一種基于云計算的X射線違禁品檢測系統的制作方法

本實用新型涉及安檢領域，具體說涉及一種基于云計算的X射線違禁品檢測系統。

背景技術：

我國的安檢工作中X關機安檢設備已得到大規模推廣應用。但是隨著出入境人數的增加，機場規模不斷擴大，入境外來有害生物入侵事件逐年急劇增多。根據《2015 年中國快遞行業發展現狀分析》統計數據顯示， 2010 年快遞日最高處理量1000 萬件， 2011 年1800 萬件， 2012 年3000 萬件，根據2013年海關統計數據，除傳統貨運渠道，我國進出口郵件（包裹）已超過5億個；2014年我國快遞140億件，成為世界第一快遞、物流大國。據有關部門統計，2013年共截獲植物有害生物39種、235次，多次截獲西部莧、豚草和松材線蟲等檢疫性有害生物；截獲禁止進境物409批次、101個品種、755.3公斤，截獲問題郵件41批次。如此繁重的工作強度，增加了工作人員的勞動強度，并且由于安檢人員技術水平層次不齊或者長時間工作過于疲勞等因素容易造成漏檢、誤檢；對于槍支、刀具等違禁品的查驗及進口動植物的檢驗檢疫仍依賴于人工對X光機圖像進行查看，工作強度大，工作效率低；目前，公共安全領域安檢物品通過X光機的安檢圖像主要保存在PC機上，而上傳到服務器中的X光機圖像每天以翻倍的數據量在增長，對系統檢索、讀取造成了很大壓力；為有效提高查驗效率及檢出率，確保國內檢驗安全，需要一種智能、高效、快速的檢驗設備來完成相關工作。

技術實現要素：

針對現有技術存在的問題，本實用新型目的在于提供一種基于云計算的X射線違禁品檢測系統。

本實用新型所要解決的技術問題是通過以下方案實現的：

提出一種基于云計算的X射線違禁品檢測系統，包括圖像獲取單元，違禁品判別標定單元，聲光報警單元，顯示單元，深度學習單元；其中，所述圖像獲取單元用以獲取檢測物的可見光圖片和X光機圖片；所述違禁品判別標定單元用以識別所述圖像獲取單元獲取的可見光圖片和X光機圖片是否具有違禁品并在X光機圖片上自動標出違禁品位置；所述聲光報警單元用于對所述違禁品判別標定單元識別出的違禁品發出聲光報警；所述顯示單元用以顯示所述違禁品判別標定單元處理后的檢測物的可見光圖片和X光機圖片；所述深度學習單元設置數據存儲模塊，中央處理模塊和數據查詢模塊，用以存儲，查詢，運算，處理，累計學習所述圖像獲取單元，違禁品判別標定單元，聲光報警單元及顯示單元的數據信息。

上述的一種基于云計算的X射線違禁品檢測系統中，所述圖像獲取單元設置攝像頭和X光機。

上述的一種基于云計算的X射線違禁品檢測系統中，所述聲光報警單元設置報警燈和報警器。

上述的一種基于云計算的X射線違禁品檢測系統中，所述顯示單元還顯示所述違禁品判別標定單元標定的違禁品圖片位置。

上述的一種基于云計算的X射線違禁品檢測系統中，所述顯示單元設置顯示屏和/或移動終端。

上述的一種基于云計算的X射線違禁品檢測系統中，所述中央處理模塊采用深度學習技術包含至少一個隱層的深度學習模型，將任務分解成至少一個抽象層次處理。初步識別圓狀水果、粉末狀物品、管制刀具、槍支的特征，運用基于深度神經網絡及算法優化，將初步識別的物品特征不斷進行數據累計與算法迭代，快速識別物品特征。

相對于現有技術本實用新型的有益效果是：

1）具有智能快速識別圓狀水果、粉末狀物品、管制刀具、槍支等違禁品功能，可發出聲光報警，并在X光機圖片上自動標出違禁品位置；

2）具有自主學習功能，通過對識別出的圓狀水果、粉末狀物品、管制刀具、槍支等特征不斷進行數據累計與算法迭代，實現違禁品檢測的精、準、快。

附圖說明

圖1為本實用新型基于云計算的X射線違禁品檢測系統的結構示意圖。

圖2為深度學習單元含多個隱層的深度學習模型示意圖。

具體實施方式

為了使本實用新型的目的、技術方案及優點更加清楚明白，一下結合附圖及實施例，對本實用新型進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本實用新型，并不用于限定本實用新型。

如圖1所示，本實用新型提出一種基于云計算的X射線違禁品檢測系統包括圖像獲取單元，違禁品判別標定單元，聲光報警單元，顯示單元，深度學習單元；其中，所述圖像獲取單元用以獲取檢測物的可見光圖片和X光機圖片；所述違禁品判別標定單元用以識別所述圖像獲取單元獲取的可見光圖片和X光機圖片是否具有違禁品并在X光機圖片上自動標出違禁品位置；所述聲光報警單元用于對所述違禁品判別標定單元識別出的違禁品發出聲光報警；所述顯示單元用以顯示所述違禁品判別標定單元處理后的檢測物的可見光圖片和X光機圖片；所述深度學習單元設置數據存儲模塊，中央處理模塊和數據查詢模塊，用以存儲，查詢，運算，處理，累計學習所述圖像獲取單元，違禁品判別標定單元，聲光報警單元及顯示單元的數據信息。

圖像獲取單元獲取待檢測物的可見光圖像和/或X光機圖像，通過有線通信或無線通信的方式傳輸至違禁品判別標定單元及深度學習單元，如果待檢測物含有違禁品，違禁品判別標定單元自動在X光機圖像上標出違禁品位置并在顯示單元上進行顯示，同時聲光報警單元發出報警。深度學習單元將檢測物所有信息進行存儲，并持續將數據累計與算法迭代，形成含多個隱層的深度學習模型，將任務分解成多個抽象層次處理，進而調整物體專屬參數。

優選地，所述圖像獲取單元設置攝像頭和X光機。

優選地，所述聲光報警單元設置報警燈和報警器。

優選地，所述顯示單元設置顯示屏和/或移動終端。

優選地，所述顯示單元還顯示所述違禁品判別標定單元標定的違禁品圖片位置。

優選地，所述中央處理模塊采用深度學習技術包含至少一個隱層的深度學習模型，將任務分解成至少一個抽象層次處理。

如圖2所示，含多個隱層的深度學習模型示意圖，深度學習單元采用深度學習技術初步識別圓狀水果、粉末狀物品、管制刀具、槍支的特征，將任務分解成多個抽象層次去處理，運用基于深度神經網絡及算法優化，將初步識別的物品特征不斷進行數據累計與算法迭代，組合底層特征形成更加抽象的高層表示屬性類別或者特征，訓練軟件調整物品的專屬參數，快速識別物品特征。

上述方式中未述及的有關內容采取或借鑒已有技術即可實現。

以上實施方式僅用于說明本實用新型，而并非對本實用新型的限制，有關技術領域的普通技術人員，在不脫離本實用新型的精神和范圍的情況下，還可以做出各種變化和變型，因此所有等同的技術方案也屬于本實用新型的保護范疇。