预警色度、组合形状以及组合形状的预警临界值构成行李图像的预警特征，在旅客进行安检机安检之前，对旅客的随身行李进行图像拍摄并提取图像特征，将图像特征与预警特征进行比对。
9、作为本专利技术的一种优选实施方式，在步骤一中，图像特征包括物品形状、物品尺寸以及物品色度，物品色度的获取过程包括：对像素格的灰度值进行统计，然后将灰度值对应像素格的数量标记为灰度值的填充值，将填充值数值最大的灰度值标记为主色值，通过公式zsmin＝m1*zs与zsmax＝m2*zs得到主色阈值zsmin与zsmax，其中zs为主色值的数值，m1与m2均为比例系数，且0.75≤m1≤0.85，1.15≤m2≤1.25，由主色阈值zsmin与zsmax构成主色范围，将灰度值位于主色范围之内的像素格标记为主色格，将主色格的数量与灰度值的数量的比值标记为主色系数，由主色值与主色系数构成物品色度；由所有物品区域的图像特征构成行李图像的特征数据。
10、作为本专利技术的一种优选实施方式，在步骤二中，将物品形状标记为预警形状、组合形状或正常形状的具体过程包括：将物品形状在异常数据中的出现次数标记为物品形状的异常值，将物品形状按照异常值由大到小的顺序进行排列得到形状序列，按照形状序列对物品形状在正常数据中的占据比例进行遍历分析：将形状序列的第一个物品形状标记为分析形状，将包含有分析形状的正常数据标记为包含数据，将包含数据与正常数据的数量比值标记为包含系数，通过存储模块获取到包含阈值：若包含系数小于等于包含阈值，则将对应的分析形状标记为预警形状；若包含系数大于等于包含阈值，则将对应的分析形状标记为待定形状；然后将形状序列的第二个物品形状标记为分析形状并计算包含系数，以此类推，直至所有的物品形状全部被标记为预警形状或待定形状。
11、作为本专利技术的一种优选实施方式，在步骤二中，将物品形状标记为预警形状、组合形状或正常形状的具体过程还包括：将待定形状在正常数据中的物品尺寸最小值与在异常数据中的物品尺寸最大值分别标记为正常低值与异常高值，将正常低值与异常高值进行比较：若正常低值大于等于异常高值，则将待定形状标记为组合形状，并将正常低值标记为组合形状的预警临界值；若正常低值小于异常高值，则将物品尺寸位于正常低值与异常高值之间的物品尺寸数量与异常数据的数量比值标记为异常系数，通过存储模块获取到异常阈值，将异常系数与异常阈值进行比较：若异常系数小于异常阈值，则将待定形状标记为正常形状；若异常系数大于等于异常阈值，则将待定形状标记为组合形状，并将异常高值标记为组合形状的预警临界值。
12、作为本专利技术的一种优选实施方式，在步骤三中，预警色度的获取过程包括：将色度序列的第一个物品色度标记为分析色度，将主色值位于分析色度的主色范围之内的正常数据标记为关联数据，将关联数据的数量与正常数据的数量的比值标记为分析色度的关联系数，通过存储模块获取到关联阈值，将关联系数与关联阈值进行比较：若关联系数小于等于关联阈值，则将对应分析色度标记为预警色度；若关联系数大于关联阈值，则将对应分析色度标记为待定色度；然后将色度序列的第二个物品色度标记为分析色度并计算关联系数，以此类推，直至所有的物品色度全部被标记为预警色度或待定色度。
13、作为本专利技术的一种优选实施方式，在步骤四中，将图像特征与预警特征进行比对：若图像特征中的物品形状、物品色度分别符合预警特征中的预警形状、预警色度，则生成预检测预警信号并发送至分析平台；若图像特征中的物品形状、物品尺寸分别符合预警特征中的组合形状、组合形状的预警临界值，则生成预检测预警信号并发送至分析平台，否则，生成预检测通过信号并发送至分析平台。
14、作为本专利技术的一种优选实施方式，应用于基于深度学习的航空安检行李图像分析系统当中，包括分析平台，所述分析平台通信连接有图像处理模块、特征提取模块、预检测模块以及存储模块；
15、所述图像处理模块用于对航空安检行李图像进行处理分析；
16、所述特征提取模块用于对航空安检行李图像进行特征提取；
17、所述预检测模块用于对旅客的随身行李进行预检测分析。
18、本专利技术具备下述有益效果：
19、1、通过图像处理模块可以对航空安检行李图像进行处理分析，在采集到旅客随身行李的图像之后对其进行处理得到图像特征，然后结合图像特征与安检机检测结果构建图像分析数据库，为行李图像的自动识别提供数据支撑；
20、2、通过特征提取模块可以对航空安检行李图像进行特征提取，根据物品形状在正常数据与异常数据中的分布情况反映物品形状的预警必要性，然后针对于组合形状，对其预警临界值进行标记，保证本文档来自技高网...
【技术保护点】
1.一种基于深度学习的航空安检行李图像分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的航空安检行李图像分析方法，其特征在于，在步骤一中，图像特征包括物品形状、物品尺寸以及物品色度，物品色度的获取过程包括：对像素格的灰度值进行统计，然后将灰度值对应像素格的数量标记为灰度值的填充值，将填充值数值最大的灰度值标记为主色值，通过公式ZSmin＝m1*ZS与ZSmax＝m2*ZS得到主色阈值ZSmin与ZSmax，其中ZS为主色值的数值，m1与m2均为比例系数，且0.75≤m1≤0.85，1.15≤m2≤1.25，由主色阈值ZSmin与ZSmax构成主色范围，将灰度值位于主色范围之内的像素格标记为主色格，将主色格的数量与灰度值的数量的比值标记为主色系数，由主色值与主色系数构成物品色度；由所有物品区域的图像特征构成行李图像的特征数据。
3.根据权利要求2所述的一种基于深度学习的航空安检行李图像分析方法，其特征在于，在步骤二中，将物品形状标记为预警形状、组合形状或正常形状的具体过程包括：将物品形状在异常数据中的出现次数标记为物品形状的异常
4.根据权利要求3所述的一种基于深度学习的航空安检行李图像分析方法，其特征在于，在步骤二中，将物品形状标记为预警形状、组合形状或正常形状的具体过程还包括：将待定形状在正常数据中的物品尺寸最小值与在异常数据中的物品尺寸最大值分别标记为正常低值与异常高值，将正常低值与异常高值进行比较：若正常低值大于等于异常高值，则将待定形状标记为组合形状，并将正常低值标记为组合形状的预警临界值；若正常低值小于异常高值，则将物品尺寸位于正常低值与异常高值之间的物品尺寸数量与异常数据的数量比值标记为异常系数，通过存储模块获取到异常阈值，将异常系数与异常阈值进行比较：若异常系数小于异常阈值，则将待定形状标记为正常形状；若异常系数大于等于异常阈值，则将待定形状标记为组合形状，并将异常高值标记为组合形状的预警临界值。
5.根据权利要求4所述的一种基于深度学习的航空安检行李图像分析方法，其特征在于，在步骤三中，预警色度的获取过程包括：将色度序列的第一个物品色度标记为分析色度，将主色值位于分析色度的主色范围之内的正常数据标记为关联数据，将关联数据的数量与正常数据的数量的比值标记为分析色度的关联系数，通过存储模块获取到关联阈值，将关联系数与关联阈值进行比较：若关联系数小于等于关联阈值，则将对应分析色度标记为预警色度；若关联系数大于关联阈值，则将对应分析色度标记为待定色度；然后将色度序列的第二个物品色度标记为分析色度并计算关联系数，以此类推，直至所有的物品色度全部被标记为预警色度或待定色度。
6.根据权利要求5所述的一种基于深度学习的航空安检行李图像分析方法，其特征在于，在步骤四中，将图像特征与预警特征进行比对：若图像特征中的物品形状、物品色度分别符合预警特征中的预警形状、预警色度，则生成预检测预警信号并发送至分析平台；若图像特征中的物品形状、物品尺寸分别符合预警特征中的组合形状、组合形状的预警临界值，则生成预检测预警信号并发送至分析平台，否则，生成预检测通过信号并发送至分析平台。
7.根据权利要求1-6任一项所述的一种基于深度学习的航空安检行李图像分析方法，其特征在于，应用于基于深度学习的航空安检行李图像分析系统当中，包括分析平台，所述分析平台通信连接有图像处理模块、特征提取模块、预检测模块以及存储模块；
...【技术特征摘要】
1.一种基于深度学习的航空安检行李图像分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的航空安检行李图像分析方法，其特征在于，在步骤一中，图像特征包括物品形状、物品尺寸以及物品色度，物品色度的获取过程包括：对像素格的灰度值进行统计，然后将灰度值对应像素格的数量标记为灰度值的填充值，将填充值数值最大的灰度值标记为主色值，通过公式zsmin＝m1*zs与zsmax＝m2*zs得到主色阈值zsmin与zsmax，其中zs为主色值的数值，m1与m2均为比例系数，且0.75≤m1≤0.85，1.15≤m2≤1.25，由主色阈值zsmin与zsmax构成主色范围，将灰度值位于主色范围之内的像素格标记为主色格，将主色格的数量与灰度值的数量的比值标记为主色系数，由主色值与主色系数构成物品色度；由所有物品区域的图像特征构成行李图像的特征数据。
3.根据权利要求2所述的一种基于深度学习的航空安检行李图像分析方法，其特征在于，在步骤二中，将物品形状标记为预警形状、组合形状或正常形状的具体过程包括：将物品形状在异常数据中的出现次数标记为物品形状的异常值，将物品形状按照异常值由大到小的顺序进行排列得到形状序列，按照形状序列对物品形状在正常数据中的占据比例进行遍历分析：将形状序列的第一个物品形状标记为分析形状，将包含有分析形状的正常数据标记为包含数据，将包含数据与正常数据的数量比值标记为包含系数，通过存储模块获取到包含阈值：若包含系数小于等于包含阈值，则将对应的分析形状标记为预警形状；若包含系数大于等于包含阈值，则将对应的分析形状标记为待定形状；然后将形状序列的第二个物品形状标记为分析形状并计算包含系数，以此类推，直至所有的物品形状全部被标记为预警形状或待定形状。
4.根据权利要求3所述的一种基于深度学习的航空安检行李图像分析方法，其特征在于，在步骤二中，将物品形状标记为预警形状、组合形状或正常形状的具体过程还包括：将待定形状在正常数据中的物品尺寸最小值与在异常数据中...
【专利技术属性】
技术研发人员：王春凯，陈丽群，曾春宏，郑祺，陈景伟，林建昌，王法创，王勇，
申请(专利权)人：厦门民航凯亚有限公司，
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。