1.本发明涉及危险品检测技术领域，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。
背景技术：2.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。
3.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。
4.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。
技术实现要素：5.本发明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。
6.为解决上述技术问题，第一方面，本发明是通过以下技术方案实现的：本发明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。
7.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。
8.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。
9.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。
10.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。
11.本发明具有以下有益效果：本发明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。
12.当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
13.本发明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。
14.本发明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
15.为了更清楚地说明本发明实施例的技术方案，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发明的一些实施例，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。
16.图1为本发明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为本发明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为本发明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为本发明实施例中安检机设备的一个实施例示意图。
具体实施方式
17.下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
18.请参阅图1所示：本发明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坐标；s400：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。
19.在本技术实施例中，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。
20.通过事先准备一定量的各类危险品，对每种危险品选取一定量的危险品安检机扫描图像。原则上每种危险品各种角度、各种遮挡以及跟其他非危险品和危险品的组合安检机扫描图像越多越好，越多算法就会越聪明，对该类物品的识别检测精度就会越高。但实际上现实中包含的同一种危险品和其他物品的组合重叠、放置角度不可能全部重现出来，能重现的也只有很少、很少的一部分。但是像深度学习以及其他分类算法有自己的泛化能力，他们能从有限的样本空间提取出该类物体的本质特征，从而在该类样本出现时，这类算法
能够识别并把他们归到他们所属样本类型中去，从而实现某类物体自动检测识别；因此收集某类危险品样本，先对他们进行人工分类，用这些样本对之前设计好的算法网络（如网络层次、每层神经元数、输入神经元数等参数）进行指定精度、训练轮次进行学习，当算法收敛到指定精度或者到达指定训练次数停止训练，算法就具备基本的特定物体检测识别能力。
21.相较于传统机器视觉和人工看图方式检查违禁品，都需要算法设计者和技术人员具备一定的特征选取经验，本方案检测方法中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，无需耗费人工，也不会导致危险品包裹的漏检，进步明显。
22.本方案中，人工神经网络从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络，在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成，每个节点代表一种特定的输出函数，称为激励函数（activation function），每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆，网络的输出则依网络的连接方式，权重值和激励函数的不同而不同，而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达，人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统，它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理；本发明方案在原有bp单层神经网增加网络层次，发现新的网络功能比单层神经网络的功能强大很多，并能够进行自动特征规则提取、自学习、无监督地对用户指定的特定不限形状的物体进行自动检测和提取，就是如今非常流行的深度学习。
23.请参阅图2，本发明实施例中基于深度学习的危险品智能检测方法的第二个实施例中，基于本发明的第一实施例的基础上，步骤s300具体包括：s301：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；s302：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。
24.在一些实施例中，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。
25.具体的，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。
26.在另一些实施例中，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。
27.上面对本发明实施例中基于深度学习的危险品智能检测方法进行了描述，下面对本发明实施例中基于深度学习的危险品智能检测装置进行描述，请参阅图3，本发明实施例中基于深度学习的危险品智能检测装置第一个实施例包括：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。
28.图4是本发明实施例提供的一种安检机设备的结构示意图，该安检机设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，cpu）（例如，一个或一个以上处理器）和存储器，一个或一个以上存储应用程序或数据的存储介质（例如一个或一个以上海量存储设备）。其中，存储器和存储介质可以是短暂存储或持久存储。存储在存储介质的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对安检机设备中的一系列指令操作。更进一步地，处理器可以设置为与存储介质通信，在安检机设备上执行存储介质中的一系列指令操作。
29.安检机设备还可以包括一个或一个以上电源，一个或一个以上有线或无线网络接口，一个或一个以上输入输出接口，和/或，一个或一个以上操作系统，例如windows serve，mac os x，unix，linux，freebsd等等。本领域技术人员可以理解，图4示出的安检机设备结构并不构成对安检机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
30.本发明还提供一种安检机设备，所述安检机设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述深度学习的危险品智能检测方法的步骤。
31.在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
32.以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，
可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
技术特征：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张图片，即可得到训练好的深度学习模型。4.根据权利要求3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。5.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。6.一种基于深度学习的危险品智能检测装置，其特征在于，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。7.一种安检机设备，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如权利要求1-5中任一项所述的基于深度学习的危险品智能检测方法。
技术总结本发明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。
技术研发人员：赵吉靖 刘小刚
受保护的技术使用者：深圳市方吉无限科技有限公司
技术研发日：2022.04.19
技术公布日：2022/7/5
