《基于集装箱X射线图像的智能识别方法.pdf》由会员分享，可在线阅读，更多相关《基于集装箱X射线图像的智能识别方法.pdf（8页珍藏版）》请在专利查询网上搜索。
1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010874993.0 (22)申请日 2020.08.27 (71)申请人 中广核贝谷科技有限公司 地址 330096 江西省南昌市市辖区南昌市 高新大道900号 (72)发明人 陈兵唐凯莫奎 (74)专利代理机构 江西省专利事务所 36100 代理人 胡里程 (51)Int.Cl. G06K 9/00(2006.01) G06K 9/62(2006.01) G06K 9/60(2006.01) G06F 16/2455(2019.01) G06F 16/53(2019.。
2、01) G06F 40/18(2020.01) G01R 23/16(2006.01) (54)发明名称 一种基于集装箱X射线图像的智能识别方法 (57)摘要 本发明公开一种基于集装箱X射线图像的智 能识别方法， 该方法包括图像预处理模块、 箱体 夹带识别模块、 报关比对模块、 固废识别模块、 车 体夹带模块、 结果融合模块、 数据表单扭转模块 实现智能识别。 本发明的优点在于： 在X射线图像 中能够自动、 高效地识别危险品、 夹带品的种类 和对应位置， 并实现检测的高效运行。 权利要求书1页 说明书3页 附图3页 CN 112001333 A 2020.11.27 CN 112001333 。
3、A 1.一种基于集装箱X射线图像的智能识别方法， 其特征在于： 该方法包含的处理流程 有： 图像预处理模块、 箱体夹带识别模块、 报关比对模块、 固废识别模块、 车体夹带模块、 结 果融合模块、 数据表单扭转模块以及输出显示模块； 图像预处理模块用于将X射线图像进行灰度转换、 降噪、 车厢与车体分离等功能， 实现X 射线图像的预处理及分离， 降低识别难度； 箱体夹带识别模块通过深度图像识别网络学习 “正常物品” 和 “夹带物品” 的图片特征， 进行图像识别模型、 图像分割模型、 物质识别模型、 图像频域分析模型的多模型结果融合， 通过融合结果判断是否存在夹带及夹带物品种类， 并通过数据表单扭转。
4、模块输出结果为夹 带位置、 置信度及夹带物品类名； 报关比对模块通过数据表单扭转模块将箱体夹带模块的识别结果进行报关单比对， 并 针对物品， 将采用地磅测定的重量与报关单重量进行质量校核， 确定是否为报关单信息， 并 通过数据表单扭转模块输出检测结果为 “报关正常” 或 “报关异常” ； 固废识别模块通过数据表单扭转模块将箱体夹带模块的识别结果进行频域分析对， 确 定是否存在超过20%的频域波动， 并通过数据表单扭转模块输出检测结果为 “固废” 或 “非固 废” ； 车体夹带模块通过将预处理的车体图像与该车辆历史记录图像进行图像比对， 确定车 体中变化较大的区域， 并通过数据表单扭转模块输出检。
5、测结果为夹带位置和置信度； 结果融合模块通过将数据表单的相关参数进行融合， 并的与外部数据进行融合， 输出 结果为最终的显示图像及对应的物品位置及名称的标注； 输出显示模块主要是将结果融合模块通过计算机、 平板等设备进行显示， 从而指导相 关人员进行后续工作。 权利要求书 1/1 页 2 CN 112001333 A 2 一种基于集装箱X射线图像的智能识别方法 技术领域 0001 本发明涉及辐射成像领域中的图像识别技术， 尤其涉及辐射图像中含有危险品、 易燃易爆物品的识别方法。 背景技术 0002 X射线图像即采用X射线辐射透视扫描成像技术， 生成待扫描物体的灰度图像。 X射 线图像像素的数据。
6、类型一般为12位或16位的整数。 与视频图像相比， X射线图像有图像形变 大、 数据收集难、 物品重叠区域大、 图像外型质量差等特点， 从而导致X射线图像在实际工业 运用中存在极大的难度。 辐射成像技术广泛应用于海关车辆安全检查、 医学诊断等领域。 0003 我国海关各口岸进出口货物量增长， 国际货物的集装箱运输成为现代跨国运输的 主要途径。 与此同时， 利用集装箱、 运输货车等进行走私、 贩运毒品， 甚至偷运武器等违法活 动也日益猖獗扰乱了我国的市场经济秩序， 阻碍了经济发展和边境社会安全。 而我国海关、 边检等部门多数还在对进出口货物采取人工检查方法， 不仅影响了通关速度， 也增加了漏 检。
7、概率和海关人员工作强度， 已远不能适应货物量的极速增长。 因此， 纵览当前我国海关、 边检货物查验、 缉私等领域的技术装备现状， 显示出对高科技、 自动化货物检查成套装备的 迫切需求。 迅速扭转边境口岸进出货物中走私、 贩毒， 以及各种违禁品夹带猖獗的被动局 面， 保障国家税源和口岸经贸秩序等已经成为制约国家政治和经济健康发展的重大社会经 济问题之一。 0004 同时随着深度学习、 强化学习等AI算法的兴起， 使得如何工业化运用这些算法实 现X射线图像的智能识别就成为了一个研究的重要方向； 如何实现高效、 合理、 集成化的智 能识别成为当前安检提升的一个重要突破口。 发明内容 0005 本发明。
8、的目的在于提供一种基于集装箱X射线图像的智能识别方法， 实现X射线图 像的智能识别。 0006 本发明的技术方案为： 本发明方法主要实现X射线图像的智能识别， 包含的处理流 程有： 图像预处理模块、 箱体夹带识别模块、 报关比对模块、 固废识别模块、 车体夹带模块、 结果融合模块、 数据表单扭转模块以及输出显示模块等。 0007 图像预处理模块用于将X射线图像进行灰度转换、 降噪、 车厢与车体分离等功能， 实现X射线图像的预处理及分离， 降低识别难度； 箱体夹带识别模块通过深度图像识别网络学习 “正常物品” 和 “夹带物品” 的图片特征， 进行图像识别模型、 图像分割模型、 物质识别模型、 图。
9、像频域分析模型的多模型结果融合， 通过融合结果判断是否存在夹带及夹带物品种类， 并通过数据表单扭转模块输出结果为夹 带位置、 置信度及夹带物品类名。 0008 报关比对模块通过数据表单扭转模块将箱体夹带模块的识别结果进行报关单比 对， 并针对物品， 将采用地磅测定的重量与报关单重量进行质量校核， 确定是否为报关单信 说明书 1/3 页 3 CN 112001333 A 3 息， 并通过数据表单扭转模块输出检测结果为 “报关正常” 或 “报关异常” 。 0009 固废识别模块通过数据表单扭转模块将箱体夹带模块的识别结果进行频域分析 对， 确定是否存在超过20%的频域波动， 并通过数据表单扭转模块。
10、输出检测结果为 “固废” 或 “非固废” 。 0010 车体夹带模块通过将预处理的车体图像与该车辆历史记录图像进行图像比对， 确 定车体中变化较大的区域， 并通过数据表单扭转模块输出检测结果为夹带位置和置信度。 0011 结果融合模块通过将数据表单的相关参数进行融合， 并的与外部数据进行融合 （如黑名单、 危险阈值等） ， 输出结果为最终的显示图像及对应的物品位置及名称的标注。 0012 输出显示模块主要是将结果融合模块通过计算机、 平板等设备进行显示， 从而指 导相关人员进行后续工作。 0013 本发明的优点在于： 在X射线图像中能够自动、 高效地识别危险品、 夹带品的种类 和对应位置， 并。
11、实现检测的高效运行。 附图说明 0014 图1是本方法的流程框图； 图2是算法及使用流程框图； 图3是图像检测结果效果图。 具体实施方式 0015 实施例1： 本实施例提供一种基于深度学习的X射线图像的智能识别系统， 结构如图1所示， 系统 用于安装在X射线成像系统的服务器中， 系统包括图像预处理模块、 箱体夹带识别模块、 报 关比对模块、 固废识别模块、 车体夹带模块、 结果融合模块、 数据表单扭转模块以及输出显 示模块等。 0016 其中图像预处理模块进行图像预处理， 通过机器学习与深度学习的耦合与算法结 果的迭代， 实现图像降噪、 车厢与车体分离功能； 箱体夹带识别模块针对车厢图像进行基。
12、于深度学习的图像识别、 图像分割、 图像分类、 异常检测等算法， 基于X射线原理的双能物质识别、 像素标定等算法， 基于机器学习的图像 处理算法等的融合， 实现不同模型配置的夹带物品和位置的识别； 报关比对模块通过夹带识别数据与报关数据的比对， 实现报关信息的核实； 固废识别模块通过夹带识别数据的进一步分析， 确定物品是否为固废物； 车体夹带模块通过将车体图像与数据库图像进行比对， 通过图像的差异确定是否夹 带； 数据融合是实现整个X射线图像的所有信息的融合， 包括夹带信息、 报关信息、 固废信 息等； 数据表单扭转模块是一个在整个流程中初始化、 修改的json文档， 实现所有参数的格 式化输。
13、出； 输出显示模块可以通过有线或无线方式连通服务器、 平板或云平台， 通过图像信息和 json文件信息的融合， 实现最终检测物品的标注及阈值报警功能； 说明书 2/3 页 4 CN 112001333 A 4 最后还需要建立数据库， 存储相关信息， 实现信息的可追溯性。 0017 本实施例还提供一种基于深度学习的X射线图像检测方法， 如图所示， 包括如下具 体步骤： S1:通过X射线成像仪器采集待识别图像， 将图像及相关报关信息作为输入； S2： 针对硬件、 软件、 显示阈值等进行参数配置； S3: 通过本智能识别系统通过算法、 功能、 数据三个方面， 以图1所示的功能流程实现 图像的智能识别， 并将结果以接口形式进行输出； S4： 针对不同显示阈值进行检测区域的选择， 然后通过外接显示设备显示进行图像显 示。 说明书 3/3 页 5 CN 112001333 A 5 图1 说明书附图 1/3 页 6 CN 112001333 A 6 图2 说明书附图 2/3 页 7 CN 112001333 A 7 图3 说明书附图 3/3 页 8 CN 112001333 A 8 。