[發(fā)明專利]貨物檢測方法及裝置、電子設備和計算機可讀介質

在審

• 申請?zhí)枺?/td>: 201910053206.3
• 申請日: 2019-01-21
• 公開（公告）號: CN111461152A
• 公開（公告）日: 2020-07-28
• 發(fā)明（設計）人: 劉陽;邢宇翔;戴詩語
• 申請（專利權）人: 同方威視技術股份有限公司;同方威視科技江蘇有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 北京律智知識產權代理有限公司 11438
• 代理人: 袁禮君;闞梓瑄

本公開涉及人工智能神經網絡領域，提供了一種貨物檢測方法、裝置以及電子設備和計算機可讀介質，該貨物檢測方法包括：通過輻射成像技術獲取集裝箱車廂圖像，基于所述集裝箱車廂圖像確定貨物圖像塊；將所述貨物圖像塊輸入基于卷積神經網絡訓練的特征提取器以提取所述貨物圖像塊的圖像特征；將所述貨物圖像塊的圖像特征與所述特征提取器提取的對比貨物的特征庫作比較以確定所述集裝箱車廂圖像中的貨物類別與所述對比貨物類別的一致性。采用本公開提供的貨物檢測方法，可以快速、有效的確認集裝箱車廂中貨物類別與對比貨物類別是否一致。

技術領域

本公開涉及人工智能神經網絡領域，尤其涉及一種貨物檢測方法及裝置、電子設備和計算機可讀介質。

背景技術

在海關檢查中，通常需要檢測集裝箱中是否夾藏著危險品、違禁品以及檢查集裝箱中所裝貨物與申報不符的情況。在日吞吐量極大地海關檢查中，為了檢測集裝箱中貨物的情況與申報情況是否相符，通常需要對集裝箱中的貨物類別進行自動檢測。目前市場上主要使用基于Fisher vector特征的傳統(tǒng)方法提取集裝箱中貨物的圖像特征來進行類別判斷或者使用基于深度學習方法對集裝箱貨物直接分類實現對集裝箱中的貨物的類別檢測。

然而，基于Fisher vector特征的傳統(tǒng)方法不能有效地對不同種類的圖像進行分類，導致使用該方法進行的智能查驗識別率低。另外，基于深度學習方法訓練分類模型時會因為訓練數據分布不均衡導致訓練出來的模型效果極差，而且基于深度學習方法訓練需要大量貨物圖像，導致每次訓練時間過長。此外在貨物檢查中，經常或有新增貨物類別，一旦新增貨物類別就需要重新基于深度學習方法訓練分類模型，這不僅會耗費大量時間還會增大訓練難度。

基于以上情況，找到一種快速、便捷地檢測集裝箱中貨物類別的方法變得極為重要。

需要說明的是，在上述背景技術部分公開的信息僅用于加強對本發(fā)明的背景的理解，因此可以包括不構成對本領域普通技術人員已知的現有技術的信息。

發(fā)明內容

有鑒于此，本公開提供一種貨物檢測方法及裝置、電子設備和計算機可讀介質，可以有效的實現對大型集裝箱車廂圖片中的貨物類別進行對比識別。

本公開的其他特性和優(yōu)點將通過下面的詳細描述變得顯然，或部分地通過本公開的實踐而習得。

根據本公開實施例一個方面，提出一種貨物檢測方法，該方法包括：通過輻射成像技術獲取集裝箱車廂圖像，基于所述集裝箱車廂圖像確定貨物圖像塊；將所述貨物圖像塊輸入基于卷積神經網絡訓練的特征提取器以提取所述貨物圖像塊的圖像特征；將所述貨物圖像塊的圖像特征與所述特征提取器提取的對比貨物的特征庫作比較以確定所述集裝箱車廂圖像中的貨物類別與所述對比貨物類別的一致性。

在本公開的一種示例性實施例中所述基于所述集裝箱車廂圖像確定貨物圖像塊包括；使用固定大小的滑窗，按照固定步長在所述集裝箱車廂圖像中提取圖像塊；判斷所述圖像塊的最大灰度值和最小灰度值的差值是否大于差值閾值，如果是，則將所述圖像塊平均分為多個灰度小塊；判斷所述圖像塊的灰度小塊中空小塊的個數是否小于個數閾值，如果是，則判斷所述圖像塊為貨物圖像塊。

在本公開的一種示例性實施例中，所述判斷所述圖像塊的灰度小塊中空小塊的個數是否小于個數閾值包括：獲取所述灰度小塊中灰度值大于灰度閾值的點的個數比例；如果所述個數比例大于個數比例閾值，則判斷所述灰度小塊為空小塊。

在本公開的一種示例性實施例中，貨物檢測方法還包括：獲取對比貨物的輻射圖像，基于所述對比貨物的輻射圖像確定對比貨物圖像塊；將所述對比貨物圖像塊輸入所述基于卷積神經網絡訓練的特征提取器以提取所述對比貨物圖像塊的圖像特征；多次使用多層次k-means聚類方法對所述對比貨物圖像塊的圖像特征聚類，以獲得多個所述對比貨物圖像塊的圖像特征的聚類集合；選擇聚類類別最少的聚類集合作為所述對比貨物的特征庫。