本发明涉及安检设备技术领域，尤其是涉及一种安检检测方法、装置、系统及电子设备。
背景技术：
随着公众安全意识的增强，各种安检设备被广泛应用于机场、口岸、港口、地铁、法院、重大赛事的场馆等重要公共场所。而其中最常用的就是(x射线)安检机，目前安检机在客流和物流领域得到了越来越广泛的应用。一般安检机都包括电机，由电机驱动的传送带系统，跨设在传送带系统中部的机身，当然还有配套的x光机。通常安检机的机身与传送带之间形成安检通道，安检通道的至少一侧设有x光机。传送带系统的一端为待检区域，待检测物放置在待检区域后，会被电机驱动的传送带系统传输到另一端，中途必然经过安检通道，被x光机照射扫描生成x光成像，从而可以识别出待检测物是否为违禁品。
但是现有的检测方法由于容易受到检测穿透性、检测角度等外界环境因素或者外界干扰影响，大大降低了识别准确性；且在终端显示x光图像后，需要安检人员对显示的图片进行排查。这样安检人员长时间监视屏幕容易造成视觉疲劳，导致误检、错检、漏检等情况发生。
因此，现有的安检检测方法，难以保证识别的准确性，且识别效率低，容易造成安全隐患。
技术实现要素：
有鉴于此，本发明的目的在于提供一种安检检测方法、装置、系统及电子设备，以在提高识别效率的同时，有效保证对违禁品识别的准确性，预防安全隐患发生。
第一方面，本发明实施例提供了一种安检检测方法，包括：
获取安检终端接收到的安检机内的x光机采集的x光图像，对所述x光图像进行预处理，得到预处理后的x光图像；
根据预设的深度学习模型提取所述预处理后的x光图像中对应的待检测物的物品特征，所述预设的深度学习模型包括基于卷积神经网络的深度学习模型；
利用基于所述预设的深度学习模型训练的分类器对所述物品特征进行识别，生成对应所述待检测物的识别结果；
将所述待检测物的识别结果发送至所述安检终端，以使所述安检终端显示所述识别结果。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述对所述x光图像进行预处理，包括：
采用邻域平均法对采集的所述x光图像进行平滑去噪，得到平滑去噪后的x光图像；
采用直方图均衡法对所述平滑去噪后的图像的边缘信息进行增强，得到预处理后的x光图像。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述基于卷积神经网络的深度学习模型是通过数量超过一定阈值的物品样本数据训练得到的，所述物品样本数据包括不同形态的违禁品对应的图片。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述分类器的训练过程包括：
利用基于卷积神经网络的深度学习模型提取物品标本数据的深度特征；
基于机器学习算法，对所述深度特征训练分类器；
其中所述物品标本数据中包括指定的不同识别结果的x光图片。
第二方面，本发明实施例还提供一种安检检测装置，包括：
预处理模块，用于获取安检终端接收到的安检机内的x光机采集的x光图像，对所述x光图像进行预处理，得到预处理后的x光图像；
特征提取模块，用于根据预设的深度学习模型提取所述预处理后的x光图像中对应的待检测物的物品特征，所述预设的深度学习模型包括基于卷积神经网络的深度学习模型；
结果识别模块，用于利用基于所述预设的深度学习模型训练的分类器对所述物品特征进行识别，生成对应所述待检测物的识别结果；
结果显示模块，用于将所述待检测物的识别结果发送至所述安检终端，以使所述安检终端显示所述识别结果。
第三方面，本发明实施例还提供一种安检检测系统，包括安检机、安检终端及安检识别设备，所述安检机的安检箱内设置有x光机，所述安检识别设备包括如第二方面所述的安检检测装置；所述x光机、所述安检识别设备分别与所述安检终端连接；
所述x光机，用于采集经过所述安检机的安检通道的待检测物的x光图像，将所述x光图像发送至所述安检终端；
所述安检终端，用于当监听到接收的所述x光图像时，将所述x光图像发送至安检识别设备；还用于接收所述安检识别设备发送的所述待检测物的识别结果，将所述识别结果通过显示屏显示。
结合第三方面，本发明实施例提供了第三方面的第一种可能的实施方式，其中，所述识别结果包括违禁品和非违禁品两种类型；所述系统还包括报警装置，所述报警装置与所述安检终端连接；
所述安检终端，还用于当接收到的所述识别结果为违禁品时，发送报警信号至所述报警装置，以使所述报警装置进行报警提示。
结合第三方面，本发明实施例提供了第三方面的第二种可能的实施方式，其中，所述安检机的安检通道的底部设置有压力传感器，所述压力传感器与所述安检终端连接；
所述压力传感器，用于采集所述安检通道上承受的压力信息，将所述压力信息发送至所述安检终端；
所述安检终端，还用于根据所述压力信息开启或者关闭所述x光机。
结合第三方面及其任一种可能的实施方式，本发明实施例提供了第三方面的第三种可能的实施方式，其中，所述安检识别设备包括nvidiajetsontx2芯片。
第四方面，本发明实施例还提供一种电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面及其任一种可能的实施方式所述的方法。
本发明实施例带来了以下有益效果：
本发明实施例提供了一种安检检测方法、装置、系统及电子设备，其中该方法包括获取安检终端接收到的安检机内的x光机采集的x光图像，对该x光图像进行预处理，得到预处理后的x光图像；根据预设的深度学习模型提取所述预处理后的x光图像中对应的待检测物的物品特征，该预设的深度学习模型包括基于卷积神经网络的深度学习模型；利用基于预设的深度学习模型训练的分类器对物品特征进行识别，生成对应待检测物的识别结果；将待检测物的识别结果发送至安检终端，以使安检终端显示该识别结果。在本发明实施例提供的技术方案中，首先利用预处理减小外界环境因素的影响，然后通过基于卷积神经网络的深度学习模型提取物品特征，并利用该深度学习模型训练的分类器对待检测物进行识别，这样实现了对违禁品的自动识别检测，且在提高识别效率的同时，有效保证了对违禁品识别的准确性，预防了安全隐患的发生。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，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为本发明实施例提供的安检检测方法的流程示意图；
图2为本发明实施例提供的安检检测装置的结构示意图；
图3为本发明实施例提供的安检检测系统的通信连接图；
图4为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前现有的安检检测方法，难以保证识别的准确性，且识别效率低，容易造成安全隐患，基于此，本发明实施例提供的一种安检检测方法、装置、系统及电子设备，可以利用预处理减小外界环境因素的影响，然后通过基于卷积神经网络的深度学习模型提取物品特征，并利用该深度学习模型训练的分类器对待检测物进行识别，这样实现了对违禁品的自动识别检测，且在提高识别效率的同时，有效保证了对违禁品识别的准确性，预防了安全隐患的发生。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种安检检测方法进行详细介绍。
实施例一：
本发明实施例提供的安检检测方法可以但不限于应用于机场、口岸、港口、地铁、法院、重大赛事的场馆等重要公共场所的安检情景中。
图1示出了本发明实施例提供的安检检测方法的流程示意图。如图1所示，该安检检测方法包括：
步骤s101，获取安检终端接收到的安检机内的x光机采集的x光图像，对该x光图像进行预处理，得到预处理后的x光图像。
该安检终端可以但不限于为电脑、控制台。具体地，当待检测品经过安检机的安检通道时，设置在安检机的安检箱内的x光机会对待检测品进行扫描并生成x光图像，将该x光图像发送至上述安检终端。
在获取到安检终端发送的x光图像，检测x光图像的过程中，首先要求该x光图像具有良好的性能。但是由于外界干扰和x光机自身因素会造成x光图像质量的降低，基于此本发明实施例采用的预处理操作主要包括图像增强和去噪，上述对该x光图像进行预处理包括：
采用邻域平均法对采集的x光图像进行平滑去噪，得到平滑去噪后的x光图像；
采用直方图均衡法对平滑去噪后的图像的边缘信息进行增强，得到预处理后的x光图像。
通过上述的预处理方法，能够增强图像中的有用信息如边缘信息，在一定程度上削弱干扰(介质散射、高速运动、噪声干扰)，提高图像的性能，使得图像的特征充分展现出来，更有利于后期的特征提取与表示。
步骤s102，根据预设的深度学习模型提取上述预处理后的x光图像中对应的待检测物的物品特征，该预设的深度学习模型包括基于卷积神经网络的深度学习模型。
上述基于卷积神经网络的深度学习模型是通过数量超过一定阈值的物品样本数据训练得到的，该物品样本数据包括不同形态的违禁品对应的x光图片。其中，违禁品的不同形态包括如枪支拆分成各个零部件的状态、刀具折叠的状态等。在一个优选的实施例中，上述基于卷积神经网络的深度学习模型可以通过caffe深度学习框架实现。
具体地，上述x光图片的数量越多越好，数据越多，训练生成的基于卷积神经网络的深度学习模型的通用性越好，如上述x光图片包括多种角度、多种穿透程度的各种违禁品的图片，这样有利于后续对待检测物的准确识别，克服外界环境因素的影响，提高该基于卷积神经网络的深度学习模型的识别能力。
该步骤s102具体包括：将预处理后的x光图像作为输入图像在预设的深度学习模型中包含的多个基层中依次进行特征训练，当训练完成后，提取多个集成中的全连接层或者其他指定基层输出的特征向量作为预处理后的x光图像中对应待检测的物品特征。
进一步地，为了简单且迅速处理图像特征，在步骤s102中根据预设的深度学习模型提取预处理后的x光图像中对应的待检测物的物品特征之前，还包括：
根据预处理后的x光图像的灰度特性把预处理后的x光图像分为背景和模板两类，将使两类间的方差取得最大的参数作为最佳阈值；
利用该最佳阈值分割得到二值化图像，将该二值化图像作为预处理后的x光图像。
在各种阈值优化分割方法中，otsu算法提出基于类间方差最大化分割法被公认为是最佳阈值分割算法，它根据图像的灰度特性把图像分为背景和目标两类，然后计算让两类间的方差取得最大的参数作为最佳阈值，再利用最佳阈值分割得到效果良好的二值化图像。
由此，通过上述二值化处理，将x光图像上的像素点的灰度值设置为0或者255，x光图像中数据量大为减少，图像处理速度可以大大降低。
步骤s103，利用基于上述预设的深度学习模型训练的分类器对上述物品特征进行识别，生成对应待检测物的识别结果。
即将步骤102中提取的特征作为基于预设的深度学习模型训练的分类器的输入，通过该分类器识别后，获得最终的识别结果。具体地，识别结果为违禁品或者非违禁品，可以但不限于通过正确或者错误标识，及应用不同的图片标识，具体标识方法这里不作限定。
在一个可选的实施例中，步骤103中应用的分类器的训练过程包括：
利用基于卷积神经网络的深度学习模型提取物品标本数据的深度特征；
基于机器学习算法，对上述深度特征训练分类器；
其中上述物品标本数据中包括指定的不同识别结果的x光图片。上述机器学习算法可以是邻近算法、最大期望算法及支持向量机算法等，具体算法可以根据具体情况选择，这里不作限定。
在一个可选的实施例中，上述物品标本数据包括三元组数据；其中该三元组数据包括：源数据、与源数据属于同一类别的正向数据、以及与该源数据分属不同类别的反向数据。
其中，源数据为从物品样本数据中随机获取到的识别结果相同的样本数据。
正向数据为从物品样本数据中随机获取的与源数据的识别结果一致的样本数据；该源数据的匹配度高于正向数据的匹配度。
反向数据为从物品样本数据中随机获取的与源数据的识别结果不一致的样本数据。
在一个具体的实施例中，三元组数据分别为：物品样本数据中x光图像性能良好的第一图片(源数据)，物品样本数据中拍摄的x光图像性能较差的第二图片(正向数据)，以及与第一图片和第二图片识别结果不同的作为反向数据的第三图片。第一图片和第二图片的识别结果为违禁品，第二图片的识别结果为非违禁品。第二图片由于图像性能较差，如在清晰度、分辨率等方面与第一图片存在差距，其匹配度低于第一图片。第三图片则是在训练时进行反向对比的反向数据，一次通过正反对比，进一步增强了分类器的识别能力。
步骤s104，将上述待检测物的识别结果发送至安检终端，以使安检终端显示该识别结果。
具体地，该安检终端在接收到待检测物的识别结果后，在显示屏的显示界面进行渲染，以显示该识别结果。
在本发明实施例提供的技术方案中，首先利用预处理减小外界环境因素的影响，然后通过基于卷积神经网络的深度学习模型提取物品特征，并利用该深度学习模型训练的分类器对待检测物进行识别，这样实现了对违禁品的自动识别检测，且在提高识别效率的同时，有效保证了对违禁品识别的准确性，预防了安全隐患的发生。
实施例二：
图2示出了本发明实施例提供的安检检测装置的结构示意图。如图2所示，该安检检测装置包括：
预处理模块11，用于获取安检终端接收到的安检机内的x光机采集的x光图像，对该x光图像进行预处理，得到预处理后的x光图像；
特征提取模块12，用于根据预设的深度学习模型提取上述预处理后的x光图像中对应的待检测物的物品特征，该预设的深度学习模型包括基于卷积神经网络的深度学习模型；
结果识别模块13，用于利用基于上述预设的深度学习模型训练的分类器对上述物品特征进行识别，生成对应待检测物的识别结果；
结果显示模块14，用于将上述待检测物的识别结果发送至安检终端，以使安检终端显示该识别结果。
上述基于卷积神经网络的深度学习模型是通过数量超过一定阈值的物品样本数据训练得到的，该物品样本数据包括不同形态的违禁品对应的x光图片。其中，违禁品的不同形态包括如枪支拆分成各个零部件的状态、刀具折叠的状态等。在一个优选的实施例中，上述基于卷积神经网络的深度学习模型可以通过caffe深度学习框架实现。
在本发明实施例提供的技术方案中，首先利用预处理减小外界环境因素的影响，然后通过基于卷积神经网络的深度学习模型提取物品特征，并利用该深度学习模型训练的分类器对待检测物进行识别，这样实现了对违禁品的自动识别检测，且在提高识别效率的同时，有效保证了对违禁品识别的准确性，预防了安全隐患的发生。
实施例三：
图3示出了本发明实施例提供的安检检测系统的通信连接图。如图3所示，该安检检测系统包括：包括安检机400、安检终端500及安检识别设备600，该安检机的安检箱内设置有x光机700，安检识别设备包括如实施例二中的安检检测装置；x光机、安检识别设备分别与安检终端连接。
x光机，用于采集经过安检机的安检通道的待检测物的x光图像，将该x光图像发送至所述安检终端。
安检终端，用于当监听到接收的上述x光图像时，将x光图像发送至安检识别设备；还用于接收安检识别设备发送的待检测物的识别结果，将该识别结果通过显示屏显示。
在本发明实施例提供的技术方案中，首先利用预处理减小外界环境因素的影响，然后通过基于卷积神经网络的深度学习模型提取物品特征，并利用该深度学习模型训练的分类器对待检测物进行识别，这样实现了对违禁品的自动识别检测，且在提高识别效率的同时，有效保证了对违禁品识别的准确性，预防了安全隐患的发生。
在一个可选的实施例中，上述识别结果包括违禁品和非违禁品两种类型；上述安检检测系统还包括报警装置800，该报警装置与安检终端连接。
具体地，该安检终端还用于当接收到的上述识别结果为违禁品时，发送报警信号至报警装置，以使报警装置进行报警提示。其中报警装置的报警方式包括灯光报警、语音报警或者图文显示报警。
在另一个可选的实施例中，安检机的安检通道的底部设置有压力传感器900，该压力传感器与安检终端连接。
压力传感器用于采集安检通道上承受的压力信息，将压力信息发送至安检终端。安检终端还用于根据该压力信息开启或者关闭x光机。
具体地，当安检通道空载时读取压力传感器的压力数值，将该压力数值作为压力阈值，当安检终端接收到的压力传感器发送的压力信息超过该压力阈值时，说明有待检测物将要通过安检通道，则开启x光机，以使该x光机采集待检测物的x光图像。当安检终端接收到的压力传感器发送的压力信息恢复到该压力阈值时，说明待检测物已经从安检通道上被取走，关闭该x光机。这样，实现了x光机的自动打开与关闭，起到了节约能源和延长机器使用寿命的作用。
在一个实施例中，上述安检识别设备包括nvidiajetsontx2芯片，该芯片在低功耗的同时保持了强大的运算能力，可以实现在毫秒级识别x光图片中的违禁物品。整个核心仅有信用卡大小，既可在不对现有x光机进行改造的基础上实现违禁品的实时识别，又可与x光机整合在一起提供识别服务。
实施例四：
参见图4，本发明实施例还提供一种电子设备100，包括：处理器40，存储器41，总线42和通信接口43，所述处理器40、通信接口43和存储器41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块，例如计算机程序。
其中，存储器41可能包含高速随机存取存储器(ram，randomaccessmemory)，也可能还包括非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线42可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器41用于存储程序，所述处理器40在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中，或者由处理器40实现。
处理器40可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessing，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现成可编程门阵列(field-programmablegatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器40读取存储器41中的信息，结合其硬件完成上述方法的步骤。
本发明实施例提供的安检检测装置、系统及电子设备，与上述实施例提供的安检检测方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
本发明实施例所提供的进行安检检测方法的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置、系统及电子设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
附图中的流程图和框图显示了根据本发明的多个实施例方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。