[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN118262203A - 违禁品检测方法、装置、计算机设备及存储介质 - Google Patents

违禁品检测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN118262203A
CN118262203A CN202211701081.9A CN202211701081A CN118262203A CN 118262203 A CN118262203 A CN 118262203A CN 202211701081 A CN202211701081 A CN 202211701081A CN 118262203 A CN118262203 A CN 118262203A
Authority
CN
China
Prior art keywords
feature
detected
images
feature extraction
unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211701081.9A
Other languages
English (en)
Inventor
马佳炯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SF Technology Co Ltd
Original Assignee
SF Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by SF Technology Co Ltd filed Critical SF Technology Co Ltd
Priority to CN202211701081.9A priority Critical patent/CN118262203A/zh
Priority to PCT/CN2023/133011 priority patent/WO2024139854A1/zh
Publication of CN118262203A publication Critical patent/CN118262203A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种违禁品检测方法、装置、计算机设备及存储介质，该违禁品检测方法包括：获取待检测物品的多种待检测图像，多种所述待检测图像为具有相同图像内容和不同图像类型的图像；对多种所述待检测图像分别进行特征提取，得到所述待检测物品的多个第一特征图；对多个所述第一特征图进行特征融合，得到所述待检测物品的多个第二特征图；基于多个所述第二特征图，确定所述待检测物品的违禁品检测结果。本申请实施例基于多个第二特征图确定待检测物品的违禁品检测结果，可以降低人力物力成本，提高违禁品检测的效率及违禁品检测结果的准确率。

Description

违禁品检测方法、装置、计算机设备及存储介质
技术领域
本申请涉及计算机视觉技术领域，具体涉及一种违禁品检测方法、装置、计算机设备及存储介质。
背景技术
近年来，随着运输及物流行业的快速发展，利用快递、物流夹带的方式运输违禁品的现象层出不穷，基于X光的违禁品检测已经是运输和物流的重要组成部分。传统的违禁品检测方法是将待检测物品通过安检机获得待检测物品的X光图像，然后通过专业安检人员在安检机旁人工观察待检测物品的X光图像，确认待检测物品是否含有违禁品。
传统的违禁品检测方法需要耗费极大的人力物力，工作效率随着安检人员的疲劳度增加而降低，容易出现漏检和错检的情况，并且由于X光图像中的物品在半透明状态下相互重叠，导致检测结果不准确。
发明内容
本申请实施例提供一种违禁品检测方法、装置、计算机设备及存储介质，可以降低人力物力成本，提高违禁品检测的效率及违禁品检测结果的准确率。
一方面，本申请提供一种违禁品检测方法，所述违禁品检测方法包括：
获取待检测物品的多种待检测图像，多种所述待检测图像为具有相同图像内容和不同图像类型的图像；
对多种所述待检测图像分别进行特征提取，得到所述待检测物品的多个第一特征图；
对多个所述第一特征图进行特征融合，得到所述待检测物品的多个第二特征图；
基于多个所述第二特征图，确定所述待检测物品的违禁品检测结果。
在本申请一些实施方案中，所述对多个所述第一特征图进行特征融合，得到所述待检测物品的多个第二特征图，包括：
对多个所述第一特征图进行特征拼接，得到所述待检测物品的拼接特征图，所述拼接特征图中包括多个通道的特征；
对所述多个通道中每个通道的特征进行加权处理，得到所述待检测物品的通道注意力图；
对所述通道注意力图进行特征提取，得到所述待检测物品的多个第二特征图。
在本申请一些实施方案中，所述违禁品检测方法应用于违禁品检测模型，所述违禁品检测模型包括第一特征提取模块、多个空间注意力模块及特征融合模块，所述对所述通道注意力图进行特征提取，得到所述待检测物品的多个第二特征图，包括：
将所述通道注意力图输入所述第一特征提取模块，通过所述第一特征提取模块对所述通道注意力图进行特征提取，得到不同尺度的多个第三特征图；
将多个所述第三特征图分别输入多个所述空间注意力模块，通过多个所述空间注意力模块对多个所述第三特征图分别进行处理，得到多个第四特征图；
将多个所述第四特征图输入所述特征融合模块，通过所述特征融合模块对多个所述第四特征图进行特征融合，得到所述待检测物品的多个第二特征图。
在本申请一些实施方案中，所述第一特征提取模块包括依次级联的第一特征提取单元、第二特征提取单元、第三特征提取单元及第四特征提取单元，所述第一特征提取单元、所述第二特征提取单元、所述第三特征提取单元及所述第四特征提取单元与多个所述空间注意力模块分别对应，所述通道注意力图为所述第一特征提取单元的输入项，所述第一特征提取单元的输出项为所述第一特征提取单元对应的空间注意力模块的输入项及所述第二特征提取单元的输入项，所述第二特征提取单元的输出项为所述第二特征提取单元对应的空间注意力模块的输入项及所述第三特征提取单元的输入项，所述第三特征提取单元的输出项为所述第三特征提取单元对应的空间注意力模块的输入项及所述第四特征提取单元的输入项，所述第四特征提取单元的输出项为所述第四特征提取单元对应的空间注意力模块的输入项。
在本申请一些实施方案中，所述特征融合模块包括依次级联的第一特征融合单元、第二特征融合单元、第三特征融合单元及第四特征融合单元，所述第一特征融合单元、所述第二特征融合单元、所述第三特征融合单元及所述第四特征融合单元与多个所述空间注意力模块分别对应，所述第一特征融合单元的输入项为所述第一特征融合单元对应的空间注意力模块的输出项，所述第二特征融合单元的输入项为所述第二特征融合单元对应的空间注意力模块的输出项及所述第一特征融合单元的输出项，所述第三特征融合单元的输入项为所述第三特征融合单元对应的空间注意力模块的输出项及所述第二特征融合单元的输出项，所述第四特征融合单元的输入项为所述第四特征融合单元对应的空间注意力模块的输出项及所述第三特征融合单元的输出项。
在本申请一些实施方案中，每个所述空间注意力模块均包括池化层、激活层及融合层，所述将多个所述第三特征图分别输入多个所述空间注意力模块，通过多个所述空间注意力模块对多个所述第三特征图分别进行处理，得到多个第四特征图，包括：
将所述第三特征图输入所述池化层，通过所述池化层对所述第三特征图进行特征映射，得到映射后的第三特征图；
将映射后的所述第三特征图输入所述激活层，通过所述激活层将映射后的所述第三特征图作用于激活函数，生成所述第三特征图的空间注意力图，所述空间注意力图用于表征所述第三特征图的不同位置的像素点的重要程度；
将所述空间注意力图输入所述融合层，通过所述融合层将所述空间注意力图与所述第三特征图进行相乘处理，得到第四特征图。
在本申请一些实施方案中，所述违禁品检测模型还包括多个第二特征提取模块，所述对多种所述待检测图像分别进行特征提取，得到所述待检测物品的多个第一特征图，包括：
将多种所述待检测图像分别输入多个所述第二特征提取模块，通过多个所述第二特征提取模块对多种所述待检测图像分别进行特征提取，得到所述待检测物品的多个第一特征图。
另一方面，本申请提供一种违禁品检测装置，所述违禁品检测装置包括：
图像获取单元，用于获取待检测物品的多种待检测图像，多种所述待检测图像为具有相同图像内容和不同图像类型的图像；
特征提取单元，用于对多种所述待检测图像分别进行特征提取，得到所述待检测物品的多个第一特征图；
特征融合单元，用于对多个所述第一特征图进行特征融合，得到所述待检测物品的多个第二特征图；
违禁品检测单元，用于基于多个所述第二特征图，确定所述待检测物品的违禁品检测结果。
在本申请一些实施方案中，违禁品检测方法应用于违禁品检测模型，违禁品检测模型包括多个第二特征提取模块，所述特征提取单元具体用于：
将多种所述待检测图像分别输入多个所述第二特征提取模块，通过多个所述第二特征提取模块对多种所述待检测图像分别进行特征提取，得到所述待检测物品的多个第一特征图。
在本申请一些实施方案中，所述特征融合单元具体用于：
对多个所述第一特征图进行特征拼接，得到所述待检测物品的拼接特征图，所述拼接特征图中包括多个通道的特征；
对所述多个通道中每个通道的特征进行加权处理，得到所述待检测物品的通道注意力图；
对所述通道注意力图进行特征提取，得到所述待检测物品的多个第二特征图。
在本申请一些实施方案中，违禁品检测模型包括第一特征提取模块、多个空间注意力模块及特征融合模块，所述特征融合单元具体用于：
将所述通道注意力图输入所述第一特征提取模块，通过所述第一特征提取模块对所述通道注意力图进行特征提取，得到不同尺度的多个第三特征图；
将多个所述第三特征图分别输入多个所述空间注意力模块，通过多个所述空间注意力模块对多个所述第三特征图分别进行处理，得到多个第四特征图；
将多个所述第四特征图输入所述特征融合模块，通过所述特征融合模块对多个所述第四特征图进行特征融合，得到所述待检测物品的多个第二特征图。
在本申请一些实施方案中，每个空间注意力模块均包括池化层、激活层及融合层，特征融合单元具体还用于：
将所述第三特征图输入所述池化层，通过所述池化层对所述第三特征图进行特征映射，得到映射后的第三特征图；
将映射后的所述第三特征图输入所述激活层，通过所述激活层将映射后的所述第三特征图作用于激活函数，生成所述第三特征图的空间注意力图，所述空间注意力图用于表征所述第三特征图的不同位置的像素点的重要程度；
将所述空间注意力图输入所述融合层，通过所述融合层将所述空间注意力图与所述第三特征图进行相乘处理，得到第四特征图。
另一方面，本申请还提供一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现第一方面中任一项所述的违禁品检测方法。
第四方面，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行第一方面任一项所述的违禁品检测方法中的步骤。
本申请基于多种不同类型的待检测图像进行违禁品检测，可以解决X光图像中的物品在半透明状态下相互叠加，导致检测结果不准确的问题，由于多个第二特征图融合了多种不同类型的待检测图像的特征，基于多个第二特征图确定违禁品检测结果，可以提高违禁品检测结果的准确率，并且检测结果不依赖于安检人员，降低了人力物力成本，检测效率高且检测结果准确。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中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申请的一些实施例，对于本领域技术人员来讲，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。
图1是本申请实施例提供的违禁品检测系统的场景示意图；
图2是本申请实施例中提供的违禁品检测方法的一个实施例流程示意图；
图3是本申请实施例中提供的违禁品检测方法的具体实施例流程示意图；
图4是本申请实施例中提供的违禁品检测模型的具体结构示意图；
图5是本申请实施例中提供的空间注意力模块进行特征图处理的具体流程示意图；
图6是本申请实施例中提供的违禁品检测装置的一个实施例结构示意图；
图7是本申请实施例中提供的计算机设备的一个实施例结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”、“第四”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本申请，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本申请。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本申请的描述变得晦涩。因此，本申请并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
需要说明的是，本申请实施例方法由于是在计算机设备中执行，各计算机设备的处理对象均以数据或信息的形式存在，例如时间，实质为时间信息，可以理解的是，后续实施例中若提及尺寸、数量、位置等，均为对应的数据存在，以便计算机设备进行处理，具体此处不作赘述。
本申请实施例提供一种违禁品检测方法、装置、计算机设备及存储介质，以下分别进行详细说明。
请参阅图1，图1为本申请实施例所提供的违禁品检测系统的场景示意图，该违禁品检测系统可以包括计算机设备100，计算机设备100中集成有违禁品检测装置，如图1中的计算机设备。
本申请实施例中计算机设备100主要用于获取待检测物品的多种待检测图像，多种所述待检测图像为具有相同图像内容和不同图像类型的图像；对多种所述待检测图像分别进行特征提取，得到所述待检测物品的多个第一特征图；对多个所述第一特征图进行特征融合，得到所述待检测物品的多个第二特征图；基于多个所述第二特征图，确定所述待检测物品的违禁品检测结果，可以降低人力物力成本，提高违禁品检测的效率及违禁品检测结果的准确率。
本申请实施例中，该计算机设备100可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本申请实施例中所描述的计算机设备100，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。
可以理解的是，本申请实施例中所使用的计算机设备100可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的计算机设备100具体可以是台式终端或移动终端，计算机设备100具体还可以是手机、平板电脑、笔记本电脑等中的一种。
本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本申请方案一种应用场景，并不构成对本申请方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的计算机设备，例如图1中仅示出1个计算机设备，可以理解的，该违禁品检测系统还可以包括一个或多个其他服务，具体此处不作限定。
另外，如图1所示，该违禁品检测系统还可以包括存储器200，用于存储数据，如多种待检测图像，例如RGB图像、灰度图像、边缘图像、高能X射线图像、低能X射线图像等，如违禁品检测结果，例如违禁品在待检测图像中的坐标、违禁品的类别等。
需要说明的是，图1所示的违禁品检测系统的场景示意图仅仅是一个示例，本申请实施例描述的违禁品检测系统以及场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着违禁品检测系统的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
首先，本申请实施例中提供一种违禁品检测方法，该违禁品检测方法的执行主体为违禁品检测装置，该违禁品检测装置应用于计算机设备，该违禁品检测方法包括：获取待检测物品的多种待检测图像，多种所述待检测图像为具有相同图像内容和不同图像类型的图像；对多种所述待检测图像分别进行特征提取，得到所述待检测物品的多个第一特征图；对多个所述第一特征图进行特征融合，得到所述待检测物品的多个第二特征图；基于多个所述第二特征图，确定所述待检测物品的违禁品检测结果。
如图2所示，为本申请实施例中违禁品检测方法的一个实施例流程示意图，该违禁品检测方法可以包括如下步骤301～304，具体如下：
301、获取待检测物品的多种待检测图像，多种所述待检测图像为具有相同图像内容和不同图像类型的图像。
待检测物品为需要检测是否包含违禁品的物品，待检测物品包括但不限于包裹、行李等。多种待检测图像为通过图像采集装置对待检测物品进行图像采集所获得的图像，多种待检测图像为具有相同图像内容和不同图像类型的图像，多种待检测图像包括但不限于RGB图像、灰度图像、高能X射线图像、低能X射线图像、LAB图、HSV图、边缘图像及拉普拉斯滤波后的图像等。例如，当多种待检测图像中包括RGB图像、高能X射线图像、低能X射线图像及其他类型的图像时，可以将待检测物品放置于安检机上，通过安检机采集待检测物品的RGB图像、高能X射线图像及低能X射线图像，然后通过对RGB图像进行图像处理，获得待检测物品的其他类型图像。
例如，多种待检测图像包括RGB图像、灰度图像、边缘图像、高能X射线图像及低能X射线图像时，可以通过安检机采集待检测物品的RGB图像、高能X射线图像及低能X射线图像，然后将RGB图像转换为灰度图像，并对RGB图像通过边缘检测算法(如canny边缘检测算法)进行处理，从而得到待检测物品的灰度图像及边缘图像。
考虑到X光图像中的物品在半透明状态下相互重叠，并且不同违禁品在不同类型图像下的辨识度不同，例如，剪刀在边缘图像中的辨识度更高，而蓝绿色发热贴在RGB或LAB等彩色图像下的辨识度更高。本实施例对待检测物品进行违禁品检测时，首先获取待检测物品的多种待检测图像，基于多种待检测图像对待检测物品进行违禁品检测，可以解决由于X光图像中的物品在半透明状态下相互重叠及不同违禁品在不同类型图像下的辨识度不同，导致的违禁品检测结果不准确的问题，提高违禁品检测结果的准确率。
302、对多种所述待检测图像分别进行特征提取，得到所述待检测物品的多个第一特征图。
考虑到每种待检测图像的特征维度并不相同，例如，RGB图像的特征维度为H*W*3，灰度图像的特征维度为H*W*1，其中，H和W分别表示图像的高和宽，3和1表示图像的通道数量。本实施例获取待检测物品的多种待检测图像后，对多种待检测图像分别进行特征提取，得到待检测物品的多个第一特征图。
在一具体实施方式中，违禁品检测方法应用于违禁品检测模型，违禁品检测模型包括多个第二特征提取模块，如图3所示，步骤302中所述对多种所述待检测图像分别进行特征提取，得到所述待检测物品的多个第一特征图，可以包括如下步骤401，具体如下：
401、将多种所述待检测图像分别输入多个所述第二特征提取模块，通过多个所述第二特征提取模块对多种所述待检测图像分别进行特征提取，得到所述待检测物品的多个第一特征图。
违禁品检测方法应用于违禁品检测模型，违禁品检测模型为预先训练的用于对待检测物品进行违禁品检测的网络模型，违禁品检测模型基于预先获取的训练样本集对预设网络模型进行训练得到，预设网络模型可以采用深度学习模型或机器学习模型，例如，卷积神经网络(Convolutional Neural Networks,CNN)、反卷积神经网络(De-ConvolutionalNetworks,DN)等。
预先获取的训练样本集包括多个预测物品分别对应的多组训练图像及每个预测物品的真实检测结果，每组训练图像包括每个预测物品的多种预测图像，多种预测图像为具有相同图像内容和不同图像类型的图像。相应地，违禁品检测模型的训练过程包括：将多组训练图像输入预设网络模型，通过预设网络模型输出每个预测物品的预测检测结果，根据预测检测结果、真实检测结果及预设网络模型的损失函数确定损失值，当损失值不满足预设条件时，根据预设的参数学习率对预设网络模型的模型参数进行修正，并继续执行将多组训练图像输入预设网络模型，通过预设网络模型输出每个预测物品的预测检测结果的步骤，直至损失值满足预设条件。其中，损失值满足预设条件可以为损失值小于预设第一阈值，或者前后两次得到的损失值的差值小于预设第二阈值。
如图4所示，违禁品检测模型包括多个第二特征提取模块，多个第二特征提取模块分别用于对多种待检测图像进行特征提取。相应地，对多种待检测图像分别进行特征提取的步骤具体为：将多种待检测图像分别输入多个第二特征提取模块，通过多个第二特征提取模块对多种待检测图像分别进行特征提取，得到待检测物品的多个第一特征图。
例如，将多种待检测图像分别输入多个第二特征提取模块，通过多个第二特征提取模块输出维度为H*W*1的多个第一特征图。
303、对多个所述第一特征图进行特征融合，得到所述待检测物品的多个第二特征图。
本实施例得到待检测物品的多个第一特征图后，对多个第一特征图进行特征融合，得到待检测物品的多个第二特征图，由于多个第二特征图是对多种待检测图像的图像特征进行融合得到的特征图，基于多个第二特征图进行违禁品检测，可以提高违禁品检测结果的准确率。
在一具体实施方式中，继续参照图3所示，步骤303中所述对多个所述第一特征图进行特征融合，得到所述待检测物品的多个第二特征图，可以包括如下步骤402～404，具体如下：
402、对多个所述第一特征图进行特征拼接，得到所述待检测物品的拼接特征图，所述拼接特征图中包括多个通道的特征；
403、对所述多个通道中每个通道的特征进行加权处理，得到所述待检测物品的通道注意力图；
404、对所述通道注意力图进行特征提取，得到所述待检测物品的多个第二特征图。
在违禁品检测中，不同违禁品的判别依据不同，例如，在剪刀成像中，物体的边缘轮廓为主要的判别依据，则边缘图像输出的特征会被赋予更大的权重，而在粉末与发热贴的判定中，两者虽然都呈现颗粒状，但发热贴主要为蓝绿色而粉末主要为橙黄色，则RGB或LAB等彩色图像会被赋予更多的权重。
为了获得多个第一特征图中与违禁品相关的显著性特征，本实施例获取待检测物品的多个第一特征图后，对多个第一特征图进行特征拼接，得到待检测物品的拼接特征图，其中，拼接特征图中包括多个通道的特征，然后对拼接特征图的多个通道中每个通道的特征进行加权处理，得到待检测物品的通道注意力图，最后对通道注意力图进行特征提取，得到待检测物品的多个第二特征图。对拼接特征图的多个通道中每个通道的特征进行加权处理，可以弱化某些不重要通道的特征，加强另一些重要通道的特征，从而提高违禁品检测结果的准确率。
继续参照图4所示，违禁品检测模型还包括特征拼接模块，多个第一特征图为特征拼接模块的输入项，特征拼接模块的输出项为拼接特征图。相应地，对多个第一特征图进行特征拼接，得到待检测物品的拼接特征图的步骤具体为：将多个第一特征图输入特征拼接模块，通过特征拼接模块对多个第一特征图进行特征拼接，得到待检测物品的拼接特征图。
继续参照图4所示，违禁品检测模型还包括通道注意力模块，拼接特征图为通道注意力模块的输入项，通道注意力图为通道注意力模块的输出项，相应地，对多个通道中每个通道的特征进行加权处理，得到待检测物品的通道注意力图的步骤具体为：将拼接特征图输入通道注意力模块，通过通道注意力模块对多个通道中每个通道的特征进行加权处理，得到待检测物品的通道注意力图。
在一具体实现方式中，通道注意力模块对多个通道中每个通道的特征进行加权处理时，可以首先对多个通道中每个通道的特征进行全局平均化，得到每个通道的全局特征，然后根据每个通道的全局特征分别确定每个通道特征的权重信息，并将每个通道特征的权重信息分别与拼接特征图中相应通道的特征相乘，得到通道注意力图。
在一具体实施方式中，禁品检测模型包括第一特征提取模块、多个空间注意力模块及特征融合模块，步骤404中所述对所述通道注意力图进行特征提取，得到所述待检测物品的多个第二特征图，可以包括如下步骤501～503，具体如下：
501、将所述通道注意力图输入所述第一特征提取模块，通过所述第一特征提取模块对所述通道注意力图进行特征提取，得到不同尺度的多个第三特征图；
502、将多个所述第三特征图分别输入多个所述空间注意力模块，通过多个所述空间注意力模块对多个所述第三特征图分别进行处理，得到多个第四特征图；
503、将多个所述第四特征图输入所述特征融合模块，通过所述特征融合模块对多个所述第四特征图进行特征融合，得到所述待检测物品的多个第二特征图。
违禁品检测模型还包括第一特征提取模块、多个空间注意力模块及特征融合模块，通道注意力图为第一特征提取模块的输入项，第一特征提取模块的输出项为多个空间注意力模块的输入项，空间注意力模块的输出项为特征融合模块的输入项，特征融合模块的输出项为多个第二特征图。
相应地，对通道注意力图进行特征提取的步骤具体为：将通道注意力图输入第一特征提取模块，通过第一特征提取模块对通道注意力图进行特征提取，得到不同尺度的多个第三特征图，然后将多个第三特征图分别输入多个空间注意力模块，通过多个空间注意力模块对多个第三特征图分别进行处理，得到多个第四特征图，最后将多个第四特征图输入特征融合模块，通过特征融合模块对多个第四特征图进行特征融合，得到待检测物品的多个第二特征图。
继续参照图4所示，第一特征提取模块包括依次级联的第一特征提取单元、第二特征提取单元、第三特征提取单元及第四特征提取单元，第一特征提取单元、第二特征提取单元、第三特征提取单元及第四特征提取单元与多个空间注意力模块分别对应，通道注意力图为第一特征提取单元的输入项，第一特征提取单元的输出项为第一特征提取单元对应的空间注意力模块的输入项及第二特征提取单元的输入项，第二特征提取单元的输出项为第二特征提取单元对应的空间注意力模块的输入项及第三特征提取单元的输入项，第三特征提取单元的输出项为第三特征提取单元对应的空间注意力模块的输入项及第四特征提取单元的输入项，第四特征提取单元的输出项为第四特征提取单元对应的空间注意力模块的输入项。基于第一特征提取模块及多个空间注意力模块对通道注意力图进行特征提取，可以获取更多与违禁品相关的信息，提高违禁品检测结果的准确率。
继续参照图4所示，特征融合模块包括依次级联的第一特征融合单元、第二特征融合单元、第三特征融合单元及第四特征融合单元，第一特征融合单元、第二特征融合单元、第三特征融合单元及第四特征融合单元与多个空间注意力模块分别对应，第一特征融合单元的输入项为第一特征融合单元对应的空间注意力模块的输出项，第二特征融合单元的输入项为第二特征融合单元对应的空间注意力模块的输出项及第一特征融合单元的输出项，第三特征融合单元的输入项为第三特征融合单元对应的空间注意力模块的输出项及第二特征融合单元的输出项，第四特征融合单元的输入项为第四特征融合单元对应的空间注意力模块的输出项及第三特征融合单元的输出项。
在一具体实施方式中，每个所述空间注意力模块均包括池化层、激活层及融合层，步骤502中所述将多个所述第三特征图分别输入多个所述空间注意力模块，通过多个所述空间注意力模块对多个所述第三特征图分别进行处理，得到多个第四特征图，可以包括如下步骤601～603，具体如下：
601、将所述第三特征图输入所述池化层，通过所述池化层对所述第三特征图进行特征映射，得到映射后的第三特征图；
602、将映射后的所述第三特征图输入所述激活层，通过所述激活层将映射后的所述第三特征图作用于激活函数，生成所述第三特征图的空间注意力图，所述空间注意力图用于表征所述第三特征图的不同位置的像素点的重要程度；
603、将所述空间注意力图输入所述融合层，通过所述融合层将所述空间注意力图与所述第三特征图进行相乘处理，得到第四特征图。
每个空间注意力模块均包括池化层、激活层及融合层，第三特征图为池化层的输入项，池化层的输出项为激活层的输入项，激活层的输出项为融合层的输入项。相应地，对第三特征图进行处理的步骤具体为：将第三特征图输入池化层，通过池化层对第三特征图进行特征映射，得到映射后的第三特征图，然后将映射后的第三特征图输入激活层，通过激活层将映射后的第三特征图作用于激活函数，生成第三特征图的空间注意力图，最后将空间注意力图输入融合层，通过融合层将空间注意力图与第三特征图进行相乘处理，得到第四特征图。通过空间注意力模块为第三特征图的不同像素位置赋予不同的权重，使得网络能够更好地关注违禁品的区域，提高违禁品检测结果的准确率。
如图5所示，池化层可以采用1×1的卷积核，利用池化层对维度为h×w×c的第三特征图进行特征映射Rh×w×c→Rh×w，将第三特征图的维度压缩为h×w，然后利用激活层将映射后的第三特征图作用于sigmoid函数φ(x)得到第三特征图的不同位置的权重系数来构建空间注意力图，最后利用融合层将空间注意力图与第三特征图进行相乘操作(表示空间注意力图与第三特征图进行相乘操作)，得到第四特征图。其中，φ(x)可表示为
304、基于多个所述第二特征图，确定所述待检测物品的违禁品检测结果。
违禁品检测结果为基于多个第二特征图确定的待检测物品的违禁品检测结果，违禁品检测结果包括但不限于违禁品的类别及违禁品在多种待检测图像上的像素坐标等。本实施例得到待检测物品的多个第二特征图后，基于多个第二特征图，确定待检测物品的违禁品检测结果，由于多个第二特征图是融合多种待检测图像的特征得到的，基于多个第二特征图进行违禁品检测，可以提高违禁品检测的精度。
在一具体实现方式中，继续参照图4所示，违禁品检测模型还包括输出模块，多个第二特征图为输出模块的输入项，违禁品检测结果为输出模块的输出项。相应地，基于多个第二特征图，确定待检测物品的违禁品检测结果的步骤具体为：将多个第二特征图输入输出模块，通过输出模块输出待检测物品的违禁品检测结果。
为了更好实现本申请实施例中违禁品检测方法，在违禁品检测方法基础之上，本申请实施例中还提供一种违禁品检测装置，如图6所示，所述违禁品检测装置700包括：
图像获取单元701，用于获取待检测物品的多种待检测图像，多种所述待检测图像为具有相同图像内容和不同图像类型的图像；
特征提取单元702，用于对多种所述待检测图像分别进行特征提取，得到所述待检测物品的多个第一特征图；
特征融合单元703，用于对多个所述第一特征图进行特征融合，得到所述待检测物品的多个第二特征图；
违禁品检测单元704，用于基于多个所述第二特征图，确定所述待检测物品的违禁品检测结果。
本申请实施例中，基于不同类型的多种待检测图像进行违禁品检测，可以解决X光图像中的物品在半透明状态下相互叠加，导致检测结果不准确的问题，由于多个第二特征图融合了多种待检测图像的特征，基于多个第二特征图确定违禁品检测结果，可以提高违禁品检测结果的准确率，并且检测结果不依赖于安检人员，降低了人力物力成本，检测效率高且检测结果准确。
在本申请一些实施例中，违禁品检测方法应用于违禁品检测模型，违禁品检测模型包括多个第二特征提取模块，所述特征提取单元702具体用于：
将多种所述待检测图像分别输入多个所述第二特征提取模块，通过多个所述第二特征提取模块对多种所述待检测图像分别进行特征提取，得到所述待检测物品的多个第一特征图。
在本申请一些实施例中，所述特征融合单元703具体用于：
对多个所述第一特征图进行特征拼接，得到所述待检测物品的拼接特征图，所述拼接特征图中包括多个通道的特征；
对所述多个通道中每个通道的特征进行加权处理，得到所述待检测物品的通道注意力图；
对所述通道注意力图进行特征提取，得到所述待检测物品的多个第二特征图。
在本申请一些实施例中，违禁品检测模型包括第一特征提取模块、多个空间注意力模块及特征融合模块，所述特征融合单元703具体还用于：
将所述通道注意力图输入所述第一特征提取模块，通过所述第一特征提取模块对所述通道注意力图进行特征提取，得到不同尺度的多个第三特征图；
将多个所述第三特征图分别输入多个所述空间注意力模块，通过多个所述空间注意力模块对多个所述第三特征图分别进行处理，得到多个第四特征图；
将多个所述第四特征图输入所述特征融合模块，通过所述特征融合模块对多个所述第四特征图进行特征融合，得到所述待检测物品的多个第二特征图。
在本申请一些实施例中，每个所述空间注意力模块均包括池化层、激活层及融合层，所述将多个所述第三特征图分别输入多个所述空间注意力模块，所述特征融合单元703具体还用于：
将所述第三特征图输入所述池化层，通过所述池化层对所述第三特征图进行特征映射，得到映射后的第三特征图；
将映射后的所述第三特征图输入所述激活层，通过所述激活层将映射后的所述第三特征图作用于激活函数，生成所述第三特征图的空间注意力图，所述空间注意力图用于表征所述第三特征图的不同位置的像素点的重要程度；
将所述空间注意力图输入所述融合层，通过所述融合层将所述空间注意力图与所述第三特征图进行相乘处理，得到第四特征图。
本申请实施例还提供一种计算机设备，其集成了本申请实施例所提供的任一种违禁品检测装置，所述计算机设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行上述违禁品检测方法实施例中任一实施例中所述的违禁品检测方法中的步骤。
本申请实施例还提供一种计算机设备，其集成了本申请实施例所提供的任一种违禁品检测装置。如图7所示，其示出了本申请实施例所涉及的计算机设备的结构示意图，具体来讲：
该计算机设备可以包括一个或者一个以上处理核心的处理器801、一个或一个以上计算机可读存储介质的存储器802、电源803和输入单元804等部件。本领域技术人员可以理解，图7中示出的计算机设备结构并不构成对计算机设备的限定，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。其中：
处理器801是该计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储器802内的软件程序和/或模块，以及调用存储在存储器802内的数据，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体监控。可选的，处理器801可包括一个或多个处理核心；优选的，处理器801可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器801中。
存储器802可用于存储软件程序以及模块，处理器801通过运行存储在存储器802的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器802可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器802可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器802还可以包括存储器控制器，以提供处理器801对存储器802的访问。
计算机设备还包括给各个部件供电的电源803，优选的，电源803可以通过电源管理系统与处理器801逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源803还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元804，该输入单元804可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，计算机设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，计算机设备中的处理器801会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器802中，并由处理器801来运行存储在存储器802中的应用程序，从而实现各种功能，如下：
获取待检测物品的多种待检测图像，多种所述待检测图像为具有相同图像内容和不同图像类型的图像；
对多种所述待检测图像分别进行特征提取，得到所述待检测物品的多个第一特征图；
对多个所述第一特征图进行特征融合，得到所述待检测物品的多个第二特征图；
基于多个所述第二特征图，确定所述待检测物品的违禁品检测结果。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种计算机可读存储介质，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行本申请实施例所提供的任一种违禁品检测方法中的步骤。例如，所述计算机程序被处理器进行加载可以执行如下步骤：
获取待检测物品的多种待检测图像，多种所述待检测图像为具有相同图像内容和不同图像类型的图像；
对多种所述待检测图像分别进行特征提取，得到所述待检测物品的多个第一特征图；
对多个所述第一特征图进行特征融合，得到所述待检测物品的多个第二特征图；
基于多个所述第二特征图，确定所述待检测物品的违禁品检测结果。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对其他实施例的详细描述，此处不再赘述。
具体实施时，以上各个单元或结构可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元或结构的具体实施可参见前面的方法实施例，在此不再赘述。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种违禁品检测方法、装置、计算机设备及存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种违禁品检测方法，其特征在于，所述违禁品检测方法包括：
获取待检测物品的多种待检测图像，多种所述待检测图像为具有相同图像内容和不同图像类型的图像；
对多种所述待检测图像分别进行特征提取，得到所述待检测物品的多个第一特征图；
对多个所述第一特征图进行特征融合，得到所述待检测物品的多个第二特征图；
基于多个所述第二特征图，确定所述待检测物品的违禁品检测结果。
2.根据权利要求1所述的违禁品检测方法，其特征在于，所述对多个所述第一特征图进行特征融合，得到所述待检测物品的多个第二特征图，包括：
对多个所述第一特征图进行特征拼接，得到所述待检测物品的拼接特征图，所述拼接特征图中包括多个通道的特征；
对所述多个通道中每个通道的特征进行加权处理，得到所述待检测物品的通道注意力图；
对所述通道注意力图进行特征提取，得到所述待检测物品的多个第二特征图。
3.根据权利要求2所述的违禁品检测方法，其特征在于，所述违禁品检测方法应用于违禁品检测模型，所述违禁品检测模型包括第一特征提取模块、多个空间注意力模块及特征融合模块，所述对所述通道注意力图进行特征提取，得到所述待检测物品的多个第二特征图，包括：
将所述通道注意力图输入所述第一特征提取模块，通过所述第一特征提取模块对所述通道注意力图进行特征提取，得到不同尺度的多个第三特征图；
将多个所述第三特征图分别输入多个所述空间注意力模块，通过多个所述空间注意力模块对多个所述第三特征图分别进行处理，得到多个第四特征图；
将多个所述第四特征图输入所述特征融合模块，通过所述特征融合模块对多个所述第四特征图进行特征融合，得到所述待检测物品的多个第二特征图。
4.根据权利要求3所述的违禁品检测方法，其特征在于，所述第一特征提取模块包括依次级联的第一特征提取单元、第二特征提取单元、第三特征提取单元及第四特征提取单元，所述第一特征提取单元、所述第二特征提取单元、所述第三特征提取单元及所述第四特征提取单元与多个所述空间注意力模块分别对应，所述通道注意力图为所述第一特征提取单元的输入项，所述第一特征提取单元的输出项为所述第一特征提取单元对应的空间注意力模块的输入项及所述第二特征提取单元的输入项，所述第二特征提取单元的输出项为所述第二特征提取单元对应的空间注意力模块的输入项及所述第三特征提取单元的输入项，所述第三特征提取单元的输出项为所述第三特征提取单元对应的空间注意力模块的输入项及所述第四特征提取单元的输入项，所述第四特征提取单元的输出项为所述第四特征提取单元对应的空间注意力模块的输入项。
5.根据权利要求3所述的违禁品检测方法，其特征在于，所述特征融合模块包括依次级联的第一特征融合单元、第二特征融合单元、第三特征融合单元及第四特征融合单元，所述第一特征融合单元、所述第二特征融合单元、所述第三特征融合单元及所述第四特征融合单元与多个所述空间注意力模块分别对应，所述第一特征融合单元的输入项为所述第一特征融合单元对应的空间注意力模块的输出项，所述第二特征融合单元的输入项为所述第二特征融合单元对应的空间注意力模块的输出项及所述第一特征融合单元的输出项，所述第三特征融合单元的输入项为所述第三特征融合单元对应的空间注意力模块的输出项及所述第二特征融合单元的输出项，所述第四特征融合单元的输入项为所述第四特征融合单元对应的空间注意力模块的输出项及所述第三特征融合单元的输出项。
6.根据权利要求3至5任一项所述的违禁品检测方法，其特征在于，每个所述空间注意力模块均包括池化层、激活层及融合层，所述将多个所述第三特征图分别输入多个所述空间注意力模块，通过多个所述空间注意力模块对多个所述第三特征图分别进行处理，得到多个第四特征图，包括：
将所述第三特征图输入所述池化层，通过所述池化层对所述第三特征图进行特征映射，得到映射后的第三特征图；
将映射后的所述第三特征图输入所述激活层，通过所述激活层将映射后的所述第三特征图作用于激活函数，生成所述第三特征图的空间注意力图，所述空间注意力图用于表征所述第三特征图的不同位置的像素点的重要程度；
将所述空间注意力图输入所述融合层，通过所述融合层将所述空间注意力图与所述第三特征图进行相乘处理，得到第四特征图。
7.根据权利要求3所述的违禁品检测方法，其特征在于，所述违禁品检测模型还包括多个第二特征提取模块，所述对多种所述待检测图像分别进行特征提取，得到所述待检测物品的多个第一特征图，包括：
将多种所述待检测图像分别输入多个所述第二特征提取模块，通过多个所述第二特征提取模块对多种所述待检测图像分别进行特征提取，得到所述待检测物品的多个第一特征图。
8.一种违禁品检测装置，其特征在于，所述违禁品检测装置包括：
图像获取单元，用于获取待检测物品的多种待检测图像，多种所述待检测图像为具有相同图像内容和不同图像类型的图像；
特征提取单元，用于对多种所述待检测图像分别进行特征提取，得到所述待检测物品的多个第一特征图；
特征融合单元，用于对多个所述第一特征图进行特征融合，得到所述待检测物品的多个第二特征图；
违禁品检测单元，用于基于多个所述第二特征图，确定所述待检测物品的违禁品检测结果。
9.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至7中任一项所述的违禁品检测方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7任一项所述的违禁品检测方法中的步骤。
CN202211701081.9A 2022-12-28 2022-12-28 违禁品检测方法、装置、计算机设备及存储介质 Pending CN118262203A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211701081.9A CN118262203A (zh) 2022-12-28 2022-12-28 违禁品检测方法、装置、计算机设备及存储介质
PCT/CN2023/133011 WO2024139854A1 (zh) 2022-12-28 2023-11-21 检测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211701081.9A CN118262203A (zh) 2022-12-28 2022-12-28 违禁品检测方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN118262203A true CN118262203A (zh) 2024-06-28

Family

ID=91611861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211701081.9A Pending CN118262203A (zh) 2022-12-28 2022-12-28 违禁品检测方法、装置、计算机设备及存储介质

Country Status (2)

Country Link
CN (1) CN118262203A (zh)
WO (1) WO2024139854A1 (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106290423B (zh) * 2016-10-18 2024-04-05 同方威视技术股份有限公司 用于扫描成像的方法、装置以及系统
WO2020023762A1 (en) * 2018-07-26 2020-01-30 Walmart Apollo, Llc System and method for produce detection and classification
CN113449556B (zh) * 2020-03-26 2024-06-04 顺丰科技有限公司 一种违禁品检测方法、装置、边缘计算设备及存储介质
CN114626443B (zh) * 2022-02-25 2024-05-03 华南理工大学 基于条件分支和专家系统的对象快速检测方法
CN114882446B (zh) * 2022-07-08 2022-10-04 安徽启新明智科技有限公司 图像关联方法、装置、设备和介质

Also Published As

Publication number Publication date
WO2024139854A1 (zh) 2024-07-04

Similar Documents

Publication Publication Date Title
US11798132B2 (en) Image inpainting method and apparatus, computer device, and storage medium
CN110807362B (zh) 一种图像检测方法、装置和计算机可读存储介质
CN110378235A (zh) 一种模糊人脸图像识别方法、装置及终端设备
CN108229418B (zh) 人体关键点检测方法和装置、电子设备、存储介质和程序
CN107688824A (zh) 图片匹配方法及终端设备
CN113887447B (zh) 一种针对密集群体目标的密度估计、分类预测模型的训练、推理方法及装置
CN112528908B (zh) 活体检测方法、装置、电子设备及存储介质
CN107679475A (zh) 门店监控评价方法、装置及存储介质
CN112464803A (zh) 图像比较方法和装置
CN108205680A (zh) 图像特征提取集成电路、方法、终端
CN110415237A (zh) 皮肤瑕疵检测方法、检测装置、终端设备及可读存储介质
CN109671055A (zh) 肺结节检测方法及装置
CN112668675B (zh) 一种图像处理方法、装置、计算机设备及存储介质
CN118262203A (zh) 违禁品检测方法、装置、计算机设备及存储介质
CN113610460A (zh) 物品封装方法、装置、电子设备和计算机可读介质
CN113822144A (zh) 一种目标检测方法、装置、计算机设备和存储介质
CN113449559B (zh) 一种表格识别方法、装置、计算机设备和存储介质
CN107798292A (zh) 对象识别方法、计算机程序、存储介质及电子设备
CN115112661B (zh) 一种缺陷检测方法、装置、计算机设备和存储介质
CN115298705A (zh) 车牌识别方法、装置、电子设备及存储介质
CN116977271A (zh) 缺陷检测方法、模型训练方法、装置及电子设备
CN114118114A (zh) 一种图像检测方法、装置及其存储介质
CN112990131A (zh) 获取电压转换开关工作档位的方法、装置、设备及介质
CN111428729A (zh) 一种目标检测方法和装置
CN118279223A (zh) 包裹的位置确定方法、装置及其相关设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination