具体实施方式

为使本发明的目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域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。

如图1所示，本发明一方面提供一种违禁品筛选方法，方法包括：

步骤101，确定被测物在安检之前的第一标记；

步骤102，对被测物执行安检操作，确定被测物对应的物体图像以及已安检数量，其中物体图像用于确定被测物是否包含违禁品；

步骤103，确定被测物在安检之后的第二标记；

步骤104，在基于第一标记、已安检数量和第二标记确定物体图像中包含多个被测物的情况下，对所述物体图像中的各个被测物重新设置第二标记；

步骤105，确定多个被测物的物体图像中包含违禁品的目标被测物。

本实施例中，本方法主要应用于安检设备，用于检查被测物中的违禁品，包括感染性物品、放射性物品、腐蚀品、管制刀具等。

在步骤101中，在被测物进入安检之前，首先获取到被测物的第一标记，其中第一标记可以为被测物依次进入到安检机的安检序号，安检序号的获取方式可以是在被测物进入安检设备入口时由预装在安检设备上的感知元件触发计数生成，其中感知元件可以是压力传感器或者红外传感器，但不仅限于此。安检序号的获取方式还可以是扫描预先安装在每个被测物上的特定标记物(例如二维码)获取。

在步骤102中，在获取到每个被测物的第一标记之后，被测物移入安检机，对被测物进行违禁品扫描，扫描方式为利用X射线对被测物进行照射，生成对应的物体图像，同时记录已安检数量，接着可通过人工检查或者图像识别的方式判断被测物中是否包含违禁品。

在步骤103中，在被测物安检完成之后，此时，获取到被测物中的第二标记，第二标记可以表示被测物安检后的安检序号，安检序号的获取方式可以是在被测物在安检过程中由预装在安检设备上的感知元件触发计数生成，其中感知元件可以是压力传感器或者红外传感器，但不仅限于此。安检序号的获取方式还可以是扫描预先安装在每个被测物上的特定标记物(例如二维码)获取，还可以是在X射线照射的同时记录安检序号。

在步骤104中，在获取到第一标记、已安检数量和第二标记之后，进一步基于第一标记、已安检数量和第二标记判断所述物体图像中是否包含多个被测物。

是否包含多个被测物的判断过程为：

首先定义第一标记、第二标记均为序号，并且被测物从入口处到安检设备内X射线触发点之间的距离为成像段。

定义：第一标记为X，第二标记为Y，已安检数量为N，被测物为包裹。

以y数值每次+1的时刻为观察点(非初始状态)，记录时刻t时的状态为X_t、Y_t、N_t。

1、在t+1时刻：若此时X_t+1＝Y_t+1(成像段无包裹)，N_t+1-N_t＝0(此时刻未生成图像)，说明第Y_t+1个包裹漏成像，标记该包裹；

2、在t+1时刻：若此时X_t+1＞Y_t+1(成像段内还有包裹)，N_t+1-N_t＝0(此时刻未生成图像)，说明Y_t+1号包裹成像异常(可能有遗漏或者与后面的包裹成一张像)，标记该包裹(记录y值)；

3、在t+2时刻，此时Y的值为Y_t+2，若此时N_t+2-N_t+1＝1(此时刻生成图像)，说明Y_t+1～Y_t+n(整数)号包裹成像在一张图上，即物体图像中包含了多个包裹。

在确定所述物体图像中包含多个被测物的情况下，对每个被测物重新设置第二标记，设置方法具体可以是：首先可以通过基于深度学习的神经网络对物体图像进行物体识别，获取到被测物以及位置信息，根据位置信息给每个被测物重新设置第二标记，其中深度学习的神经网络需要预先进行训练，训练数据为包含多个被测物的图像信息。

在步骤105中，在给每个被测物重新设置第二标记之后，对每个被测物检测物体图像中是否包含违禁品，具体可以通过现有的算法(如平均绝对差算法(MAD)、绝对误差和算法(SAD)、误差平方和算法(SSD)、平均误差平方和算法(MSD))将被测物图像与违禁品图像进行图像相似度比较，以确定包含违禁品的目标被测物。

由此，本方案通过确定被测物的第一标记、已安检数量和第二标记，给物体图像中的多个被测物进行重新设置第二标记，进而再对每个被测物进行判断是否包含违禁品，进而使得假若被测物中存在违禁品，便可以对其进行定位，提高安检效率。

在一可实施方式中，确定多个被测物的物体图像中包含违禁品的目标被测物，包括：

对物体图像进行切片处理，以确定物体图像中包含被测物的数量以及各个相邻被测物之间的间隔距离；

基于数量以及间隔距离，对物体图像中每个被测物执行安检操作，以确定物体图像中包含违禁品的目标被测物。

本实施例中，步骤105中确定目标被测物的优选方法为：

首先对物体图像进行切片处理，即将物体图像中将各个被测物进行筛选，切片方式可以通过上述经神经网络确定被测物之后获取到对应的轮廓位置，并按照轮廓位置进行切片，进而可获取到物体图像中包含被测物的数量以及各个相邻被测物之间的间隔距离。

基于数量和间隔距离，便可确定每个被测物的安检顺序，并按照安检顺序对每个被测物执行安检操作，以确定物体图像中包含违禁品的目标被测物。

在一可实施方式中，在确定物体图像中包含违禁品的目标被测物之后，方法还包括：

基于目标被测物的第二标记，将目标被测物移至目标区域。

本实施例中，在确定目标被测物之后，记录目标被测物的第二标记。

目标被测物的剔除方式可以是通过在安检设备的出口处安置剔除设备以及计数器，其中计数器可以记录被测物经安检设备移动至剔除设备的序号，由此当计数器记录的序号与目标被测物的第二标记一致时，剔除设备便可将目标被测物移至目标区域，以方便工作人员对获取目标被测物。

在一可实施方式中，对物体图像中的各个被测物重新设置第二标记，包括：

基于数量、间隔距离以及被测物在安检之后的第二标记的生成时间，重新设置物体图像中的各个被测物的第二标记。

本实施例中，步骤104中对物体图像中的各个被测物重新设置第二标记的优选方式为：

获取到物体影像中各个被测物的数量、间隔距离被测物在安检之后的第二标记的生成时间，其中数量以及间隔距离的具体获取方式已经在上述阐述，生成时间可以在确定第二标记的同时记录。

基于第二标记的生成时间，其中第二标记一般为物体影像中第一个被测物的标记，基于第一个被测物的生成时间，再根据数量以及间隔距离，推算出物体影像中剩余每个被测物的生成时间，进而基于生成时间的时间顺序确定出物体影像中剩余每个被测物的第二标记。

在一可实施方式中，确定物体图像中包含违禁品的目标被测物，包括：

通过深度学习网络模型对物体影像进行违禁品识别，确定被测物中是否包含违禁品。

本实施例中，违禁品的检测方式具体为：

通过安检机对被测物进行X射线检查之后，将生成每个被测物对应的物体影像，其中物体影像中主要包括被测物内每个物品的轮廓图案。

针对物体影像，通过深度学习网络模型对物体影像进行违禁品识别，以检测被测物中是否包含违禁品，其中深度学习网络模型具体为已经训练完成的模型，具体可以是卷积神经网络、自编码神经网络等等。

深度学习网络模型的训练过程为：

预备大量的训练数据，包括大量包含违禁品的物体影像和对应每个物体影像的违禁品标签。

将大量的训练数据输入到深度学习网络模型中进行预训练，以不断调整模型中相关权重参数，当识别成功率达到预设阈值时，可认定该模型训练结束。

本发明另一方面提供一种安检设备，结合图2所示，设备包括安检装置、传送带、第一计数器、第二计数器和控制模块；

传送带设置在安检装置的通道内，用于将被测物穿设安检装置的通道；

第一计数器设置在通道入口，用于确定被测物在安检之前的第一标记；

安检装置包含安检腔、X射线源和X射线探测板，用于对被测物执行安检操作，确定被测物对应的物体图像以及已安检数量，其中物体图像用于确定被测物是否包含违禁品；

第二计数器设置在X射线探测板后侧，紧邻X射线探测板，用于确定被测物在安检之后的第二标记；

控制模块连接于第一计数器、第二计数器和安检装置，用于在基于第一标记、已安检数量和第二标记确定物体图像中包含多个被测物的情况下，对物体图像中的各个被测物重新设置第二标记。

本实施例中，安检装置具体为安检机，安检机广泛应用于机场、火车站、地铁站、汽车站、政府机关大楼、大使馆、会议中心、会展中心、酒店、商场、大型活动、邮局、学校、物流行业、工业检测等。

传送带具体安装在安检装置的下方，用于将被测物从安检装置的一侧传送至另一侧。

第一计数器具体主要为红外传感器、压力传感器等等，具体安装在安检装置的通道入口，当被测物通过传送带运输至通道入口时，第一计数器检测到被测物或者被测物的压力，将检测到的次数作为被测物在安检之前的第一标记。

安检装置还包括X射线源和X射线探测板，其中X射线源位于安检装置的顶部，X射线探测板位于安检装置的底部。X射线探测板用于感知被测物已进入安检装置内，指示X射线源对被测物进行影像拍摄，并记录已安检数量。

第二计数器同样具体主要为红外传感器、压力传感器等等，具体安装在安检装置的通道中X射线探测板的移动后端，以当X射线拍摄的同时第二计数器检测到被测物或者被测物的压力，并将检测到的次数作为被测物在安检后的第二标记。

控制模块为数据处理的信息中心，可安装于安检装置内。控制模块同时连接第一计数器、第二计数器和安检装置，用于获取到第一计数器获取的第一标记、第二计数器获取的第二标记、安检装置所记录的已安检数量，判断物体影像中是否同时包含多个被测物，在判定物体影像中同时包含多个被测物的情况下，对所述物体图像中的各个被测物重新设置第二标记，其中是否包含多个被测物的判断过程以及重新设置第二标记的过程已经在上述阐明，不再重复赘述。

由此，本方案通过确定被测物的第一标记、已安检数量和第二标记，给物体图像中的多个被测物进行重新设置第二标记，进而再对每个被测物进行判断是否包含违禁品，进而使得假若被测物中存在违禁品，便可以对其进行定位，提高安检效率。

在一可实施方式中，控制模块还用于确定物体图像中多个被测物的中包含违禁品的目标被测物，且记录目标被测物对应的第二标记。

本实施例中，目标被测物可以通过现有的算法(如平均绝对差算法(MAD)、绝对误差和算法(SAD)、误差平方和算法(SSD)、平均误差平方和算法(MSD))将被测物图像与违禁品图像进行图像相似度比较判断得到。

在确定目标被测物之后，还将记录目标被测物对应的第二标记，以作为后续的剔除步骤的参数依据。

在一可实施方式中，设备还包括第三计数器和剔除装置；

第三计数器设置在安检装置的出口处，并且与第二技术器之间设有预设距离，用于确定被测物安检完成之后的第三标记；

剔除装置设置在传送带移动末端，连接于控制模块，用于基于目标被测物对应的第二标记和第三标记将目标被测物移至目标区域。

本实施例中，第三计数器同样具体主要为红外传感器、压力传感器等等，安装在安检装置的出口处，最优安装在传送带的移动末端，用于记录被测物安检完成之后的第三标记，第三标记也如同第一标记、第二标记，优选为记录被测物安检完成之后的序号。

剔除装置优选为斜摆轮机，具体安装在传送带的移动末端，且紧挨着第三计数器，进而尽可能使得第三计数器的计数时间与剔除动作同步。

执行目标被测物的剔除动作的过程为：

目标被测物依次经过第二计数器和第三计数器时，分别被记录第二标记和第三标记，在控制模块判定第二标记和第三标记相同的情况下，控制模块向剔除装置发送一个剔除指令，进而剔除装置将目标被测物移至目标区域。

本发明另一方面提供一种违禁品筛选装置，结合图3所示，装置包括：

第一标记模块201，用于确定被测物在安检之前的第一标记；

安检模块202，用于对被测物执行安检操作，确定被测物对应的物体图像以及已安检数量，其中物体图像用于确定被测物是否包含违禁品；

第二标记模块203，用于确定被测物在安检之后的第二标记；

重置模块204，用于在基于第一标记、已安检数量和第二标记确定物体图像中包含多个被测物的情况下，对物体图像中的各个被测物重新设置第二标记；

检查模块205，用于确定多个被测物的物体图像中包含违禁品的目标被测物。

本实施例中，本方法主要应用于安检设备，用于检查被测物中的违禁品，包括感染性物品、放射性物品、腐蚀品、管制刀具等。

在第一标记模块201中，在被测物进入安检之前，首先获取到被测物的第一标记，其中第一标记可以为被测物依次进入到安检机的安检序号，安检序号的获取方式可以是在被测物进入安检设备入口时由预装在安检设备上的感知元件触发计数生成，其中感知元件可以是压力传感器或者红外传感器，但不仅限于此。安检序号的获取方式还可以是扫描预先安装在每个被测物上的特定标记物(例如二维码)获取。

在安检模块202中，在获取到每个被测物的第一标记之后，被测物移入安检机，对被测物进行违禁品扫描，扫描方式为利用X射线对被测物进行照射，生成对应的物体图像，同时记录已安检数量，接着可通过人工检查或者图像识别的方式判断被测物中是否包含违禁品。

在第二标记模块203中，在被测物安检完成之后，此时，获取到被测物中的第二标记，第二标记可以表示被测物安检后的安检序号，安检序号的获取方式可以是在被测物在安检过程中由预装在安检设备上的感知元件触发计数生成，其中感知元件可以是压力传感器或者红外传感器，但不仅限于此。安检序号的获取方式还可以是扫描预先安装在每个被测物上的特定标记物(例如二维码)获取，还可以是在X射线照射的同时记录安检序号。

在重置模块204中，在获取到第一标记、已安检数量和第二标记之后，进一步基于第一标记、已安检数量和第二标记判断所述物体图像中是否包含多个被测物。

是否包含多个被测物的判断过程为：

首先定义第一标记、第二标记均为序号，并且被测物从入口处到安检设备内X射线触发点之间的距离为成像段。

定义：第一标记为X，第二标记为Y，已安检数量为N，被测物为包裹。

以y数值每次+1的时刻为观察点(非初始状态)，记录时刻t时的状态为X_t、Y_t、N_t。

1、在t+1时刻：若此时X_t+1＝Y_t+1(成像段无包裹)，N_t+1-N_t＝0(此时刻未生成图像)，说明第Y_t+1个包裹漏成像，标记该包裹；

2、在t+1时刻：若此时X_t+1＞Y_t+1(成像段内还有包裹)，N_t+1-N_t＝0(此时刻未生成图像)，说明Y_t+1号包裹成像异常(可能有遗漏或者与后面的包裹成一张像)，标记该包裹(记录y值)；

3、在t+2时刻，此时Y的值为Y_t+2，若此时N_t+2-N_t+1＝1(此时刻生成图像)，说明Y_t+1～Y_t+n(整数)号包裹成像在一张图上，即物体图像中包含了多个包裹。

在确定所述物体图像中包含多个被测物的情况下，对每个被测物重新设置第二标记，设置方法具体可以是：首先可以通过基于深度学习的神经网络对物体图像进行物体识别，获取到被测物以及位置信息，根据位置信息给每个被测物重新设置第二标记，其中深度学习的神经网络需要预先进行训练，训练数据为包含多个被测物的图像信息。

在检查模块205中，在给每个被测物重新设置第二标记之后，对每个被测物检测物体图像中是否包含违禁品，具体可以通过现有的算法(如平均绝对差算法(MAD)、绝对误差和算法(SAD)、误差平方和算法(SSD)、平均误差平方和算法(MSD))将被测物图像与违禁品图像进行图像相似度比较，以确定包含违禁品的目标被测物。

由此，本方案通过确定被测物的第一标记、已安检数量和第二标记，给物体图像中的多个被测物进行重新设置第二标记，进而再对每个被测物进行判断是否包含违禁品，进而使得假若被测物中存在违禁品，便可以对其进行定位，提高安检效率。

本发明另一方面提供一种计算机可读存储介质，存储介质包括一组计算机可执行指令，当指令被执行时用于执行上述任一项的违禁品筛选方法。

在本发明实施例中计算机可读存储介质包括一组计算机可执行指令，当指令被执行时用于确定被测物在安检之前的第一标记；对被测物执行安检操作，确定被测物对应的物体图像以及已安检数量，其中物体图像用于确定被测物是否包含违禁品；确定被测物在安检之后的第二标记；在基于第一标记、已安检数量和第二标记确定物体图像中包含多个被测物的情况下，对所述物体图像中的各个被测物重新设置第二标记；确定多个被测物的物体图像中包含违禁品的目标被测物。

由此，本方案通过确定被测物的第一标记、已安检数量和第二标记，给物体图像中的多个被测物进行重新设置第二标记，进而再对每个被测物进行判断是否包含违禁品，进而使得假若被测物中存在违禁品，便可以对其进行定位，提高安检效率。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，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，可轻易想到变化或替换，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以权利要求的保护范围为准。