用于在安检中判别图像的方法、装置、设备及介质与流程

1.本公开涉及人工智能领域，更具体地涉及一种用于在安检中判别图像的方法、装置、设备、介质和程序产品。


背景技术：

2.安检是公共交通运输中保障公共安全不可或缺的环节。当前安检过程中大多采用x射线安检设备，通过x射线安检设备获取安检图像之后，将安检图像发送至判图站由安检人员人工判别，以识别危险物品。然而，目前对安检设备获取的图像进行危险物品的识别主要以人工识别为主，人工识别方式需要安检人员须高度集中盯着屏幕，工作强度非常大，严重依赖安检人员判别图像的经验和工作状态，容易产生漏检。


技术实现要素：

3.鉴于上述问题，本公开提供了一种可以提高安检图像判别准确率的用于在安检中判别图像的方法、装置、设备、介质和程序产品。
4.根据本公开的第一方面，提供了一种用于在安检中判别图像的方法。所述方法包括：获取由人工智能模型对安检图像中的目标物品进行判别而得到第一判别结果；获取由目标安检人员对所述安检图像中的所述目标物品进行判别而得到第二判别结果；当所述第一判别结果和所述第二判别结果不一致时，对比所述人工智能模型对所述目标物品的同类物品的判别水平和所述目标安检人员对所述目标物品的同类物品的所述判别水平，得到比较结果；以及基于所述比较结果所满足的预设条件，从所述第一判别结果和所述第二判别结果确定出可信的判别结果。
5.根据本公开的实施例，所述判别水平包括识别率、误报率、或漏检率其中至少之一。
6.根据本公开的实施例，所述人工智能模型的所述判别水平高于预设的基准水平。
7.根据本公开的实施例，所述基于所述比较结果所满足的预设条件，从所述第一判别结果和所述第二判别结果选择出可信的判别结果包括：当所述比较结果表明所述目标安检人员对所述目标物品的同类物品的所述判别水平高于所述人工智能模型时，确定所述第二判别结果为可信的判别结果。
8.根据本公开的实施例，所述基于所述比较结果所满足的预设条件，从所述第一判别结果和所述第二判别结果选择出可信的判别结果包括：当所述比较结果表明所述目标安检人员对所述目标物品的同类物品的所述判别水平低于所述人工智能模型的所述判别水平，且差距大于或等于预设阈值时，确定所述第一判别结果为可信的判别结果。
9.根据本公开的实施例，所述方法还包括基于所述目标安检人员的历史安检表现数据，设置所述阈值。其中，所述历史安检表现数据包括所述目标安检人员对所述目标物品的同类物品的所述判别水平、所述目标安检人员的从事安检工作的时长、或所述目标安检人员在安检工作中的经验评级数据其中的至少一个或多个。
10.根据本公开的实施例，在设置所述阈值之后，所述方法还包括基于获得所述第二判别结果时的现场安检状况数据，调整所述阈值。其中，所述现场安检状况数据包括截止获得所述第二判别结果的时刻所述目标安检人员连续进行安检判别的时长、或现场进行安检判别的物品的拥堵程度数据。
11.根据本公开的实施例，在所述确定所述第一判别结果为可信的判别结果之后，所述方法还包括向目标终端发送通知提醒信息，以提醒所述目标终端的用户对所述目标物品进行重新判别。
12.根据本公开的实施例，所述方法还包括：获取至少一个安检人员在历史安检图像判别过程中对各类物品进行判别而得到的历史判图数据；以及根据所述历史判图数据，得到所述至少一个安检人员中每个安检人员对所述各类物品的所述判别水平。其中，所述至少一个安检人员包括所述目标安检人员，所述各类物品包括所述目标物品的同类物品。
13.本公开实施例的第二方面，提供了一种用于在安检中判别图像的装置。所述装置包括第一获取模块、对比模块以及确定模块。第一获取模块用于获取由人工智能模型对安检图像中的目标物品进行判别而得到第一判别结果，以及获取由目标安检人员对所述安检图像中的所述目标物品进行判别而得到第二判别结果。对比模块用于当所述第一判别结果和所述第二判别结果不一致时，对比所述人工智能模型对所述目标物品的同类物品的判别水平和所述目标安检人员对所述目标物品的同类物品的所述判别水平，得到比较结果。确定模块用于基于所述比较结果所满足的预设条件，从所述第一判别结果和所述第二判别结果确定出可信的判别结果。
14.根据本公开的实施例，所述装置还包括第二获取模块和评估模块。第二获取模块用于获取至少一个安检人员在历史安检图像判别过程中对各类物品进行判别而得到的历史判图数据。评估模块用于根据所述历史判图数据，得到所述至少一个安检人员中每个安检人员对所述各类物品的所述判别水平，其中，所述至少一个安检人员包括所述目标安检人员，所述各类物品包括所述目标物品的同类物品。
15.根据本公开的实施例，所述装置还包括阈值设置模块。所述阈值设置模块用于基于所述目标安检人员的历史安检表现数据，设置所述阈值。其中，所述历史安检表现数据包括所述目标安检人员对所述目标物品的同类物品的所述判别水平、所述目标安检人员的从事安检工作的时长、或所述目标安检人员在安检工作中的经验评级数据其中的至少一个或多个。
16.根据本公开的实施例，所述装置还包括阈值调整模块。所述阈值调整模块用于基于获得所述第二判别结果时的现场安检状况数据，调整所述阈值，其中，所述现场安检状况数据包括截止获得所述第二判别结果的时刻所述目标安检人员连续进行安检判别的时长、或现场进行安检判别的物品的拥堵程度数据。
17.根据本公开的实施例，所述装置还包括消息提醒模块。所述消息提醒模块用于在所述确定所述第一判别结果为可信的判别结果之后，向目标终端发送通知提醒信息，以提醒所述目标终端的用户对所述目标物品进行重新判别。
18.本公开的第三方面，提供了一种电子设备。所述电子设备包括一个或多个处理器和存储器。所述存储器用于存储一个或多个程序。其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述用于在安检中判别图像的方法。
19.本公开的第四方面，提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述用于在安检中判别图像的方法。
20.本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述用于在安检中判别图像的方法。
附图说明
21.通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
22.图1示意性示出了根据本公开实施例的用于在安检中判别图像的方法、装置、设备、介质和程序产品的应用场景；
23.图2示意性示出了根据本公开实施例的用于在安检中判别图像的方法的流程图；
24.图3示意性示出了根据本公开另一实施例的用于在安检中判别图像的方法的流程图；
25.图4示意性示出了根据本公开又一实施例的用于在安检中判别图像的方法的流程图；
26.图5示意性示出了根据本公开实施例的用于在安检中判别图像的方法的应用构思；
27.图6示意性示出了根据本公开实施例的用于在安检中判别图像的装置的方框图；以及
28.图7示意性示出了适于实现根据本公开实施例的用于在安检中判别图像的方法的电子设备的方框图。
具体实施方式
29.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
30.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
31.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
32.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
33.在本公开的技术方案中，对数据的获取、收集、存储、使用、加工、传输、提供、公开
和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
34.为了减少安检图像判别过程中对安检人员的经验和工作状态的依赖，提高安检图像判别准确率，可以利用人工智能模型辅助安检人员进行安检图像的判别，或对安检人员的判别结果进行复检。然而，人工智能模型对不同种类的物品的识别率也不尽相同，存在有较大差异。过分地采信人工智能模型的判别结果时，也会由于人工智能模型在某些类别的物品上易造成的误判而带来大量不必要的复检工作。
35.对此，本公开实施例提供了一种用于在安检中判别图像的方法、装置、设备、介质和程序产品，可以在安检人员的判别结果与人工智能模型的判别结果不一致的情况下，对比安检人员对同类物品的判别水平和人工智能模型对同类物品的判别水平，分析确定出应当采纳的判别结果。以此方式，既发挥了安检人员人工判别的经验，又通过人工智能模型的辅助提高了安检图像判别准确率，还有助于激励安检人员提高人工判别技能。
36.图1示意性示出了根据本公开实施例的用于在安检中判别图像的方法、装置、设备、介质和程序产品的应用场景100。
37.如图1所示，根据该实施例的应用场景100可以包括至少一个x射线安检设备(图中示出了两个，x射线安检设备101、102)、服务器103、判图终端104以及人工智能判图设备105。
38.x射线安检设备101、102可以对经过其内部传送的物品进行扫描，得到安检图像。
39.服务器103可以将安检图像分别发送给判图终端104和人工智能判图设备105。
40.判图终端104可以向安检人员10展示安检图像，并接收安检人员10对安检图像中的物品是否包含有违禁物品的判别操作。在一个实施例中，当安检人员10认为安检图像中的物品不包含违禁物品时，安检人员10可以不作任何操作，此时判图终端104可以默认安检人员的判别结论为安检图像中的物品不包含违禁物品。在一个实施例中，当安检人员10认为安检图像中的物品包含违禁物品时，安检人员10可以通过判图终端104选中该安检图像，进一步地，还可以在该安检图像中圈出违禁物品。在一些实施例中，安检人员10在圈出违禁物品的时还可以指出违禁物品的类别。
41.人工智能判图设备105中部署有人工智能模型，可以利用人工智能模型对接收到的安检图像进行判别，以确定安检图像的物品中是否包含有违禁品。在一些实施例中，人工智能模型还可以在判别出违禁品的同时，给出违禁品的类别。人工智能模型判别图像的算法可以是由人工智能学习平台通过学习x射线扫描图像生成的分析算法，例如，基于深度学习的目标检测算法(卷积神经网络)，通过从海量的x射线扫描图像数据中提取违禁品数据特征，对违禁品特征建模，完成目标检测和识别。
42.本公开实施例的用于在安检中判别图像的方法可以由服务器103执行，也可以由判图终端104执行。相应地，本公开实施例的用于在安检中判别图像的装置、设备、介质和程序产品可以设置于服务器103中，或者也可以设置于判图终端104中。
43.需要说明的是，判图终端104可以是在安检现场的安检人员使用的用于判别安检图像的终端设备，也可以是安检图像复核人员使用的用于判别安检图像终端设备，或者也可以是安检质量控制人员使用的用于判别安检图像的终端设备，对此本公开不予限定。
44.可以理解，图1所示的应用场景仅是示例性的，本公开实施例可以应用于任何场景、架构和环境中。图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需
要，可以具有任意数目的终端设备、网络和服务器。
45.以下将基于图1描述的场景，通过图2～图5对公开实施例的用于在安检中判别图像的方法进行详细描述。
46.图2示意性示出了根据本公开实施例的用于在安检中判别图像的方法的流程图。
47.如图2所示，根据该实施例的方法200可以包括操作s210～操作s240。
48.在操作s210，获取由人工智能模型对安检图像中的目标物品进行判别而得到第一判别结果。第一判别结果可以用于指示目标物品是否属于违禁品。在一些实施例中，第一判别结果还可以用于指示当目标物品属于违禁品时所属的违禁品的类别。人工智能模型例如可以是图1中人工智能设备105中部署运行的算法模型。
49.在操作s220，获取由目标安检人员对安检图像中的目标物品进行判别而得到第二判别结果。第二判别结果可以用于指示目标物品是否属于违禁品。在一些实施例中，第二判别结果还可以用于指示当目标物品属于违禁品时所属的违禁品的类别。
50.本文中使用“目标安检人员”来指代与人工智能模型对同一安检图像中的同一物品进行判别的安检人员，可以是安检现场进行实时判图的安检人员，也可以是复核的安检人员，或者也可以是质控人员。在图1所示的应用场景100中，目标安检人员可以是安检人员10。判图终端104可以通过接收安检人员10的操作来获得安检人员10的判别结果。需要说明的是，在图2中操作s210和操作s220的先后顺序仅是示例性而非限定性的，实际中该两个操作可以并行或顺序置换。
51.在操作s230，当第一判别结果和第二判别结果不一致时，对比人工智能模型对目标物品的同类物品的判别水平和目标安检人员对目标物品的同类物品的判别水平，得到比较结果。目标物品的同类物品，例如可以根据第一判别结果或第二判别结果中认定的目标物品所属的违禁物品的类别而确定；或者也可以根据安检人员或人工智能模型识别出目标物品的类别而定。
52.根据本公开的一些实施例，判别水平可以包括识别率、误报率、或漏检率其中至少之一。例如，可以以识别率、误报率、或漏检率其中的一个指标来表征判别水平。或者，例如也可以将识别率、误报率、或漏检率中的两个或全部通过加权处理，来表征判别水平。其中，在一些实施例中，某一类违禁物品的识别率可以是指在历史的判别过程中，正确识别出该类违禁物品的次数占该类违禁物品真实出现的次数的比率。相应地，某一类违禁物品的误报率可以是在历史的判别过程中，将其他物品识别为该类违禁物品的次数占该类违禁物品真实出现的次数的比率。类似地，某一类违禁物品的漏报率可以是在历史的判别过程中，没有识别出该类物品属于违禁品的次数占该类违禁物品真实出现的次数的比率。当然，以识别率、误报率、或漏检率来计算判别水平仅是一种示例。在实际中，还可以结合安检人员的工作效率、工作经验等数据来计算判别水平，对此可以根据实际情况设定。
53.在操作s240，基于比较结果所满足的预设条件，从第一判别结果和第二判别结果确定出可信的判别结果。
54.在一个实施例中，当比较结果表明目标安检人员对目标物品的同类物品的判别水平高于人工智能模型时，确定第二判别结果为可信的判别结果。即当目标安检人员的判别水平更高时，以目标安检人员人工判别结论为准。
55.在一个实施例中，当比较结果表明目标安检人员对目标物品的同类物品的判别水
平低于人工智能模型的判别水平时，确定第一判别结果为可信的判别结果。即，当人工智能模型的判别水平更高时，以人工智能模型的判别结果为准。
56.在另一个实施例中，当比较结果表明目标安检人员对目标物品的同类物品的判别水平低于人工智能模型的判别水平，且差距大于或等于预设阈值时，才确定第一判别结果为可信的判别结果。而当差距不满足预设的阈值时，可以选择采信第二判别结果。具体地，由于人工智能模型对不同类别的物品的识别率分布在60％～90不等，相差较大，而不同的安检人员由于经验、能力对于不同的类别的嫌疑物品的敏感度也不同，因而不同安检人员和人工智能模型在安检中进行图像判别时针对不同类别的物品的判别准确度、可信度等有有较大差异。另外，再加上在安检过程中，物品的放置方式、遮挡方式多会导致物品成像效果不规范，形态比较复杂多变，而通常人工在应对这些复杂情形时会更为灵活和敏锐。基于此本公开实施例，在利用人工智能模型辅助判别图像或图像复检中，除了考虑安检人员和人工智能模型的判别水平外，还可以根据不同的安检人员的特点设定不同的阈值作为预警信号，以降低人工智能模型误判而带来的不必要的复检。
57.根据本公开的一些实施例，可以要求人工智能模型的判别水平高于预定的基准水平。例如，可以预先对人工智能模型的识别率、误报率、和/或漏检率设置相应地基础值，只有当人工智能模型的相关值高于基础值时，才进行上文的操作s230和操作s240的比较分析。这是因为，当人工智能模型的判别水平高于基准水平时，使用人工智能模型的判别结果对人工判别结果进行辅助分析，才会具有较强的实用价值。
58.根据本公开的实施例，当以人工智能模型的判别结果(即，第一判别结果)作为可信的判别结果，而放弃目标安检人员的判别结果时，可以向目标终端发送通知提醒信息，以提醒目标终端的用户对目标物品进行重新判别。在一个实施例中，该目标终端可以是目标安检人员所使用的判别终端，例如在应用场景100中提醒安检人员10重新判别。在另一个实施例中，该目标终端可以是比目标安检人员水平更高的安检人员所使用的终端，例如，质控人员的终端设备，从而提醒质控人员干预处理。
59.图3示意性示出了根据本公开另一实施例的用于在安检中判别图像的方法的流程图。
60.如图3所示，根据该实施例的方法300可以包括操作s310～操作s330，以及操作s210～操作s240。
61.在操作s310，获取至少一个安检人员在历史安检图像判别过程中对各类物品进行判别而得到的历史判图数据。至少一个安检人员包括目标安检人员。历史判图数据例如可以是每个安检人员对各类物品中每一类违禁物品的判别效率，对每一类违禁物品的误报率、漏检率、识别率，对每一类违禁物品进行开箱检验的频率、开箱检验的结果正确率等数据。
62.在操作s320，根据历史判图数据，得到至少一个安检人员中每个安检人员对各类物品的判别水平。利用历史判图数据按照判别水平的计算方式进行计算。
63.在操作s330，获取人工智能模型对各类物品的判别水平。例如，根据人工智能模型投入使用后的历史判别数据，或者根据对人工智能模型的在训练或测试过程中对各类物品的判别数据，计算人工智能模型对每一类物品的判别水平。
64.需要说明的是，操作s330在操作s310和操作s320之后仅是示例性的，操作s330和
在操作s310和操作s320之间没有逻辑上先后顺序，可以并行、也可以操作s330在操作s310之前执行。
65.接下来通过操作s210～操作s240，分别通过人工智能模型和目标安检人员对图像中的目标物品是否属于违禁物品进行判别，并且当二者的判别结果不一致时，根据人工智能模型和目标安检人员各自对目标物品的同类物品的判别水平的比较，确定该采信哪个判别结果。具体可以参考上文关于操作s210～操作s240的描述，在此不再赘述。
66.根据本公开的实施例，可以通过对不同安检人员的历史判图数据进行大数据分析，得到不同安检人员对每一类物品进行判别时的判别水平，由此可以充分掌握每个安检人员的技能特点，实现对安检人员的大数据分析画像。从而，在对安检人员和人工智能模型的判别结果之间进行选择时，考虑到了安检人员的差别，这样在提高安检准确率的同时，可以有效发挥人工经验，有助于提高安检人员技能提升，提高人员积极性。
67.图4示意性示出了根据本公开又一实施例的用于在安检中判别图像的方法的流程图。
68.如图4所示，根据该实施例的方法400可以包括操作s410、操作s210～操作220、操作s430、操作s230、以及操作s440。
69.首先在操作s410，基于目标安检人员的历史安检表现数据，设置阈值，其中，历史安检表现数据包括目标安检人员对目标物品的同类物品的判别水平、目标安检人员的从事安检工作的时长、或目标安检人员在安检工作中的经验评级数据其中的至少一个或多个。
70.接下来在操作s210，获取由人工智能模型对安检图像中的目标物品进行判别而得到第一判别结果。具体可以参考上文关于操作s210的描述。
71.另外在操作s220，获取由目标安检人员对安检图像中的目标物品进行判别而得到第二判别结果。具体参考上文相关描述。具体可以参考上文关于操作s220的描述。
72.然后在操作s230，当第一判别结果和第二判别结果不一致时，对比人工智能模型对目标物品的同类物品的判别水平和目标安检人员对目标物品的同类物品的判别水平，得到比较结果。
73.接下来在操作s440，当比较结果表明目标安检人员对目标物品的同类物品的判别水平低于人工智能模型的判别水平，且差距大于或等于阈值时，确定第一判别结果为可信的判别结果。
74.在该实施例中，可以针对目标安检人员，对各类物品分别设置对应的阈值，通过这个阈值来预警和调节对目标安检人员的判别结果的采信情况，这样充分考虑了目标安检人员所擅长识别的物品种类可能不同的实际情况，使得选择可信的判别结果的过程更为精准。其中，当目标安检人员判别水平越高、工作时长越长，或者经验评级越高，或者目标安检人员更擅长处理某类别的物品的判别，则目标安检人员安检出错的概率越低，相应阈值就可以设置得越大，从而可以有效减少因为人工智能模型误检带来的重复判别工作。
75.更进一步地，由于目标安检人员可以是安检环节中任意一个进行图像判别的安检人员，从而根据本公开的实施例，可以针对不同的安检人员在各类物品判别上设置各自对应的阈值，这样不同的安检人员可以对应有自己在各类物品判别上的阈值，使得在选择可信的判别结果的过程，同时兼顾了不同安检人员个人的特性，得到的可信判别结果更具有针对性，更为精准，更加可靠。
76.继续参考图4，根据本公开的实施例在操作s230之前，还可以通过操作s430对操作s410中预设的阈值进行动态调整。
77.具体地在操作s430，基于获得第二判别结果时的现场安检状况数据，调整阈值，其中，现场安检状况数据包括截止获得第二判别结果的时刻目标安检人员连续进行安检判别的时长、或现场进行安检判别的物品的拥堵程度数据。例如，当目标安检人员连续判别图像的时间超过一定时长(例如，1小时)，可以将设置的阈值调低，以对冲目标安检员可能因为疲惫等导致对图像敏感性降低等问题。再例如，当安检现场的拥堵程度达到严重等级时，也可以将针对目标安检员设置的阈值调低，降低因为业务繁忙导致的漏检的可能性。
78.可见，本公开的实施例可以将对目标安检人员在每一类物品判别中预先设置的阈值，根据安检现场目标安检人员的工作状态或者现场的安检需求繁忙程度进行动态调整，使得在人工判别结果和人工智能模型判别结果的选择中，更贴合现场真实情况，减少误检、漏检的现象，提高安检准确率和效率。
79.图5示意性示出了根据本公开实施例的用于在安检中判别图像的方法的应用构思。
80.如图5所示，根据本公开的实施例，当人工智能模型进行图像复检或实时辅助判别图像时判别出违禁物品(s501)，且与安检人员对图像进行判别的判别结论(s502)不一致时，可以查询对安检人员和人工智能模型各自对该类物品的识别率、误报率、漏检率(s503和s504))，并跟人工智能模型对该类物品的识别率、误报率、漏检率进行比对(s505)，然后根据不同的比较规则判断是采信安检人员的人工判别结论还是采信人工智能模型的判别结论。如以安检人员的判别结论为准(s506)，图像判别结束。如以人工智能模型的判别结论为准，则可以提醒安检人员进行二次判别或者提醒安检质控员进行干预处置(s507)。
81.本公开实施例可以通过对安检人员的开箱检查率、图像判别历史数据、不同物品的开箱检查率和开箱检查结果、人工智能模型复检和人工智能模型辅助判别图像数据等安检数据进行分析和加工，利用插补法、箱型图分析等方法进行数据预处理；利用相关性分析、特征归一化、主成分分析技术(principal components analysis，pca)降维等方法进行特征选择与处理；综合运用k最邻近(k-nearestneighbor knn，)、贝叶斯、决策树、随机森林、adaboost等算法进行训练建模，计算出安检人员的判别图像效率、开箱检查率、各类违禁物品的误报率、漏检率、识别率等数据，进而完成对安检人员的各类违禁物品的识别率、误报率、漏检率的计算，以此评估安检人员对各类物品的判别水平。进一步地，本公开实施例还可以对每个安检人员对应各类物品设置对应的阈值参数，作为在人工判别的判别和人工智能模型的判别结果中间进行选择可信的判别结果的选择依据，减少人工智能模型在某些类别的物品上易出现误判而带来的不必要的复检。
82.基于上述各个实施例的用于在安检中判别图像的方法，本公开还提供了一种用于在安检中判别图像的装置。以下将结合图6对该装置进行详细描述。
83.图6示意性示出了根据本公开实施例的用于在安检中判别图像的装置600的方框图。
84.如图6所示，该用于在安检中判别图像的装置600可以包括第一获取模块610、对比模块620以及确定模块630。
85.第一获取模块610用于获取由人工智能模型对安检图像中的目标物品进行判别而
得到第一判别结果，以及获取由目标安检人员对安检图像中的目标物品进行判别而得到第二判别结果。在一些实施例中，该第一获取模块610可以执行上文描述的操作s210和操作s220。
86.对比模块620用于当第一判别结果和第二判别结果不一致时，对比人工智能模型对目标物品的同类物品的判别水平和目标安检人员对目标物品的同类物品的判别水平，得到比较结果。在一些实施例中，该对比模块620可以执行上文描述的操作s230。
87.确定模块630用于基于比较结果所满足的预设条件，从第一判别结果和第二判别结果确定出可信的判别结果。在一些实施例中，该确定模块630可以执行上文描述的操作s240。
88.根据本公开的另一些实施例，装置600还可以进一步包括第二获取模块640和评估模块650。
89.第二获取模块640用于获取至少一个安检人员在历史安检图像判别过程中对各类物品进行判别而得到的历史判图数据。在一些实施例中，第二获取模块640可以执行上文描述的操作s310。
90.评估模块650用于根据历史判图数据，得到至少一个安检人员中每个安检人员对各类物品的判别水平，其中，至少一个安检人员包括目标安检人员，各类物品包括目标物品的同类物品。在一些实施例中，评估模块650可以执行上文描述的操作s320。在另一些实施例中，评估模块630还可以执行上文描述的操作s330，用于获取人工智能模型对各类物品的判别水平。
91.根据本公开的另一些实施例，装置600还可以包括阈值设置模块660、阈值调整模块670和/或消息提醒模块680。
92.阈值设置模块660用于基于目标安检人员的历史安检表现数据，设置阈值。其中，历史安检表现数据包括目标安检人员对目标物品的同类物品的判别水平、目标安检人员的从事安检工作的时长、或目标安检人员在安检工作中的经验评级数据其中的至少一个或多个。在一些实施例中，阈值设置模块660可以执行上文描述的操作s410。
93.阈值调整模块670用于基于获得第二判别结果时的现场安检状况数据，调整阈值，其中，现场安检状况数据包括截止获得第二判别结果的时刻目标安检人员连续进行安检判别的时长、或现场进行安检判别的物品的拥堵程度数据。在一些实施例中，阈值调整模块670可以执行上文描述的操作s430。
94.消息提醒模块680用于在确定第一判别结果为可信的判别结果之后，向目标终端发送通知提醒信息，以提醒目标终端的用户对目标物品进行重新判别。在一些实施例中，消息提醒模块680可以执行上文描述的操作s507。
95.根据本公开的实施例，装置600可以用于实现参考图2～图5所描述的方法，具体参考上文描述，此处不再赘述。
96.根据本公开的实施例，第一获取模块610、对比模块620、确定模块630、第二获取模块640、评估模块650、阈值设置模块660、阈值调整模块670或消息提醒模块680中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第一获取模块610、对比模块620、确定模块
630、第二获取模块640、评估模块650、阈值设置模块660、阈值调整模块670或消息提醒模块680中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一获取模块610、对比模块620、确定模块630、第二获取模块640、评估模块650、阈值设置模块660、阈值调整模块670或消息提醒模块680中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
97.图7示意性示出了适于实现根据本公开实施例的用于在安检中判别图像的方法的电子设备700的方框图。
98.如图7所示，根据本公开实施例的电子设备700包括处理器701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
99.在ram 703中，存储有电子设备700操作所需的各种程序和数据。处理器701、rom 702以及ram 703通过总线704彼此相连。处理器701通过执行rom 702和/或ram 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除rom 702和ram 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
100.根据本公开的实施例，电子设备700还可以包括输入/输出(i/o)接口705，输入/输出(i/o)接口705也连接至总线704。电子设备700还可以包括连接至i/o接口705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
101.本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
102.根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的
rom 702和/或ram 703和/或rom 702和ram 703以外的一个或多个存储器。
103.本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的方法。
104.在该计算机程序被处理器701执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
105.在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分709被下载和安装，和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
106.在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
107.根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如java，c++，python，“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
108.附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
109.本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
110.以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实
施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

技术特征：
1.一种用于在安检中判别图像的方法，包括：获取由人工智能模型对安检图像中的目标物品进行判别而得到第一判别结果；获取由目标安检人员对所述安检图像中的所述目标物品进行判别而得到第二判别结果；当所述第一判别结果和所述第二判别结果不一致时，对比所述人工智能模型对所述目标物品的同类物品的判别水平和所述目标安检人员对所述目标物品的同类物品的所述判别水平，得到比较结果；以及基于所述比较结果所满足的预设条件，从所述第一判别结果和所述第二判别结果确定出可信的判别结果。2.根据权利要求1所述的方法，其中，所述判别水平包括识别率、误报率、或漏检率其中至少之一。3.根据权利要求2所述的方法，其中，所述人工智能模型的所述判别水平高于预设的基准水平。4.根据权利要求1所述的方法，其中，所述基于所述比较结果所满足的预设条件，从所述第一判别结果和所述第二判别结果选择出可信的判别结果包括：当所述比较结果表明所述目标安检人员对所述目标物品的同类物品的所述判别水平高于所述人工智能模型时，确定所述第二判别结果为可信的判别结果。5.根据权利要求1所述的方法，其中，所述基于所述比较结果所满足的预设条件，从所述第一判别结果和所述第二判别结果选择出可信的判别结果包括：当所述比较结果表明所述目标安检人员对所述目标物品的同类物品的所述判别水平低于所述人工智能模型的所述判别水平，且差距大于或等于预设阈值时，确定所述第一判别结果为可信的判别结果。6.根据权利要求5所述的方法，其中，所述方法还包括：基于所述目标安检人员的历史安检表现数据，设置所述阈值，其中，所述历史安检表现数据包括所述目标安检人员对所述目标物品的同类物品的所述判别水平、所述目标安检人员的从事安检工作的时长、或所述目标安检人员在安检工作中的经验评级数据其中的至少一个或多个。7.根据权利要求6所述的方法，其中，在设置所述阈值之后所述方法还包括：基于获得所述第二判别结果时的现场安检状况数据，调整所述阈值，其中，所述现场安检状况数据包括截止获得所述第二判别结果的时刻所述目标安检人员连续进行安检判别的时长、或现场进行安检判别的物品的拥堵程度数据。8.根据权利要求5所述的方法，其中，在所述确定所述第一判别结果为可信的判别结果之后，所述方法还包括：向目标终端发送通知提醒信息，以提醒所述目标终端的用户对所述目标物品进行重新判别。9.根据权利要求1～8任意一项所述的方法，其中，所述方法还包括：获取至少一个安检人员在历史安检图像判别过程中对各类物品进行判别而得到的历史判图数据；以及根据所述历史判图数据，得到所述至少一个安检人员中每个安检人员对所述各类物品
的所述判别水平；其中，所述至少一个安检人员包括所述目标安检人员，所述各类物品包括所述目标物品的同类物品。10.一种用于在安检中判别图像的装置，包括：第一获取模块，用于获取由人工智能模型对安检图像中的目标物品进行判别而得到第一判别结果，以及获取由目标安检人员对所述安检图像中的所述目标物品进行判别而得到第二判别结果；对比模块，用于当所述第一判别结果和所述第二判别结果不一致时，对比所述人工智能模型对所述目标物品的同类物品的判别水平和所述目标安检人员对所述目标物品的同类物品的所述判别水平，得到比较结果；以及确定模块，用于基于所述比较结果所满足的预设条件，从所述第一判别结果和所述第二判别结果确定出可信的判别结果。11.根据权利要求10所述的装置，其中，所述装置还包括：第二获取模块，用于获取至少一个安检人员在历史安检图像判别过程中对各类物品进行判别而得到的历史判图数据；以及评估模块，用于根据所述历史判图数据，得到所述至少一个安检人员中每个安检人员对所述各类物品的所述判别水平；其中，所述至少一个安检人员包括所述目标安检人员，所述各类物品包括所述目标物品的同类物品。12.一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～9中任一项所述的方法。13.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～9中任一项所述的方法。14.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～9中任一项所述的方法。

技术总结
本公开提供了一种用于在安检中判别图像的方法，涉及人工智能领域。该方法包括：获取由人工智能模型对安检图像中的目标物品进行判别而得到第一判别结果；获取由目标安检人员对所述安检图像中的所述目标物品进行判别而得到第二判别结果；当所述第一判别结果和所述第二判别结果不一致时，对比所述人工智能模型对所述目标物品的同类物品的判别水平和所述目标安检人员对所述目标物品的同类物品的所述判别水平，得到比较结果；以及基于所述比较结果所满足的预设条件，从所述第一判别结果和所述第二判别结果确定出可信的判别结果。本公开还提供了一种用于在安检中判别图像的装置、设备、存储介质和程序产品。存储介质和程序产品。存储介质和程序产品。


技术研发人员：李玮 胡驰峰 党杰 王涛 田龙 宁洪志
受保护的技术使用者：同方威视技术股份有限公司
技术研发日：2021.12.31
技术公布日：2023/7/13