基于多能量x射线的液体成分抗干扰智能检测方法
技术领域
1.本发明属于安全检测领域，涉及一种基于多能量x射线的液体成分抗干扰智能检测方法。
背景技术：
2.随着汽油、酒精、柴油、zippo打火机油等各类易燃液体越发频繁地出现在物流快递和公共交通的安检中，一旦未能准确、及时地检测出易燃液体，不仅会加剧重大的人员伤亡和财产损失的风险，同时也将给社会造成非常恶劣的影响。
3.x光机彩色图像主要是通过高、低能x射线在穿过被检测物体后得到被检测物体底层信息，再通过图像处理进行着色，最终形成x光机彩色图像，如保温杯、金属刀具等同为蓝色，压力罐、玻璃、胶水等同为绿色，塑料容器、酒精、汽油和水等同为橙色。
4.现有大多人工或智能判别的方法大都通过x光机彩色图像中目标物形状特征辅以颜色进行判断。针对液体而言，其形状为所盛装容器的形状，故形状特征无法作为液体成分检测的重要依据；且常见的安全液体与危险液体的颜色是非常相近的，所以通过颜色特征是无法将安全液体与危险液体区分开的，液体的具体成分更是无法准确检测的。
5.进一步有技术利用x射线照射后得到的等效原子序数或者物体密度与数据库中的值进行比对来进行液体成分检测，如发明专利cn 113781426 a公开了一种识别液体成分的智能安检方法，通过确定液体部分为位置，并检测对应位置的等效原子序数确定溶液的成分。但在实际检测中，容器对液体的等效原子序数和物体密度数值的影响很大，即所反映的等效原子序数和物体密度已不能表征液体真实的成分；且不同材质的容器对同一液体的等效原子序数和物体密度数值影响不同，所以这种液体成分检测方法是不准确的，或只对特定的、单一的容器有效，不具有普适性。
6.故现阶段公共交通安检仍采用“逢液必检”、“逢疑必检”的人工安检策略，即必须通过人工经验对x光机彩色图像的颜色和形状判图，对所有包含液体容器的包裹进行开包，并将液体容器逐个放置到专用的液体仪器检测，这不仅增加了安检难度，也降低了安检效率。
技术实现要素：
7.为解决上述技术问题，本发明公开了一种基于多能量能谱图的液体成分抗干扰智能检测方法，本发明能够有效克服现有技术所存在的不能有效对不同容器的液体进行抗干扰的液体成分准确检测的缺陷。
8.本发明解决其技术问题所采用的技术方案是：一种基于多能量x射线的液体成分抗干扰智能检测方法，包括如下步骤：步骤一、采用x光机对待检测物品分别进行高穿透性照射和低穿透性照射，分别输出x射线高能量值、x射线低能量值、高能谱灰度信号图、低能谱灰度信号图、空气
背景的高能灰度信号值和空气背景的低能灰度信号值；各像素点的特征密度（这里的各像素既可以是高能谱灰度信号图、低能谱灰度信号图，也可以是x光机彩色图像对应的像素。因为这些图像的分辨率（图像的宽和高）是一致的。这里的各像素点的特征密度，可以看成存在一个特征密度分布图（与上面描述的图像宽高也是一致的）中的某一个像素点位置上，对应的特征密度值。
9.以及x光机彩色图像； 采用实例分割算法对x光机彩色图像进行自动识别，得到液体容器的轮廓区域在x光机彩色图像的位置和液体容器的类别，液体容器轮廓区域的外接矩形的左上角点坐标()和右下角点坐标；液体容器轮廓区域包括液体容器所占的区域及液体容器内部所占的区域；表示横坐标为，纵坐标为的像素点的坐标；步骤二、计算得到液体容器轮廓区域的高能等效原子序数值和液体容器轮廓区域的低能等效原子序数值；步骤三、计算液体原子序数相对均值，根据液体原子序数相对均值得到液体的种类；计算方法如下：
ꢀꢀ
；为与容器的类别相关的常数n表示液体容器轮廓区域内的像素点数量；进一步的改进，所述步骤二中，高能等效原子序数值和低能等效原子序数值的计算方法如下：
其中，表示高能平均质量衰减值，表示低能平均质量衰减；s为液体容器轮廓区域的像素坐标集合；分别表示液体容器轮廓区域的像素的横坐标和纵坐标。
10.进一步的改进，和的计算方法如下：的计算方法如下：其中，为空气背景的高能灰度信号值，为空气背景的低能灰度信号值，为液体容器轮廓区域外接矩形位置对应的高能谱灰度值，为液体容器轮廓区域外接矩形位置对应的低能谱灰度值，、、和均为整数且。
11.进一步的改进，左上角点坐标()和右下角点坐标的获得方法如下：所述外接矩形为液体容器轮廓区域的最小外接矩形。
12.进一步的改进，所述液体容器轮廓区域的外接矩形为液体容器轮廓区域的最小外接矩形。
13.进一步的改进，当检测得到液体原子序数相对均值在0-1.2范围内，则液体容器为空；在8.5-9.7范围内的则液体为汽油；在10.3-12.9范围内则液体为柴油；在15.0-18.3范围内则液体为酒精；在19.0-21.5范围内则液体为水。
14.值通过与各不相同的液体容器的类别进行试验测得。
15.本发明的优点：通过计算高、低能平均衰减系数得到用于表征液体真实成分的液体原子序数相对均值，实现在不同材质容器的干扰情况下仍可以准确地检测出液体成分。本发明能够有效克服现有技术所存在的不能有效对不同容器的液体进行抗干扰的液体成分准确检测的缺
陷。
附图说明
16.图1为本发明的检测结果图。
具体实施方式
17.以下结合实施例对本发明作进一步说明。
18.本发明通过基于深度学习的实例分割算法对x光机彩色图像中的液体容器进行识别，得到的液体容器轮廓区域的像素坐标集合，设其元素个数为，表示横坐标为，纵坐标为的像素点的坐标；利用公式（1）、（2）得到液体容器轮廓的最小外接矩形的左上角点 ()和右下角点。
19.ꢀꢀꢀꢀꢀꢀꢀ
（1）
ꢀꢀꢀ
（2）利用高、低能谱的相关信息进行计算，分别得到高能平均质量衰减值和低能平均质量衰减值，如公式（3）、（4）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）其中，为空气背景的高能灰度信号值，为空气背景的低能灰度信号值，为最小外接矩形位置对应的高能谱灰度值，为最小外接矩形位置对应的低能谱灰度值，、、和均为整数且。
20.通过计算进一步得到高能等效原子序数值和低能等效原子序数值，如公式（5）、（6）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀ
（5）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6）其中，为x射线高能量值，为x射线低能量值，为特征密度值，为与能量关系很小，与容器的类别相关的常数。
21.其中，多能量x射线检测不同物体时，在高、低能谱下呈现的康普顿衰减系数和光电衰减系数不同，从而实现分辨不同物体的能力。其中，通过穿透性照射得到的高能谱相关信息反映了被检测物体产生的康普顿效应，低能谱相关信息反映了被检测物体产生的光电效应。由于低等效原子序数的物质（如水、汽油等液体）在多能量x射线下的光电衰减剧烈，高等效原子序数的物质（如金属、玻璃等容器）在多能量x射线下的康普顿衰减平缓，故针对液体容器而言，其在x射线高能量谱上主要反映了液体和容器的叠加特征，在x射线低能量谱上主要反映了容器的特征。
22.通过将液体和容器的底层数据对应的高能等效原子序数值与容器的底层数据对应的低能等效原子序数值相减即可得到实际液体的底层数据。为了便于反映实际液体的底层数据，本发明定义了液体原子序数相对均值，计算公式如（7）所示：
ꢀꢀꢀꢀ
（7）根据计算出的被检测液体原子序数相对均值即可确定液体的种类，如液体原子序数相对均值在0-1.2范围内的空的容器；液体原子序数相对均值在8.5-9.7范围内的液体为汽油；液体原子序数相对均值在10.3-12.9范围内的液体为柴油；液体原子序数相对均值在15.0-18.3范围内的液体为酒精；液体原子序数相对均值在19.0-21.5为水。具体检测结果图如图1所示。
23.整个设计使各个模块相互配合共同工作数据表达清楚符合题目所需功能最后应当说明的是，以上实施例仅用于说明本发明的技术方案而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当了解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。