[go: up one dir, main page]

CN115078414B - 基于多能量x射线的液体成分抗干扰智能检测方法 - Google Patents

基于多能量x射线的液体成分抗干扰智能检测方法 Download PDF

Info

Publication number
CN115078414B
CN115078414B CN202210989517.2A CN202210989517A CN115078414B CN 115078414 B CN115078414 B CN 115078414B CN 202210989517 A CN202210989517 A CN 202210989517A CN 115078414 B CN115078414 B CN 115078414B
Authority
CN
China
Prior art keywords
liquid
energy
liquid container
container
value
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.)
Active
Application number
CN202210989517.2A
Other languages
English (en)
Other versions
CN115078414A (zh
Inventor
邓意麒
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.)
Hunan Ke Ke Intelligent Technology Co ltd
Original Assignee
Hunan Ke Ke Intelligent 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 Hunan Ke Ke Intelligent Technology Co ltd filed Critical Hunan Ke Ke Intelligent Technology Co ltd
Priority to CN202210989517.2A priority Critical patent/CN115078414B/zh
Publication of CN115078414A publication Critical patent/CN115078414A/zh
Application granted granted Critical
Publication of CN115078414B publication Critical patent/CN115078414B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明公开了一种基于多能量X射线的液体成分抗干扰智能检测方法，通过对待检测物品分别进行高穿透性照射和低穿透性照射，并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
Figure 100004_DEST_PATH_IMAGE002
与容器的底层数据对应的低能等效原子序数值
Figure 100004_DEST_PATH_IMAGE004
相减从而排除容器对于液体原子序数的干扰，进而得到反映容器内液体的真实底层数据——液体原子序数相对均值
Figure 100004_DEST_PATH_IMAGE006
。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。

Description

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
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
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。
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。
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。
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。
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。
发明内容
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。
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
Figure 508487DEST_PATH_IMAGE001
、X射线低能量值
Figure 258137DEST_PATH_IMAGE002
、高能谱灰度信号图
Figure 524033DEST_PATH_IMAGE003
、低能谱灰度信号图
Figure 929606DEST_PATH_IMAGE004
、空气背景的高能灰度信号值
Figure 962153DEST_PATH_IMAGE005
和空气背景的低能灰度信号值
Figure 441676DEST_PATH_IMAGE006
；各像素点的特征密度
Figure 3108DEST_PATH_IMAGE007
（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。
以及X光机彩色图像
Figure 568081DEST_PATH_IMAGE008
； 采用实例分割算法对X光机彩色图像
Figure 76423DEST_PATH_IMAGE008
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
Figure 800665DEST_PATH_IMAGE008
的位置
Figure 408364DEST_PATH_IMAGE009
和液体容器的类别
Figure 788530DEST_PATH_IMAGE010
，液体容器轮廓区域的外接矩形的左上角点坐标(
Figure 631721DEST_PATH_IMAGE011
)和右下角点坐标
Figure 351415DEST_PATH_IMAGE012
；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；
Figure 254649DEST_PATH_IMAGE013
表示横坐标为
Figure 794215DEST_PATH_IMAGE014
，纵坐标为
Figure 644359DEST_PATH_IMAGE015
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
Figure DEST_PATH_IMAGE017A
和液体容器轮廓区域的低能等效原子序数值
Figure DEST_PATH_IMAGE019A
；
步骤三、计算液体原子序数相对均值
Figure 930810DEST_PATH_IMAGE020
，根据液体原子序数相对均值
Figure 208207DEST_PATH_IMAGE020
得到液体的种类；
Figure 562965DEST_PATH_IMAGE020
计算方法如下：
Figure 279118DEST_PATH_IMAGE021
；
Figure 238983DEST_PATH_IMAGE022
为与容器的类别
Figure 952861DEST_PATH_IMAGE010
相关的常数
Figure 60495DEST_PATH_IMAGE023
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
Figure DEST_PATH_IMAGE017AA
和低能等效原子序数值
Figure DEST_PATH_IMAGE019AA
的计算方法如下：
Figure 423081DEST_PATH_IMAGE024
其中，
Figure 34191DEST_PATH_IMAGE025
表示高能平均质量衰减值，
Figure 653391DEST_PATH_IMAGE026
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；
Figure 785338DEST_PATH_IMAGE027
分别表示液体容器轮廓区域的像素的横坐标和纵坐标。
进一步的改进，
Figure 780976DEST_PATH_IMAGE025
和
Figure 653117DEST_PATH_IMAGE026
的计算方法如下：
Figure 771114DEST_PATH_IMAGE028
Figure 994285DEST_PATH_IMAGE029
其中，
Figure 324773DEST_PATH_IMAGE005
为空气背景的高能灰度信号值，
Figure 644895DEST_PATH_IMAGE006
为空气背景的低能灰度信号值，
Figure 543581DEST_PATH_IMAGE030
为液体容器轮廓区域外接矩形位置对应的高能谱灰度值，
Figure 113103DEST_PATH_IMAGE031
为液体容器轮廓区域外接矩形位置对应的低能谱灰度值，
Figure 388227DEST_PATH_IMAGE005
、
Figure 625173DEST_PATH_IMAGE006
、
Figure 757077DEST_PATH_IMAGE030
和
Figure 954840DEST_PATH_IMAGE031
均为整数且
Figure 892709DEST_PATH_IMAGE032
。
进一步的改进，左上角点坐标(
Figure 859528DEST_PATH_IMAGE011
)和右下角点坐标
Figure 959071DEST_PATH_IMAGE012
的获得方法如下：
Figure 237606DEST_PATH_IMAGE033
所述外接矩形为液体容器轮廓区域的最小外接矩形。
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。
进一步的改进，当检测得到液体原子序数相对均值
Figure 182428DEST_PATH_IMAGE020
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。
Figure 3753DEST_PATH_IMAGE022
值通过与各不相同的液体容器的类别
Figure 743039DEST_PATH_IMAGE010
进行试验测得。
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
图1为本发明的检测结果图。
具体实施方式
以下结合实施例对本发明作进一步说明。
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
Figure 774449DEST_PATH_IMAGE009
，设其元素个数为
Figure 929487DEST_PATH_IMAGE034
，
Figure 995532DEST_PATH_IMAGE013
表示横坐标为
Figure 312244DEST_PATH_IMAGE014
，纵坐标为
Figure 34212DEST_PATH_IMAGE015
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 (
Figure 869574DEST_PATH_IMAGE011
)和右下角点
Figure 665491DEST_PATH_IMAGE012
。
Figure 12159DEST_PATH_IMAGE035
（1）
Figure 18161DEST_PATH_IMAGE036
（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
Figure 515002DEST_PATH_IMAGE037
和低能平均质量衰减值
Figure 493322DEST_PATH_IMAGE026
，如公式（3）、（4）所示：
Figure 807629DEST_PATH_IMAGE028
（3）
Figure 176293DEST_PATH_IMAGE029
（4）
其中，
Figure 132617DEST_PATH_IMAGE005
为空气背景的高能灰度信号值，
Figure 231023DEST_PATH_IMAGE006
为空气背景的低能灰度信号值，
Figure 185072DEST_PATH_IMAGE030
为最小外接矩形位置对应的高能谱灰度值，
Figure 634508DEST_PATH_IMAGE031
为最小外接矩形位置对应的低能谱灰度值，
Figure 801047DEST_PATH_IMAGE005
、
Figure 753960DEST_PATH_IMAGE006
、
Figure 613331DEST_PATH_IMAGE030
和
Figure 691009DEST_PATH_IMAGE031
均为整数且
Figure 926818DEST_PATH_IMAGE032
。
通过计算进一步得到高能等效原子序数值
Figure DEST_PATH_IMAGE017AAA
和低能等效原子序数值
Figure DEST_PATH_IMAGE019AAA
，如公式（5）、（6）所示：
Figure 254943DEST_PATH_IMAGE038
（5）
Figure 81954DEST_PATH_IMAGE039
（6）
其中，
Figure 646927DEST_PATH_IMAGE001
为X射线高能量值，
Figure 686427DEST_PATH_IMAGE002
为X射线低能量值，
Figure 613932DEST_PATH_IMAGE007
为特征密度值，
Figure 221631DEST_PATH_IMAGE022
为与能量关系很小，与容器的类别
Figure 398534DEST_PATH_IMAGE010
相关的常数。
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。
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
Figure DEST_PATH_IMAGE017AAAA
与容器的底层数据对应的低能等效原子序数值
Figure DEST_PATH_IMAGE019AAAA
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
Figure 100780DEST_PATH_IMAGE040
，计算公式如（7）所示：
Figure 882791DEST_PATH_IMAGE021
（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。
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。

Claims (6)

1.一种基于多能量X射线的液体成分抗干扰智能检测方法，其特征在于，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
Figure DEST_PATH_IMAGE001
、X射线低能量值
Figure DEST_PATH_IMAGE002
、高能谱灰度信号图
Figure DEST_PATH_IMAGE003
、低能谱灰度信号图
Figure DEST_PATH_IMAGE004
、空气背景的高能灰度信号值
Figure DEST_PATH_IMAGE005
、空气背景的低能灰度信号值
Figure DEST_PATH_IMAGE006
和X光机彩色图像
Figure DEST_PATH_IMAGE007
，并同时输出X光机彩色图像
Figure 718563DEST_PATH_IMAGE007
中像素点的特征密度
Figure DEST_PATH_IMAGE008
； 采用实例分割算法对X光机彩色图像
Figure 261802DEST_PATH_IMAGE007
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
Figure 572698DEST_PATH_IMAGE007
的位置
Figure DEST_PATH_IMAGE009
和液体容器的类别
Figure DEST_PATH_IMAGE010
，液体容器轮廓区域的外接矩形的左上角点坐标
Figure DEST_PATH_IMAGE011
和右下角点坐标
Figure DEST_PATH_IMAGE012
；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；
Figure DEST_PATH_IMAGE013
表示横坐标为
Figure DEST_PATH_IMAGE014
，纵坐标为
Figure DEST_PATH_IMAGE015
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
Figure DEST_PATH_IMAGE016
和液体容器轮廓区域的低能等效原子序数值
Figure DEST_PATH_IMAGE017
；
步骤三、计算液体原子序数相对均值
Figure DEST_PATH_IMAGE018
，根据液体原子序数相对均值
Figure 732022DEST_PATH_IMAGE018
得到液体的种类；
Figure 77552DEST_PATH_IMAGE018
计算方法如下：
Figure DEST_PATH_IMAGE019
；
Figure DEST_PATH_IMAGE020
为与容器的类别
Figure 759069DEST_PATH_IMAGE010
相关的常数；N表示液体容器轮廓区域内的像素点数量。
2.如权利要求1所述的基于多能量X射线的液体成分抗干扰智能检测方法，其特征在于，所述步骤二中，高能等效原子序数值
Figure DEST_PATH_IMAGE021
和低能等效原子序数值
Figure DEST_PATH_IMAGE022
的计算方法如下：
Figure DEST_PATH_IMAGE023
其中，
Figure DEST_PATH_IMAGE024
表示高能平均质量衰减值，
Figure DEST_PATH_IMAGE025
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；
Figure DEST_PATH_IMAGE026
分别表示液体容器轮廓区域的像素的横坐标和纵坐标。
3.如权利要求2所述的基于多能量X射线的液体成分抗干扰智能检测方法，其特征在于，
Figure DEST_PATH_IMAGE027
和
Figure 446009DEST_PATH_IMAGE025
的计算方法如下：
Figure DEST_PATH_IMAGE028
Figure DEST_PATH_IMAGE029
其中，
Figure DEST_PATH_IMAGE030
为液体容器轮廓区域外接矩形位置对应的高能谱灰度值，
Figure DEST_PATH_IMAGE031
为液体容器轮廓区域外接矩形位置对应的低能谱灰度值，
Figure 457959DEST_PATH_IMAGE005
、
Figure 657996DEST_PATH_IMAGE006
、
Figure 57884DEST_PATH_IMAGE030
和
Figure 343372DEST_PATH_IMAGE031
均为整数且
Figure DEST_PATH_IMAGE032
。
4.如权利要求2所述的基于多能量X射线的液体成分抗干扰智能检测方法，其特征在于，左上角点坐标(
Figure DEST_PATH_IMAGE033
)和右下角点坐标(
Figure DEST_PATH_IMAGE034
)的获得方法如下：
Figure DEST_PATH_IMAGE035
所述外接矩形为液体容器轮廓区域的最小外接矩形。
5.如权利要求1所述的基于多能量X射线的液体成分抗干扰智能检测方法，其特征在于，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。
6.如权利要求1所述的基于多能量X射线的液体成分抗干扰智能检测方法，其特征在于，当检测得到液体原子序数相对均值
Figure 624924DEST_PATH_IMAGE018
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。
CN202210989517.2A 2022-08-18 2022-08-18 基于多能量x射线的液体成分抗干扰智能检测方法 Active CN115078414B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210989517.2A CN115078414B (zh) 2022-08-18 2022-08-18 基于多能量x射线的液体成分抗干扰智能检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210989517.2A CN115078414B (zh) 2022-08-18 2022-08-18 基于多能量x射线的液体成分抗干扰智能检测方法

Publications (2)

Publication Number Publication Date
CN115078414A CN115078414A (zh) 2022-09-20
CN115078414B true CN115078414B (zh) 2022-11-04

Family

ID=83244894

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210989517.2A Active CN115078414B (zh) 2022-08-18 2022-08-18 基于多能量x射线的液体成分抗干扰智能检测方法

Country Status (1)

Country Link
CN (1) CN115078414B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115420761B (zh) * 2022-11-07 2023-02-24 安徽启新明智科技有限公司 汽油与水区分网络的训练方法、汽油与水区分方法
CN119361006B (zh) * 2024-12-23 2025-04-25 杭州海康威视数字技术股份有限公司 一种液体识别方法、装置、存储介质和电子设备

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB9200828D0 (en) * 1992-01-15 1992-03-11 Image Research Ltd Improvements in and relating to material identification using x-rays
JPH0868768A (ja) * 1994-08-30 1996-03-12 Hitachi Medical Corp Ｘ線荷物検査装置
CN102565107B (zh) * 2007-10-05 2014-08-27 清华大学 液态物品检查方法和设备
CN101435783B (zh) * 2007-11-15 2011-01-26 同方威视技术股份有限公司 物质识别方法和设备
CN101509880A (zh) * 2009-03-25 2009-08-19 公安部第一研究所 一种应用x射线的多效应探测融合技术的安全检查系统
GB2490635B (en) * 2010-02-25 2017-01-18 Rapiscan Systems Inc A high-energy x-ray spectroscopy-based inspection system to determine the atomic number of materials
CN106353828B (zh) * 2015-07-22 2018-09-21 清华大学 在安检系统中估算被检查物体重量的方法和装置
CN107345925B (zh) * 2016-05-05 2019-10-15 同方威视技术股份有限公司 液体检测方法和系统
CN107271467A (zh) * 2017-07-26 2017-10-20 公安部第三研究所 一种基于x射线透视和散射技术的危险液体识别方法及系统
CN113781426B (zh) * 2021-09-07 2024-02-13 海深智能科技(上海)有限公司 一种识别液体成分的智能安检方法

Also Published As

Publication number Publication date
CN115078414A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN115078414B (zh) 基于多能量x射线的液体成分抗干扰智能检测方法
JP5932110B2 (ja) 原石のインクルージョンを検出／同定する方法および機器
US9170212B2 (en) Method and system for performing inspection of a liquid product at a security checkpoint
US10042079B2 (en) Image-based object detection and feature extraction from a reconstructed charged particle image of a volume of interest
Hardcastle et al. FRII radio galaxies with z< 0.3-I. Properties of jets, cores and hotspots
US8964171B2 (en) Identifying and measuring reticulocytes
US20220381672A1 (en) Accounting for errors in optical measurements
US8345227B2 (en) Measuring volume and constituents of cells
EP2696196A1 (en) Method and system for performing X-ray inspection of a liquid product at a security checkpoint
CN113159110A (zh) 一种基于x射线液体智能检测方法
Gray et al. Confocal measurement of the three‐dimensional size and shape of plant parenchyma cells in a developing fruit tissue
CA2135470A1 (en) Dynamic fluid level and bubble inspection for quality and process control
CA2692662C (en) Method and system for performing x-ray inspection of a liquid product at a security checkpoint
CA2709468C (en) Method and system for performing x-ray inspection of a liquid product at a security checkpoint
Yang et al. An RGB channel operation for removal of the difference of atmospheric scattering and its application on total sky cloud detection
CN1682103A (zh) 检测热灌注装瓶操作的密闭完整性的方法
CN115170804A (zh) 基于深度学习的表面缺陷检测方法、装置、系统和介质
CN120071160A (zh) 一种用于海洋废弃物的数字化溯源方法及系统
CN113781426B (zh) 一种识别液体成分的智能安检方法
CN109580099B (zh) 一种基于光学相干断层扫描图像的真空包装漏气检测方法
CN113124753A (zh) 一种体积测量方法和装置
CN113409239A (zh) 一种基于辐射成像的集装箱空箱检测方法
CN119354107A (zh) 基于x光图像的液态违禁品体积测量方法
CN115420761B (zh) 汽油与水区分网络的训练方法、汽油与水区分方法
CN116258974B (zh) 基于cfar指导的yolo网络sar图像目标检测方法

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
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Intelligent Detection Method for Anti Interference of Liquid Components Based on Multi energy X-ray

Granted publication date: 20221104

Pledgee: Bank of Changsha Limited by Share Ltd. Wangcheng branch

Pledgor: Hunan Ke Ke Intelligent Technology Co.,Ltd.

Registration number: Y2024980001307

PE01 Entry into force of the registration of the contract for pledge of patent right