[发明专利]货物检测方法及装置、电子设备和计算机可读介质

说明书

本公开涉及人工智能神经网络领域，提供了一种货物检测方法、装置以及电子设备和计算机可读介质，该货物检测方法包括：通过辐射成像技术获取集装箱车厢图像，基于所述集装箱车厢图像确定货物图像块；将所述货物图像块输入基于卷积神经网络训练的特征提取器以提取所述货物图像块的图像特征；将所述货物图像块的图像特征与所述特征提取器提取的对比货物的特征库作比较以确定所述集装箱车厢图像中的货物类别与所述对比货物类别的一致性。采用本公开提供的货物检测方法，可以快速、有效的确认集装箱车厢中货物类别与对比货物类别是否一致。

技术领域

本公开涉及人工智能神经网络领域，尤其涉及一种货物检测方法及装置、电子设备和计算机可读介质。

背景技术

在海关检查中，通常需要检测集装箱中是否夹藏着危险品、违禁品以及检查集装箱中所装货物与申报不符的情况。在日吞吐量极大地海关检查中，为了检测集装箱中货物的情况与申报情况是否相符，通常需要对集装箱中的货物类别进行自动检测。目前市场上主要使用基于Fisher vector特征的传统方法提取集装箱中货物的图像特征来进行类别判断或者使用基于深度学习方法对集装箱货物直接分类实现对集装箱中的货物的类别检测。

然而，基于Fisher vector特征的传统方法不能有效地对不同种类的图像进行分类，导致使用该方法进行的智能查验识别率低。另外，基于深度学习方法训练分类模型时会因为训练数据分布不均衡导致训练出来的模型效果极差，而且基于深度学习方法训练需要大量货物图像，导致每次训练时间过长。此外在货物检查中，经常或有新增货物类别，一旦新增货物类别就需要重新基于深度学习方法训练分类模型，这不仅会耗费大量时间还会增大训练难度。

基于以上情况，找到一种快速、便捷地检测集装箱中货物类别的方法变得极为重要。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本公开提供一种货物检测方法及装置、电子设备和计算机可读介质，可以有效的实现对大型集装箱车厢图片中的货物类别进行对比识别。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开实施例一个方面，提出一种货物检测方法，该方法包括：通过辐射成像技术获取集装箱车厢图像，基于所述集装箱车厢图像确定货物图像块；将所述货物图像块输入基于卷积神经网络训练的特征提取器以提取所述货物图像块的图像特征；将所述货物图像块的图像特征与所述特征提取器提取的对比货物的特征库作比较以确定所述集装箱车厢图像中的货物类别与所述对比货物类别的一致性。

在本公开的一种示例性实施例中所述基于所述集装箱车厢图像确定货物图像块包括；使用固定大小的滑窗，按照固定步长在所述集装箱车厢图像中提取图像块；判断所述图像块的最大灰度值和最小灰度值的差值是否大于差值阈值，如果是，则将所述图像块平均分为多个灰度小块；判断所述图像块的灰度小块中空小块的个数是否小于个数阈值，如果是，则判断所述图像块为货物图像块。

在本公开的一种示例性实施例中，所述判断所述图像块的灰度小块中空小块的个数是否小于个数阈值包括：获取所述灰度小块中灰度值大于灰度阈值的点的个数比例；如果所述个数比例大于个数比例阈值，则判断所述灰度小块为空小块。

在本公开的一种示例性实施例中，货物检测方法还包括：获取对比货物的辐射图像，基于所述对比货物的辐射图像确定对比货物图像块；将所述对比货物图像块输入所述基于卷积神经网络训练的特征提取器以提取所述对比货物图像块的图像特征；多次使用多层次k-means聚类方法对所述对比货物图像块的图像特征聚类，以获得多个所述对比货物图像块的图像特征的聚类集合；选择聚类类别最少的聚类集合作为所述对比货物的特征库。