Идентификация или определение груза на основе текстуры - заявка 2016143754 на патент на изобретение в РФ

1. Способ контроля груза (101) в контейнере (100), содержащий:
классификацию (S2) одного или более фрагментов (11) оцифрованного изображения (10), причем оцифрованное изображение (10) создается системой (1) контроля, выполненной с возможностью контролировать контейнер (100) путем пропускания излучения (3) из источника (31) излучения к детектору (32) излучения через контейнер (100),
где классификация (S2) содержит:
извлечение (S21) одного или более текстурных дескрипторов (V, Р) фрагмента (11), и
классификацию (S22) фрагмента (11) путем сравнения одного или более извлеченных текстурных дескрипторов (V, Р) фрагмента (11) с одним или более эталонными текстурными дескрипторами (Vr, Wr, Pr), соответствующими одному или более классам (202) эталонных видов (201) товаров, при этом один или более эталонных текстурных дескрипторов (Vr, Wr, Pr) каждого класса эталонных видов (201) товаров извлекают из одного или более эталонных изображений (20) одного или более эталонных видов (201) товаров.
2. Способ по п. 1, дополнительно содержащий запуск действия на основе классификации (S2), в котором действие выбирают из группы, состоящей из:
определения (S41) состава части (103) груза (101) в соответствии с фрагментом (11) изображения (10),
отображения (S42) оцифрованного изображения (10) с одним или более определенными составами для одной или более частей (103) груза (101),
выдачи (S43) сигнала тревоги,
отправки (S44) одного или более классифицированных фрагментов (11) контроллеру (4),
любой комбинации вышеперечисленного.
3. Способ по п. 1 или 2, в котором один или более текстурных дескрипторов (V, Р, Vr, Wr, Pr) выбирают из группы, состоящей из: общего дескриптора, дескриптора, специально выделенного для груза, дескриптора, специально выделенного для эталонного вида товара, любой комбинации вышеперечисленного,
при этом, опционально, общий дескриптор извлекают с использованием одного или более экстракторов, выбранных из группы, состоящей из:
отклика на банк фильтров;
способа Харалика, реализующего матрицу совместной встречаемости;
квадратурного зеркального фильтра, QMF;
любой комбинации вышеперечисленного,
при этом, опционально, общий дескриптор содержит один или более текстурных признаков,
при этом, опционально, один или более текстурных признаков содержит среднее и стандартное отклонение,
при этом, опционально, каждый фрагмент разлагают на три масштаба разложения, когда экстрактором является один или более QMF,
при этом, опционально, изображение (10) содержит множество пикселей (12), причем по меньшей мере значение (Ng), характерное для пропускания излучения (3) через контейнер (100), ассоциируется с каждым пикселем (12), и специально выделенный дескриптор содержит один или более дескрипторов, выбранных из группы, состоящей из:
среднего уровня серого для выбранного фрагмента (11),
интенсивности вертикального градиента в выбранном фрагменте (11),
профиля, соответствующего проекции значений (Ng) пикселей (12) фрагмента (11) на оси,
кластеризации множества текстурных дескрипторов,
любой комбинации вышеперечисленного.
4. Способ по любому из пп. 1-3, в котором каждый фрагмент (11) образует квадрат с одинаковым числом пикселей (12) по каждой стороне фрагмента (11),
при этом, опционально, число пикселей по каждой стороне фрагмента (11) составляет от 32 до 128 и предпочтительно равно 64.
5. Способ по любому из пп. 1-4, содержащий классификацию (S2) одного или более перекрывающихся последовательных фрагментов (11),
при этом, опционально, перекрытие между двумя последовательными фрагментами (11) составляет от 10% до 90%, предпочтительно равно 50%, или
классификация (S22) содержит использование одного или более классификаторов, выбираемых из группы, состоящей из:
машины опорных векторов, SVM,
k ближайших соседей, k-NN,
байесовского вывода,
любой комбинации вышеперечисленного,
при этом, опционально, классификатор k-NN использует любое одно из расстояния L1, расстояния L2 или расстояния L3,
при этом, опционально, k является нечетным целым числом, опционально k равно 5, или
классификация (S2) дополнительно содержит классификацию (S23) одной или более зон (13) фрагментов (11) с использованием алгоритма униформизации, при этом каждая зона (13) содержит множество выбранных фрагментов (11),
при этом, опционально, алгоритм униформизации выбирают из группы, состоящей из:
замыкания в бинарной морфологии,
сегментации,
регуляризации,
любой комбинации вышеперечисленного,
при этом, опционально, регуляризация основана на группе, состоящей из:
полей Маркова,
полей Гиббса,
любой комбинации вышеперечисленного.
6. Способ по любому из пп. 1-5, дополнительно содержащий, после классификации (S2) и перед запуском (S4):
оценки (S3) размера части (103) груза (101), соответствующей множеству фрагментов (11), классифицированных в одном и том же классе.
7. Способ по любому из пп. 1-6, в котором изображение (10) содержит множество пикселей (12), причем значение (Ng), характерное для пропускания излучения (3) через контейнер (100), ассоциируют с каждым пикселем (12), при этом способ дополнительно содержит выбор только фрагментов (11), имеющих средние значения Mg, таким образом, что:
Т1<Mg<Т2,
где: Mg является средним значением величин Ng пикселей (12) фрагмента (11);
Т1 является минимальным пороговым значением для видов товаров, представляющих интерес, контролируемых системой (1) контроля;
и
Т2 является максимальным пороговым значением для видов товаров, представляющих интерес, контролируемых системой (1) контроля.
8. Способ по любому из пп. 1-7, в котором один или более эталонных текстурных дескрипторов (Vr, Wr, Pr), соответствующих одному или более классам эталонных видов (201) товаров, хранят в эталонной базе (200) данных,
при этом, опционально, способ дополнительно содержит извлечение одного или более эталонных текстурных дескрипторов (Vr, Wr, Pr) из базы (200) данных по сети (7) связи,
при этом, опционально, база (200) данных по меньшей мере частично расположена в анализаторе (5), выполненном с возможностью осуществлять способ в соответствии с любым из предшествующих пунктов.
9. Способ по любому из пп. 1-8, в котором тип системы (1) контроля характеризуется энергией и дозой излучения (3),
при этом, опционально, излучение (3) представляет собой рентгеновское излучение,
при этом, опционально, энергия составляет от 1 МэВ до 15 МэВ и доза составляет от 2 мГр до 20 Гр,
при этом, опционально, для одного типа системы (1) контроля энергия составляет 9 МэВ, а доза составляет 17 Гр, и
для другого типа системы (1) контроля энергия составляет 4 МэВ, а доза составляет 20 мГр.
10. Способ по п. 9, когда он зависит от п. 8, в котором база (200) данных содержит один или более эталонных текстурных дескрипторов (Vr, Wr, Pr) для каждого типа системы (1) контроля.
11. Способ по любому из пп. 1-10, содержащий этап проверки, осуществляемый с помощью перекрестной проверки путем классификации одного или более фрагментов одного или более эталонных изображений (20) с использованием одного или более других фрагментов одного или более эталонных изображений (20).
12. Способ по любому из пп. 1-11, в котором эталонный вид (201) товара выбирают из группы, состоящей из сигарет, банкнот, наркотиков, лекарств, таблеток, зерен, любой комбинации вышеперечисленного.
13. Анализатор (5), выполненный с возможностью контролировать груз (101) в контейнере (100) и выполненный с возможностью:
классифицировать (S2) один или более фрагментов (11) оцифрованного изображения (10), причем оцифрованное изображение (10) создают системой (1) контроля, выполненной с возможностью контролировать контейнер (100) путем пропускания излучения (3) от источника (31) излучения к детектору (32) излучения через контейнер (100),
при этом анализатор выполнен с возможностью классифицировать (S2) один или более фрагментов (11) путем:
извлечения (S21) одного или более текстурных дескрипторов (V, Р) фрагмента (11), и
классификации (S22) фрагмента (11) путем сравнения одного или более извлеченных текстурных дескрипторов (V, Р) фрагмента (11) с одним или более эталонными текстурными дескрипторами (Vr, Wr, Pr), соответствующими одному или более классам (202) эталонных видов (201) товаров, при этом один или более эталонных текстурных дескрипторов (Vr, Wr, Pr) каждого класса эталонных видов (201) товаров извлекают из одного или более эталонных изображений (20) одного или более эталонных видов (201) товаров.
14. Анализатор по п. 13, дополнительно выполненный с возможностью запускать действие на основе классификации (S2), где действие выбирают из группы, состоящей из:
определения (S41) состава части (103) груза (101) в соответствии с фрагментом (11) изображения (10),
отображения (S42) оцифрованного изображения (10) с одним или более определенными составами для одной или более частей (103) груза (101),
выдачи (S43) сигнала тревоги,
отправки (S44) одного или более классифицированных фрагментов (11) контроллеру (4),
любой комбинации вышеперечисленного.
15. Анализатор по п. 13 или 14, выполненный с возможностью извлекать один или более текстурных дескрипторов (V, Р, Vr, Wr, Pr) таким образом, что они выбираются из группы, состоящей из: общего дескриптора, дескриптора, специально выделенного для груза, дескриптора, специально выделенного для эталонного вида товара, любой комбинации вышеперечисленного,
при этом, опционально, общий дескриптор извлекают с использованием одного или более экстракторов, выбранных из группы, состоящей из:
отклика на банк фильтров;
способа Харалика, реализующего матрицу совместной встречаемости;
квадратурного зеркального фильтра, QMF;
любой комбинации вышеперечисленного,
при этом, опционально, общий дескриптор содержит один или более текстурных признаков,
при этом, опционально, один или более текстурных признаков содержат среднее и стандартное отклонение,
при этом, опционально, анализатор выполнен с возможностью разлагать каждый фрагмент на три масштаба разложения, когда экстрактором является один или более QMF (квадратурных зеркальных фильтра).
16. Анализатор по п. 15, в котором изображение (10) содержит множество пикселей (12), причем по меньшей мере значение (Ng), характерное для пропускания излучения (3) через контейнер (100), ассоциируется с каждым пикселем (12), и специально выделенный дескриптор содержит один или более дескрипторов, выбранных из группы, состоящей из:
среднего уровня серого для выбранного фрагмента (11),
интенсивности вертикального градиента в выбранном фрагменте (11),
профиля, соответствующего проекции значений (Ng) пикселей (12) фрагмента (11) на ось,
кластеризации множества текстурных дескрипторов,
любой комбинации вышеперечисленного.
17. Анализатор по любому из пп. 13-16, в котором каждый фрагмент (11) образует квадрат с одинаковым числом пикселей по каждой стороне фрагмента (11),
при этом, опционально, число пикселей по каждой стороне фрагмента (11) составляет от 32 до 128 и предпочтительно равно 64.
18. Анализатор по любому из пп. 13-17, выполненный с возможностью классифицировать (S2) один или более перекрывающихся последовательных фрагментов (11),
при этом, опционально, перекрытие между двумя последовательными фрагментами (11) составляет от 10% до 90%, предпочтительно равно 50%.
19. Анализатор по любому из пп. 13-18, в котором классификация (S22) содержит использование одного или более классификаторов, выбранных из группы, состоящей из:
машины опорных векторов, SVM,
k ближайших соседей, k-NN,
байесовского вывода,
любой комбинации вышеперечисленного,
при этом, опционально, классификатор k-NN использует любое одно из расстояния L1, расстояния L2 или расстояния L3,
при этом, опционально, k является нечетным целым числом.
20. Анализатор по любому из пп. 13-19, в котором классификация (S2) дополнительно содержит классификацию (S23) одной или более зон (13) фрагментов (11) с использованием алгоритма униформизации, причем каждая зона (13) содержит множество выбранных фрагментов (11),
при этом, опционально, алгоритм униформизации выбирают из группы, состоящей из:
замыкания в бинарной морфологии,
сегментации,
регуляризации,
любой комбинации вышеперечисленного,
при этом, опционально, регуляризация основана на группе, состоящей из:
полей Маркова,
полей Гиббса,
любой комбинации вышеперечисленного.
21. Анализатор по любому из пп. 13-20, выполненный с возможностью, после классификации (S2) и перед запуском (S4):
оценивать (S3) размер части (103) груза (101), соответствующей множеству фрагментов, классифицированных в одном и том же классе.
22. Анализатор по любому из пп. 13-21, в котором изображение (10) содержит множество пикселей (12), причем по меньшей мере значение (Ng), характерное для пропускания излучения (3) через контейнер (100), ассоциируется с каждым пикселем (12), при этом анализатор дополнительно выполнен с возможностью выбирать только фрагменты (11), имеющие средние значения Mg, таким образом, что:
Т1<Mg<Т2,
где: Mg является средним значением величин Ng пикселей (12) фрагмента (11);
Т1 является минимальным пороговым значением для товаров, представляющих интерес, контролируемых системой (1) контроля;
и
Т2 является максимальным пороговым значением для товаров, представляющих интерес, контролируемых системой (1) контроля.
23. Анализатор по любому из пп. 13-22, в котором один или более эталонных текстурных дескрипторов (Vr, Wr, Pr), соответствующих одному или более классам эталонных видов (201) товаров, хранят в эталонной базе (200) данных,
при этом, опционально, анализатор дополнительно выполнен с возможностью извлекать один или более эталонных текстурных дескрипторов (Vr, Wr, Pr) из базы (200) данных по сети (7) связи,
при этом, опционально, анализатор дополнительно содержит, по меньшей мере частично, базу (200) данных, или
эталонный вид (201) товара выбирают из группы, состоящей из сигарет, банкнот, наркотиков, лекарств, таблеток, зерен, любой комбинации вышеперечисленного.
24. Устройство, содержащее:
сервер (8);
систему (1) контроля, выполненную с возможностью контролировать контейнер (100) путем пропускания излучения (3) от источника (31) излучения к детектору (32) излучения через контейнер (100),
анализатор (5), соединенный с сервером (8) и системой (1) контроля посредством одной или более сетей (6, 7) связи и выполненный с возможностью:
принимать от системы (1) контроля оцифрованное изображение (10), созданное системой (1) контроля,
принимать от сервера (8) один или более эталонных текстурных дескрипторов (Vr, Wr, Pr), соответствующих одному или более классам (202) эталонных видов (201) товаров, при этом один или более эталонных текстурных дескрипторов (Vr, Wr, Pr) каждого класса эталонных видов (201) товаров извлекают из одного или более эталонных изображений (2) одного или более эталонных видов (201) товаров, и
классифицировать (S2) один или более фрагментов (11) оцифрованного изображения (10) путем извлечения (S21) одного или более текстурных дескрипторов (V, Р) фрагмента (11) и путем классификации (S22) этого фрагмента (11) при сравнении одного или более извлеченных текстурных дескрипторов (V, Р) фрагмента (11) с одним или более эталонными текстурными дескрипторами (Vr, Wr, Pr).
25. Компьютерный программный продукт, содержащий программные команды для программирования процессора, чтобы осуществлять обработку данных согласно способу по любому из пп. 1-12, или для программирования процессора, чтобы создать анализатор по любому из пп. 13-23, или для создания устройства по п. 24.
Наверх