[發明專利]危險物品識別系統及其方法

在審

• 申請號: 201710912740.6
• 申請日: 2017-09-30
• 公開（公告）號: CN107480660A
• 公開（公告）日: 2017-12-15
• 發明（設計）人: 高子慶
• 申請（專利權）人: 深圳市銳曼智能裝備有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及人工智能的技術領域，尤其涉及一種危險物品識別系統及其方法。

背景技術

人工智能（Artificial Intelligence），英文縮寫為AI。它是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人工智能是計算機科學的一個分支，它企圖了解智能的實質，并生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智能從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智能帶來的科技產品，將會是人類智慧的“容器”。

傳統的零售業是勞動密集型的工作，工作時間長，流程規整，規律，人工智能技術替代難度不高。大家都在技術研發初期，市面上還沒有相對完善，成熟的技術方案。因為當前還沒有成熟的人工智能銷售技術的方案在商業場景中應用，相關方案缺失，所以相關技術方案會受到非常高的矚目。

發明內容

針對上述技術中存在的不足之處，本發明提供一種便利而節省勞動力的危險物品識別系統及其方法。

為了達到上述目的，本發明一種危險物品識別系統，包括物品識別服務器、帶攝像頭的智能終端以及報警器；

所述物品識別服務器包括：

離線訓練模塊，對標注好的物品圖像進行訓練并儲存相關物品圖像的特征，基于CNN卷積神經網絡算法設計多層網絡在tensorflow框架中對標注好的物品圖像，通過多次實踐分析得到最優的參數，通過多輪迭代執行向前傳播和向后傳播算法，梯度算法找到相對較快的路徑，使學習的特征值和真實值間的差值更快縮小到最小值，從而實現找到最優解；

推理模塊，判斷物品種類，以30分之一秒采集一幀的速度，通過已經訓練好的特征分類器進行特征提取，然后進行特征分布概率統計，根據特征概率分布，判斷物品種類；

識別反饋模塊，對推理模塊識別錯誤的破壞性用例進行收集，并發送到訓練模塊進行重復識別學習；

以及服務器管理模塊，根據應用場景，調試優化訓練模塊以及推理模塊的運行；

所述智能終端包括：

圖像采集模塊，通過攝像頭獲取待識別物品各角度的圖像信息；

識別展示模塊，根據推理模塊所識別的正常物品種類，將該物品的信息進行展示；

主控模塊，協調圖像采集模塊、識別展示模塊以及危險報警模塊之間的信息傳遞與分析；

所述報警器上設有危險報警模塊，根據推理模塊所識別的破壞性物品種類，發出報警提示；

所述離線訓練模塊以及推理模塊均與服務器管理模塊通訊連接，所述識別反饋模塊的輸入端與推理模塊相連，所述識別反饋模塊的輸出端與服務器管理模塊通訊連接；述圖像采集模塊的輸出端與主控模塊相連，所述識別展示模塊的輸入端與主控模塊相連，所述危險報警模塊的輸入端與服務器管理模塊相連。

其中，所述訓練模塊包括將系統已經標注的圖像進行采集并預處理的已知圖像采集單元，對采集的圖像特征進行歸納和總結的特征學習單元，比較已學習圖像的共有特征的Softmax統計單元，以及將圖像進行分類并對圖像共有特征進行實時更新的分類更新單元，所述已知圖像采集單元的輸入端與系統已有數據庫相連，所述已知圖像采集單元的輸出端與特征學習單元的輸入端相連，所述Softmax統計單元的輸入端與特征學習單元的輸出端相連，所述Softmax統計單元的輸出端與分類更新單元相連。

其中，所述特征學習單元由三個特征總結塊構成，三個特征塊分別為進行圖像像素塊特征總結的低粒度特征總結塊，進行圖像局部圖案特征總結的中粒度特征總結塊，以及進行圖像整體圖案特征總結的高粒度特征總結塊。

其中，所述推理模塊包括將待識別物品圖像進行采集并預處理的識別圖像采集單元，對采集的圖像特征進行分析與提取的特征提取單元，計算識別特征與訓練好的特征近似度的分類計算單元，以及通過過濾規則判斷是否為危險物品的精準判斷單元，所述識別圖像采集單元的輸出端與特征提取單元的輸入端相連，所述特征提取單元的輸出端與分類計算單元的輸入端相連，所述分類計算單元的輸出端與與精準判斷單元的輸入端相連。

其中，所述特征提取單元由三個特征總結塊構成，三個特征塊分別為進行圖像像素塊特征提取的低粒度特征提取塊，進行圖像局部圖案特征提取的中粒度特征提取塊，以及進行圖像整體圖案特征提取的高粒度特征提取塊。