基于人工智能的安检违禁物品检测方法、装置及电子设备与流程

本发明涉及深度学习技术领域，更具体地，涉及一种基于人工智能的安检违禁物品检测方法、装置及电子设备。

背景技术：

随着安全意识的不断增强，各种安检设备被广泛应用于机场、口岸、港口、地铁、法院、重大赛事的场馆等重要公共场所。目前，危险物品的识别主要以人工识别为主。这样的识别方式需要对工作人员进行培训，而且无法保证准确率，容易出现漏判、错判的情况。此外，地铁站等区域人流密集，依靠人工识别会导致安检效率很低。而使用x射线安检仪，由于仪器容易受到检测穿透性、检测角度等外界环境因素或者外界干扰影响，大大降低了识别准确性。

技术实现要素：

鉴于上述问题，本发明提出了一种基于人工智能的安检违禁物品检测方法、装置及电子设备，以改善上述问题。

第一方面，本发明提供了一种基于人工智能的安检违禁物品检测方法，应用于客户端，所述方法包括：接收安检仪输出的数据，所述数据为x光线穿透至少一个待检测物体后在探测器阵列上产生的响应；渲染所述数据，并生成所述至少一个待检测物体的成像图片；通过预设深度学习算法对所述成像图片进行违禁品检测，获得并输出所述至少一个待检测物体的检测结果。

第二方面，本发明提供了一种基于人工智能的安检违禁物品检测方法，应用于服务端，所述方法包括：接收安检仪输出的数据，所述数据为x光线穿透至少一个待检测物体后在探测器阵列上产生的响应；渲染所述数据，并生成所述至少一个待检测物体的成像图片；通过预设深度学习算法对所述成像图片进行违禁品检测，获得所述至少一个待检测物体的检测结果；发送所述检测结果至客户端。

第三方面，本发明提供了一种基于人工智能的安检违禁物品检测装置，应用于客户端，所述装置包括：第一接收模块，用于接收安检仪输出的数据，所述数据为x光线穿透至少一个待检测物体后在探测器阵列上产生的响应；第一渲染模块，用于渲染所述数据，并生成所述至少一个待检测物体的成像图片；第一检测模块，用于通过预设深度学习算法对所述成像图片进行违禁品检测，获得并输出所述至少一个待检测物体的检测结果。

第四方面，本发明提供了一种基于人工智能的安检违禁物品检测装置，应用于服务端，所述装置包括：第二接收模块，用于接收安检仪输出的数据，所述数据为x光线穿透至少一个待检测物体后在探测器阵列上产生的响应；第二渲染模块，用于渲染所述数据，并生成所述至少一个待检测物体的成像图片；第二检测模块，用于通过预设深度学习算法对所述成像图片进行违禁品检测，获得所述至少一个待检测物体的检测结果；发送模块，用于发送所述检测结果至客户端。

第五方面，本发明提供了一种电子设备，包括一个或多个处理器以及存储器；一个或多个程序，其中所述一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行上述的方法。

第六方面，本发明提供了一种计算机可读取存储介质，所述计算机可读取存储介质中存储有程序代码，所述程序代码可被处理器调用执行上述方法。

本发明实施例公开了一种基于人工智能的安检违禁物品检测方法、装置及电子设备，客户端接收安检仪输出的数据，其中，该数据为x光线穿透至少一个待检测物体后在探测器阵列上产生的响应，客户端对该数据进行渲染，并生成至少一个待检测物体的成像图片，通过预设深度学习算法客户端对成像图片进行违禁品检测，获得并输出至少一个待检测物体的检测结果，从而通过将安检仪输出的数据进行渲染生成成像图片，并通过预设深度学习算法对成像图片中的待检测物体进行违禁品检测，以提高违禁品的检测精度，降低误报率，同时减少对安检人员的依赖，提高安检效率。

本发明的这些方面或其他方面在以下实施例的描述中会更加简明易懂。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了本发明实施例提供的基于人工智能的安检违禁物品检测方法的时序图；

图2示出了本发明实施例提供的客户端与服务端通信的示例图；

图3示出了本发明一个实施例提供的基于人工智能的安检违禁物品检测方法的流程示意图；

图4示出了本发明又一个实施例提供的基于人工智能的安检违禁物品检测方法的流程示意图；

图5示出了本发明的图4所示的实施例提供的基于人工智能的安检违禁物品检测方法的步骤s330的一个实施例的流程示意图；

图6示出了本发明的图4所示的实施例提供的基于人工智能的安检违禁物品检测方法的步骤s330的另一个实施例的流程示意图；

图7示出了本发明又一个实施例提供的检测结果的示例图；

图8示出了本发明再一个实施例提供的基于人工智能的安检违禁物品检测方法的流程示意图；

图9示出了本发明一个实施例提供的基于人工智能的安检违禁物品检测装置的结构框图；

图10示出了本发明另一个实施例提供的基于人工智能的安检违禁物品检测装置的结构框图；

图11示出了本发明实施例用于执行根据本发明实施例的基于人工智能的安检违禁物品检测方法的电子设备的结构框图；

图12示出了本发明实施例的用于保存或者携带实现根据本发明实施例的基于人工智能的安检违禁物品检测方法的程序代码的存储单元。

具体实施方式

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，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

安检机广泛适用于机场、火车站、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、工业检测等场所。

现有安检仪是利用x射线照射不同物质会形成不同的能量衰减数据，根据物质密度和有效原子序数生成物质的彩色图像，从而判断包裹中是否有可疑违禁品。然而在实际应用中有许多非违禁品的密度和违禁品密度一致，如笔记本电脑、手机、拉杆箱杆、纺织品的密度和汽油、酒精类似，容易出现各种误报情况；安检机无法根据物体轮廓智能识别枪支、管制刀具、易爆物等违禁品，且在终端显示x光图像后，需要安检人员对显示的图片进行排查。这样安检人员长时间监视屏幕容易造成视觉疲劳，导致误检、错检、漏检等情况发生。

同时，现有安检机传送带速度一般在0.2m/s，远远低于乘客0.5m/s的通行速度，人流量大时容易排起长队，形成安全隐患；而传送带提速后，人又无法长时间跟上安检机出图速度，导致传送带速度只能维持在较低水平。

针对上述问题，发明人经过长期的研究发现并提出了本发明实施例提供的基于人工智能的安检违禁物品检测方法、装置及电子设备，从而通过将安检仪输出的数据进行渲染生成成像图片，并通过预设深度学习算法对成像图片中的待检测物体进行违禁品检测，以提高违禁品的检测精度，降低误报率，同时减少对安检人员的依赖，提高安检效率。

下面将结合附图具体描述本发明的各实施例。

请参阅图1，图1示出了本发明实施例提供的基于人工智能的安检违禁物品检测方法的时序图，应用于安检系统，所述安检系统包括客户端和服务端，所述客户端和所述服务端通信连接。下面将针对图1所示的实施例进行详细的阐述，所述方法具体可以包括以下步骤：

步骤s110：所述客户端接收安检仪输出的数据，所述数据为x光线穿透至少一个待检测物体后在探测器阵列上产生的响应。

在本实施例中，待检测物体进入x射线检查通道，会阻挡包裹检测传感器，检测信号被送往系统控制部分，产生x射线触发信号，触发x射线射线源发射x射线束。当x射线穿过物品时，x射线被待检测物体吸收，最后轰击安装在通道内的x射线阵列探测器。x射线阵列探测器对待检测物体逐层扫描，产生一个二维数组的响应，安检仪将包含所有待检测物体生成的二维数组的集合发送给客户端，其中，安检仪可以将包含所有待检测物体生成的二维数组的集合压缩打包后发送给客户端，也可以直接将二维数组集合发送给客户端，客户端接收该包含所有待检测物体生成的二维数组的集合。

步骤s120：所述客户端渲染所述数据，并生成所述至少一个待检测物体的成像图片，发送所述成像图片至所述服务端。

在本实施例中，客户端对接收的数据进行渲染，其中，渲染的过程可以通过调用渲染算法进行渲染，也可以通过客户端调用外部的渲染器进行渲染，生成待检测物体的成像图片，成像图片包括一次x光照射覆盖的所有物体。

进一步地，客户端可以将采集到的图片通过二进制压缩后发送至服务端进行处理，也可以将图片转换成字符串加入标识发送至服务端，具体的方式在此不做限定。

在本实施例中，客户端和服务端的通信可以采用ice开源通信框架，支持同步调用方式和异步调用方式，异步派发调用方式，支持跨语言的对象调用，从而客户端和服务端可以利用不同的编程语言实现。例如，如图2所示，在ice框架下，服务端实现算法api，客户端获得api的代理，然后通过代理调用算法，直接获得算法的返回结果。

步骤s130：所述服务端通过预设深度学习算法对所述成像图片进行违禁品检测，获得所述至少一个待检测物体的检测结果，并发送所述检测结果至客户端。

在本实施例中，服务端部署的深度学习算法可以采用卷积神经网络，卷积神经网络对成像图片进行卷积，获取成像图片中各个物体的特征图，再通过建立输入的特征图与输出的违禁品信息之间的映射关系表，如表1所示，对卷积神经网络进行训练，卷积神经网络在学习大量的输入与输出之间的映射关系之后，服务器将接收到的成像图片进行卷积得到各个物体的特征图后，输入到卷积神经网络，卷积神经网络通过学习的算法输出与输入的特征图对应的违禁品信息，将违禁品信息作为检测结果发送给客户端。其中，卷积神经网络结构中可以采用残差模块，通过多次叠加残差模块形成深度网络，由于残差模块的存在，从而可以保证网络的学习效果。

表1

作为一种方式，针对被检测物体尺寸的多样性特点，神经网络的检测层可以采用多尺度检测结构，例如yolov3、ssd等，在不同尺度的特征图上进行检测，其中，具体方式可以以yolov3的检测过程举例说明，例如，对于被检测物体尺寸的多样性特点，yolov3在3个不同尺度上进行预测，检测层用于在三个不同大小的特征图上执行预测，特征图步幅可以分别是32、16、8。当输入图像大小是416x416时，在尺度13x13、26x26和52x52上执行检测。

在本实施例中，通过预设深度学习算法对所述成像图片进行违禁品检测，可以部署单独的带gpu的服务器来进行检测，也可以在单计算机上部署客户端和服务端进行检测，同时可通过特定的神经网络加速方式，例如，神经网络加速芯片，模型压缩等方法，来加快计算速度。

步骤s140：所述客户端输出所述检测结果。

在本实施例中，客户端在接收到服务端返回的检测结果，可以通过图像、音频等形式输出检测结果。

本发明实施例提供的基于人工智能的安检违禁物品检测方法，客户端接收安检仪输出的数据，其中，该数据为x光线穿透至少一个待检测物体后在探测器阵列上产生的响应，客户端对该数据进行渲染，并生成至少一个待检测物体的成像图片，将该成像图片发送给服务端，服务端通过预设深度学习算法客户端对成像图片进行违禁品检测，获得至少一个待检测物体的检测结果，并将检测结果发送至客户端，客户端输出该检测结果。从而通过将安检仪输出的数据进行渲染生成成像图片，并通过预设深度学习算法对成像图片中的待检测物体进行违禁品检测，以提高违禁品的检测精度，降低误报率，同时减少对安检人员的依赖，提高安检效率。

请参阅图3，图3示出了本发明一个实施例提供的基于人工智能的安检违禁物品检测方法的流程示意图，应用于客户端。下面将针对图3所示的实施例进行详细的阐述，所述方法具体可以包括以下步骤：

步骤s210：接收安检仪输出的数据，所述数据为x光线穿透至少一个待检测物体后在探测器阵列上产生的响应。

步骤s220：渲染所述数据，并生成所述至少一个待检测物体的成像图片。

步骤s230：通过预设深度学习算法对所述成像图片进行违禁品检测，获得并输出所述至少一个待检测物体的检测结果。

其中，步骤s210-步骤s230的具体描述请参阅步骤s110-步骤s140，在此不再赘述。

本发明一个实施例提供的基于人工智能的安检违禁物品检测方法，客户端接收安检仪输出的数据，其中，该数据为x光线穿透至少一个待检测物体后在探测器阵列上产生的响应，客户端对该数据进行渲染，并生成至少一个待检测物体的成像图片，通过预设深度学习算法客户端对成像图片进行违禁品检测，获得并输出至少一个待检测物体的检测结果。通过预设深度学习算法对待检测物体进行违禁品检测，从而提高违禁品的检测精度，降低误报率，同时减少对安检人员的依赖，提高安检效率。

请参阅图4，图4示出了本发明又一个实施例提供的基于人工智能的安检违禁物品检测方法的流程示意图，应用于客户端。下面将针对图4所示的流程进行详细的阐述，所述方法具体可以包括以下步骤：

步骤s310：接收安检仪输出的数据，所述数据为x光线穿透至少一个待检测物体后在探测器阵列上产生的响应。

步骤s320：渲染所述数据，并生成所述至少一个待检测物体的成像图片。

其中，步骤s310-步骤s320的具体描述请参阅步骤s110-步骤s120，在此不再赘述。

步骤s330：通过预设深度学习算法对所述成像图片进行违禁品检测，获得并输出所述至少一个待检测物体的检测结果。

在本实施例中，作为第一种方式，请参阅图5，图5示出了本发明的图4所示的实施例提供的基于人工智能的安检违禁物品检测方法的步骤s330的一个实施例的流程示意图。下面将针对图5所示的流程进行详细的阐述，在本实施例中，当检测结果包括违禁品类型时，所述方法具体可以包括以下步骤：

步骤s331a：获得所述违禁品类型。

在本实施例中，客户端通过预设深度学习算法对成像图片进行违禁品检测，客户端将接收到的成像图片进行卷积得到各个物体的特征图后，输入到卷积神经网络，卷积神经网络输出与输入的特征图对应的违禁品信息，将违禁品信息作为检测结果输出，其中，违禁品信息至少包括违禁品类型，客户端提取违禁品信息中的违禁品类型。

步骤s332a：将所述违禁品类型标记在所述成像图片中，并生成第一检测结果示意图。

在本实施例中，当客户端提取违禁品信息中的违禁品类型后，可以在成像图片中该违禁品的位置上标记该违禁品的类型，也可以将违禁品类型以列表的形式标记在成像图片上，并将标记有该违禁品类型的成像图片生成第一检测结果示意图。

步骤s333a：显示所述第一检测结果示意图。

在本实施例中，客户端接收标记有该违禁品类型的成像图片生成的第一检测结果示意图，并在屏幕上显示。

在本实施例中，作为第二种方式，请参阅图6，图6示出了本发明的图4所示的实施例提供的基于人工智能的安检违禁物品检测方法的步骤s330的另一个实施例的流程示意图。下面将针对图6所示的流程进行详细的阐述，在本实施例中，当检测结果包括违禁品位置时，所述方法具体可以包括以下步骤：

步骤s331b：获得所述违禁品位置。

在本实施例中，在本实施例中，客户端通过预设深度学习算法对成像图片进行违禁品检测，客户端将接收到的成像图片进行卷积得到各个物体的特征图后，输入到卷积神经网络，卷积神经网络输出与输入的特征图对应的违禁品信息，将违禁品信息作为检测结果输出，其中，违禁品信息至少包括违禁品位置，客户端提取违禁品信息中的违禁品位置。

步骤s332b：将所述违禁品位置标记在所述成像图片中，并生成第二检测结果示意图。

在本实施例中，当客户端提取违禁品信息中的违禁品位置后，则在成像图片中标记该违禁品的位置，例如，客户端获得了矩形框的坐标信息，则根据坐标信息，将矩形框标记在成像图片中，从而对违禁品进行框选，并将标记有该违禁品位置的成像图片生成第二检测结果示意图。

步骤s333b：显示所述第二检测结果示意图。

在本实施例中，客户端接收标记有该违禁品位置的成像图片生成的第二检测结果示意图，并在屏幕上显示。

在本实施例中，作为一种方式，检测结果可以包括违禁品类别、违禁品位置以及检测结果的置信度，客户端根据违禁品位置信息，将违禁品类别标记在成像图片中该违禁品对应的位置上，根据检测结果的置信度，可以设置对应不同颜色的矩形框对违禁品进行框选。其中，违禁品类别可以用不同语言标记，例如中文、英语等，违禁品类别可以标记在违禁品的上方、也可以在违禁品的下方，具体标记位置不做限定。

例如，客户端获得违禁品检测结果是json格式的：{“objs”[{“classid”：6，“xmin”：540，“ymin”：263，“xmax”：643，“ymax”：429，“conf”：95}，{“classid”：4，“xmin”：287，“ymin”：91，“xmax”：507，“ymax”：355，“conf”：13}，{“classid”：2，“xmin”：624，“min”：126，“xmax”：709，“ymax”：502，“conf”：28}]}。

其中，“objs”字段表示检测结果数组，数组中的每一项代表一个检测到的违禁品，“classid”代表违禁品的类型，“xmin”，“ymin”代表检测到的矩形框的左上角坐标，“xmax”，“ymax”代表检测到的矩形框的右下角坐标，“conf”代表检测结果的置信度。如图7所示，客户端得到检测结果后将检测结果显示到屏幕上。图7仅为本实施例中显示检测结果的方式的一种，并不作为限定。

在本实施例中，进一步地，服务端预先设置深度学习算法，算法包括学习输入的特征图与输出的违禁品信息之间的映射关系表，客户端对接收到的数据进行渲染，并生成至少一个待检测物体的成像图片之后，客户端可以将成像图片发送至服务端，服务端根据预先设置的算法，对接收到的成像图片进行处理，根据算法输出与接收到的成像图片对应的违禁品信息，将违禁品信息作为检测结果发送给客户端。

步骤s340：当所述检测结果指示所述至少一个待检测物体中包括违禁品时，输出警报提示信息。

在本实施例中，当检测结果指示待检测物体中包括违禁品时，将警报提示信息发送给客户端，客户端可以通过灯光报警、语音报警、图文显示报警等形式输出警报提示信息。

本发明又一个实施例提供的基于人工智能的安检违禁物品检测方法，客户端接收安检仪输出的数据，其中，该数据为x光线穿透至少一个待检测物体后在探测器阵列上产生的响应，客户端对该数据进行渲染，并生成至少一个待检测物体的成像图片，通过预设深度学习算法客户端对成像图片进行违禁品检测，当检测结果指示待检测物体中包括违禁品时，输出警报提示信息，同时获得包括违禁品类型、违禁品位置等至少一种或几种的违禁品信息的检测结果，将违禁品信息标记在成像图片中得到检测结果示意图。相较于图1所示的基于人工智能的安检违禁物品检测方法，本实施例还可以接收当检测结果指示待检测物体中包括违禁品时输出的警报提示信息，以及接收将违禁品信息标记在成像图片中得到的检测结果示意图，从而可以使安检人员更直观的看到待检测物体中包含的违禁品，减少安检人员的工作量。

请参阅图8，图8示出了本发明再一个实施例提供的基于人工智能的安检违禁物品检测方法的流程示意图，应用于服务端。下面将针对图8所示的流程进行详细的阐述，所述方法具体可以包括以下步骤：

步骤s410：接收安检仪输出的数据，所述数据为x光线穿透至少一个待检测物体后在探测器阵列上产生的响应。

在本实施例中，待检测物体在通过安检仪后，被x射线穿透在安检仪可以将包含所有待检测物体生成的二维数组的集合压缩打包后输出给服务端，也可以直接将二维数组集合输出给服务端，服务端接收该包含所有待检测物体生成的二维数组的集合。

步骤s420：渲染所述数据，并生成所述至少一个待检测物体的成像图片。

在本实施例中，可以通过服务端调用渲染算法对接收到的数据进行渲染，也可以通过服务端调用外部的渲染器进行渲染，从而生成至少一个待检测物体的成像图片。

步骤s430：通过预设深度学习算法对所述成像图片进行违禁品检测，获得所述至少一个待检测物体的检测结果。

步骤s440：发送所述检测结果至客户端。

其中，步骤s430-步骤s440的具体描述请参阅步骤s130-步骤s140，在此不再赘述。

本发明再一个实施例提供的基于人工智能的安检违禁物品检测方法，服务端接收安检仪输出的数据，其中，该数据为x光线穿透至少一个待检测物体后在探测器阵列上产生的响应，服务端对该数据进行渲染，并生成至少一个待检测物体的成像图片，通过预设深度学习算法服务端对成像图片进行违禁品检测，获得并输出至少一个待检测物体的检测结果。从而通过将安检仪输出的数据进行渲染生成成像图片，并通过预设深度学习算法对成像图片中的待检测物体进行违禁品检测，以提高违禁品的检测精度，降低误报率，同时减少对安检人员的依赖，提高安检效率。

请参阅图9，图9示出了本发明一个实施例提供的基于人工智能的安检违禁物品检测装置500的模块框图，所述基于人工智能的安检违禁物品检测装置500应用于上述客户端。下面将针对图9所示的框图进行阐述，所述基于人工智能的安检违禁物品检测装置500包括：第一接收模块510、第一渲染模块520以及第一检测模块530，其中：

第一接收模块510，用于接收安检仪输出的数据，所述数据为x光线穿透至少一个待检测物体后在探测器阵列上产生的响应；

第一渲染模块520，用于渲染所述数据，并生成所述至少一个待检测物体的成像图片；

第一检测模块530，用于通过预设深度学习算法对所述成像图片进行违禁品检测，获得并输出所述至少一个待检测物体的检测结果。进一步地，当所述检测结果包括违禁品类型时，所述第一检测模块530包括：违禁品类型获得子模块、违禁品类型标记子模块以及第一检测结果示意图子模块，其中：

违禁品类型获得子模块，用于获得所述违禁品类型。

违禁品类型标记子模块，用于将所述违禁品类型标记在所述成像图片中，并生成第一检测结果示意图。

第一检测结果示意图子模块，用于显示所述第一检测结果示意图。

进一步地，当所述检测结果包括违禁品位置时，所述第一检测模块530包括：违禁品位置获得子模块、违禁品位置标记子模块以及第二检测结果示意图子模块，其中：

违禁品类型获得子模块，用于获得所述违禁品类型。

违禁品类型标记子模块，用于将所述违禁品类型标记在所述成像图片中，并生成第一检测结果示意图。

第一检测结果示意图子模块，用于显示所述第一检测结果示意图。

进一步地，所述第一检测模块530还包括：发送子模块以及输出子模块，其中：

发送子模块，用于发送所述成像图片至服务端，所述成像图片用于指示所述服务端通过预设深度学习算法对所述成像图片进行违禁品检测，并反馈所述至少一个待检测物体的检测结果；

输出子模块，用于输出所述检测结果。

进一步地，所述基于人工智能的安检违禁物品检测装置500还包括：输出模块，其中：

输出模块，用于当所述检测结果指示所述至少一个待检测物体中包括违禁品时，输出警报提示信息。

请参阅图10，图10示出了本发明另一个实施例提供的基于人工智能的安检违禁物品检测装置600的模块框图，所述基于人工智能的安检违禁物品检测装置600应用于上述服务端。下面将针对图10所示的框图进行阐述，所述基于人工智能的安检违禁物品检测装置600包括：第二接收模块610、第二渲染模块620、第二检测模块630以及发送模块640，其中：

第二接收模块610，用于接收安检仪输出的数据，所述数据为x光线穿透至少一个待检测物体后在探测器阵列上产生的响应；

第二渲染模块620，用于渲染所述数据，并生成所述至少一个待检测物体的成像图片；

第二检测模块630，用于通过预设深度学习算法对所述成像图片进行违禁品检测，获得所述至少一个待检测物体的检测结果；

发送模块640，用于发送所述检测结果至客户端。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，模块相互之间的耦合可以是电性，机械或其它形式的耦合。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

本发明实施例还提供了一种安检系统，所述安检系统包括客户端和服务端，所述客户端和所述服务端通信连接，其中：

所述客户端，用于接收安检仪输出的数据，所述数据为x光线穿透至少一个待检测物体后在探测器阵列上产生的响应；

所述客户端，用于渲染所述数据，并生成所述至少一个待检测物体的成像图片，发送所述成像图片至所述服务端；

所述服务端，用于通过预设深度学习算法对所述成像图片进行违禁品检测，获得所述至少一个待检测物体的检测结果，并发送所述检测结果至客户端展示所述推荐方案；

所述客户端，用于输出所述检测结果。

下面将结合图11对本发明提供的一种电子设备进行说明。

请参阅图11，图11示出了本发明实施例提供的一种电子设备的结构框图。本发明中的电子设备700可以包括一个或多个如下部件：处理器710、存储器720、以及一个或多个程序，其中一个或多个程序可以被存储在存储器720中并被配置为由一个或多个处理器710执行，一个或多个程序配置用于执行如前述方法实施例所描述的方法。

处理器710可以包括一个或者多个处理核。处理器710利用各种接口和线路连接整个电子设备700内的各个部分，通过运行或执行存储在存储器720内的指令、程序、代码集或指令集，以及调用存储在存储器720内的数据，执行电子设备700的各种功能和处理数据。可选地，处理器710可以采用数字信号处理(digitalsignalprocessing，dsp)、现场可编程门阵列(field－programmablegatearray，fpga)、可编程逻辑阵列(programmablelogicarray，pla)中的至少一种硬件形式来实现。处理器710可集成中央处理器(centralprocessingunit，cpu)、图像处理器(graphicsprocessingunit，gpu)和调制解调器等中的一种或几种的组合。其中，cpu主要处理操作系统、用户界面和应用程序等；gpu用于负责显示内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器710中，单独通过一块通信芯片进行实现。

存储器720可以包括随机存储器(randomaccessmemory，ram)，也可以包括只读存储器(read-onlymemory)。存储器720可用于存储指令、程序、代码、代码集或指令集。存储器720可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如物品检测功能等)、用于实现下述各个方法实施例的指令等。存储数据区还可以电子设备700在使用中所创建的数据(比如检测数据、违禁品信息数据)等。

请参阅图12，其示出了本发明实施例提供的一种计算机可读存储介质的结构框图。该计算机可读存储介质800中存储有程序代码，所述程序代码可被处理器调用执行上述方法实施例中所描述的方法。

计算机可读存储介质800可以是诸如闪存、eeprom(电可擦除可编程只读存储器)、eprom、硬盘或者rom之类的电子存储器。可选地，计算机可读存储介质800包括非易失性计算机可读介质(non-transitorycomputer-readablestoragemedium)。计算机可读存储介质800具有执行上述方法中的任何方法步骤的程序代码810的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码810可以例如以适当形式进行压缩。

综上所述，本发明实施例公开了一种基于人工智能的安检违禁物品检测方法、装置及电子设备，客户端接收安检仪输出的数据，其中，该数据为x光线穿透至少一个待检测物体后在探测器阵列上产生的响应，客户端对该数据进行渲染，并生成至少一个待检测物体的成像图片，通过预设深度学习算法客户端对成像图片进行违禁品检测，获得并输出至少一个待检测物体的检测结果。从而通过将安检仪输出的数据进行渲染生成成像图片，并通过预设深度学习算法对成像图片中的待检测物体进行违禁品检测，以提高违禁品的检测精度，降低误报率，同时减少对安检人员的依赖，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。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。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”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(移动终端)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。