违禁品检测方法、装置、处理器和安检系统与流程

本申请涉及安检技术领域，具体而言，涉及一种违禁品检测方法、装置、计算机可读存储介质、处理器和安检系统。

背景技术：

目前，公共安全领域的违禁物品的主要检测手段是通过人工查看自动生成的x光图片，通过自动生成的x光图片检测违禁物品对保障人、机场、港口及众多公共场所安全具有很重要的作用，随着现在人流量的增加带来的物品量的增加，给人工查看违禁物品的工作人员带来了很大的负担。

在背景技术部分中公开的以上信息只是用来加强对本文所描述技术的背景技术的理解，因此，背景技术中可能包含某些信息，这些信息对于本领域技术人员来说并未形成在本国已知的现有技术。

技术实现要素：

本申请的主要目的在于提供一种违禁品检测方法、装置、计算机可读存储介质、处理器和安检系统，以解决现有技术中人工检测违禁物品费时费力的问题。

根据本发明实施例的一个方面，提供了一种违禁品检测方法，包括：获取待测x光安检图片；将所述待测x光安检图片输入检测模型，得到输出结果，所述检测模型的神经网络结构包括深度神经网络和宽度神经网络，且所述检测模型为通过机器学习训练得到的；根据所述输出结果确定违禁品检测结果。

可选地，所述检测模型的训练过程包括：获取多个x光安检图片；获取多个标注图像，所述标注图像为对所述x光安检图片标注得到的；建立所述x光安检图片与所述标注图像的映射关系，得到训练数据集，其中，所述训练数据集包括多组数据，且所述多组数据中的每组数据中均包括：x光安检图片和对应的标注图像；基于所述训练数据集的数据对所述神经网络结构进行训练，得到所述检测模型。

可选地，将所述待测x光安检图片输入检测模型，得到检测结果，包括：采用所述深度神经网络对所述x光安检图片进行特征提取，得到特征点，一个所述特征点对应一个第一数值；采用所述宽度神经网络对所述特征点进行融合和再提取，得到所述输出结果。

可选地，所述深度神经网络包括浅层、中层和深层，采用所述深度神经网络对所述x光安检图片进行特征提取，得到特征点，包括：采用所述浅层、所述中层和所述深层对所述x光安检图片进行特征提取，得到第一特征图；采用激活函数对所述第一特征图进行处理，得到第二特征图；对所述第二特征图进行全局平均池化处理，得到所述特征点。

可选地，采用所述宽度神经网络对所述特征点进行融合和再提取，得到所述输出结果，包括：所述特征点通过第一函数计算得到特征层节点，一个所述特征层节点对应一个第二数值；所述特征层节点通过第二函数计算得到增强层节点，一个所述增强层节点对应一个第三数值；所述特征点和所述特征层节点通过第三函数计算得到所述输出结果。

可选地，根据所述输出结果确定违禁品检测结果，包括：根据所述输出结果绘制特征响应图；根据所述特征响应图确定所述违禁品检测结果。

根据本发明实施例的另一方面，还提供了一种违禁品检测装置，包括：获取单元，用于获取x光安检图片；检测单元，用于将所述x光安检图片输入检测模型，得到输出结果，所述检测模型的神经网络结构包括深度神经网络和宽度神经网络，且所述检测模型为使用多组训练数据通过机器学习训练得到的；确定单元，用于根据所述输出结果确定违禁品检测结果。

根据本发明实施例的再一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，所述程序执行任意一种所述的方法。

根据本发明实施例的又一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任意一种所述的方法。

根据本发明实施例的再一方面，还提供了一种安检系统，包括安检x光机和违禁品检测装置，所述违禁品检测装置用于执行任意一种所述的方法。

在本发明实施例中，上述违禁品检测方法中，首先，获取x光安检图片，然后，将x光安检图片输入检测模型，得到输出结果，检测模型的神经网络结构包括深度神经网络和宽度神经网络，且检测模型为使用多组训练数据通过机器学习训练得到的，最后，根据输出结果确定违禁品检测结果。上述方法利用深度学习和宽度学习结合训练得到检测模型，使得检测模型可以自动识别x光安检图片中的违禁品，从而实现了快速检测违禁品的技术效果，进而解决了现有技术中人工检测违禁物品费时费力的问题。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示出了根据本申请的一种实施例的违禁品检测方法的流程图；

图2示出了根据本申请的一种实施例的违禁品检测装置的示意图；以及

图3示出了根据本申请的一种实施例的检测模型对待测x光安检图片进行分析的流程图。

其中，上述附图包括以下附图标记：

10、第一特征图；20、第二特征图；30、特征点；40、特征层节点；50、增强层节点。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通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，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应该理解的是，当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时，该元件可直接在该另一元件上，或者也可存在中间元件。而且，在说明书以及权利要求书中，当描述有元件“连接”至另一元件时，该元件可“直接连接”至该另一元件，或者通过第三元件“连接”至该另一元件。

正如背景技术中所说的，现有技术中人工标注x光图片中的违禁物品费时费力，为了解决上述问题，本申请的一种典型的实施方式中，提供了一种违禁品检测方法、装置、计算机可读存储介质、处理器和安检系统。

根据本申请的实施例，提供了一种违禁品检测方法。

图1是根据本申请实施例的违禁品检测方法的流程图。如图1所示，该方法包括以下步骤：

步骤s101，获取待测x光安检图片；

步骤s102，将上述待测x光安检图片输入检测模型，得到输出结果，上述检测模型的神经网络结构包括深度神经网络和宽度神经网络，且上述检测模型为通过机器学习训练得到的；

步骤s103，根据上述输出结果确定违禁品检测结果。

上述违禁品检测方法中，首先，获取x光安检图片，然后，将x光安检图片输入检测模型，得到输出结果，检测模型的神经网络结构包括深度神经网络和宽度神经网络，且检测模型为使用多组训练数据通过机器学习训练得到的，最后，根据输出结果确定违禁品检测结果。上述方法利用深度学习和宽度学习结合训练得到检测模型，使得检测模型可以自动识别x光安检图片中的违禁品，从而实现了快速检测违禁品的技术效果，进而解决了现有技术中人工检测违禁物品费时费力的问题。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请的一种实施例中，上述检测模型的训练过程包括：获取多个x光安检图片；获取多个标注图像，上述标注图像为对上述x光安检图片标注得到的；建立上述x光安检图片与上述标注图像的映射关系，得到训练数据集，其中，上述训练数据集包括多组数据，且上述多组数据中的每组数据中均包括：x光安检图片和对应的标注图像；基于上述训练数据集的数据对上述神经网络结构进行训练，得到上述检测模型。具体地，上述标注图像是人工对采集x光安检图片标注得到的，将采集的x光安检图片和对应的标注图像组成训练数据，对上述神经网络结构进行训练，得到上述检测模型，使得检测模型可以对x光安检图片进行分析得到违禁品检测结果。

本申请的一种实施例中，将上述待测x光安检图片输入检测模型，得到检测结果，包括：采用上述深度神经网络对上述x光安检图片进行特征提取，得到特征点，一个上述特征点对应一个第一数值；采用上述宽度神经网络对上述特征点进行融合和再提取，得到上述输出结果。具体地，上述深度神经网络对上述x光安检图片进行特征提取，得到特征点，然后采用上述宽度神经网络对上述特征点进行融合和再提取，从而通过上述深度神经网络和上述宽度神经网络结合对上述x光安检图片进行分析，得到上述输出结果，以根据上述输出结果确定违禁品检测结果，进一步避免漏检和错检，提高了违禁品检测检测的准确率。

本申请的一种实施例中，上述深度神经网络包括浅层、中层和深层，如图3所示，采用上述深度神经网络对上述x光安检图片进行特征提取，得到特征点，包括：采用上述浅层、上述中层和上述深层对上述x光安检图片进行特征提取，得到第一特征图10；采用激活函数对上述第一特征图10进行处理，得到第二特征图20；对上述第二特征图20进行全局平均池化处理，得到上述特征点30。具体地，将上述深度神经网络分为浅层、中层和深层，浅层、中层和深层分别具有多个层，上述深度神经网络提取的深层特征的感受野较大，包含的语义信息较多，但是空间精度较低，上述深度神经网络提取的浅层特征定位较为准确，但是感受野较小，包含的纹理边缘信息较多，上述深度神经网络中的一个层提取一个第一特征图，采用激活函数对上述第一特征图进行处理，得到第二特征图，对上述第二特征图进行全局平均池化处理，得到上述特征点，即上述特征点与上述深度神经网络的层一一对应，例如，resnet深度神经网络的深层包括2048个层，中层包括1024个层，浅层包括512个层，则深层提取2048个特征点，中层提取1024个特征点，浅层提取512个特征点。

本申请的一种实施例中，如图3所示，采用上述宽度神经网络对上述特征点进行融合和再提取，得到上述输出结果，包括：上述特征点30通过第一函数计算得到特征层节点40，一个上述特征层节点40对应一个第二数值；上述特征层节点40通过第二函数计算得到增强层节点50，一个上述增强层节点50对应一个第三数值；上述特征层节点40和上述增强层节点50通过第三函数计算得到上述输出结果。具体地，上述第一函数为zi＝xwei+βei，i＝1，…，n，其中，wei和βei为随机的权重系数和偏置项，取值范围为0～1，x为第一数值，表示对应的特征点，zi为第i个第一特征向量，第一特征向量与特征层一一对应，特征层包括多个特征层节点，一个上述特征层节点对应一个第二数值，例如，n取20，即特征层的层数为20层，每个特征层包括40个特征节点数，40个第二数值组成一个特征向量，将所有的特征层节点进行组合得到zⁿ，zⁿ≡[z1…zn]，上述第二函数为hm＝zⁿwhm+βhm，其中，whm是随机权重系数，βhm是随机偏置项，取值范围为0～1，hm为第二特征向量，第二特征向量与增强层一一对应，增强特征层包括多个增强层节点，一个上述增强层节点对应一个第三数值，表示对应的增强层节点，将增强层节点进行组合h^m＝[h1，…，hm]，输出结果y＝[zⁿ|h^m]w，其中，w为随机权重系数矩阵。

本申请的一种实施例中，根据上述输出结果确定违禁品检测结果，包括：根据上述输出结果绘制特征响应图；根据上述特征响应图确定上述违禁品检测结果。具体地，将输出结果输入绘图软件，得到特征响应图，根据特征响应图可以直观地确定违禁品检测结果，即确定x光安检图片的违禁品的种类和数量。

本申请实施例还提供了一种违禁品检测装置装置，需要说明的是，本申请实施例的违禁品检测装置可以用于执行本申请实施例所提供的用于违禁品检测方法。以下对本申请实施例提供的违禁品检测装置进行介绍。

图2是根据本申请实施例的违禁品检测装置的示意图。如图2所示，该装置包括：

获取单元100，用于获取x光安检图片；

检测单元200，用于将上述x光安检图片输入检测模型，得到输出结果，上述检测模型的神经网络结构包括深度神经网络和宽度神经网络，且上述检测模型为使用多组训练数据通过机器学习训练得到的；

确定单元300，用于根据上述输出结果确定违禁品检测结果。

上述违禁品检测装置中，获取单元获取x光安检图片检测单元将x光安检图片输入检测模型，得到输出结果，检测模型的神经网络结构包括深度神经网络和宽度神经网络，且检测模型为使用多组训练数据通过机器学习训练得到的，确定单元根据输出结果确定违禁品检测结果。上述方法利用深度学习和宽度学习结合训练得到检测模型，使得检测模型可以自动识别x光安检图片中的违禁品，从而实现了快速检测违禁品的技术效果，进而解决了现有技术中人工检测违禁物品费时费力的问题。

本申请的一种实施例中，上述装置还训练单元，上述训练单元包括第一获取模块、第二获取模块、第一处理模块和训练模块，其中，上述第一获取模块用于获取多个x光安检图片；上述第二获取模块用于获取多个标注图像，上述标注图像为对上述x光安检图片标注得到的；上述第一处理模块用于建立上述x光安检图片与上述标注图像的映射关系，得到训练数据集，其中，上述训练数据集包括多组数据，且上述多组数据中的每组数据中均包括：x光安检图片和对应的标注图像；上述训练模块用于基于上述训练数据集的数据对上述神经网络结构进行训练，得到上述检测模型。具体地，上述标注图像是人工对采集x光安检图片标注得到的，将采集的x光安检图片和对应的标注图像组成训练数据，对上述神经网络结构进行训练，得到上述检测模型，使得检测模型可以对x光安检图片进行分析得到违禁品检测结果。

本申请的一种实施例中，上述检测单元包括第二处理模块和第三处理模块，其中，上述第一处理模块用于采用上述深度神经网络对上述x光安检图片进行特征提取，得到特征点，一个上述特征点对应一个第一数值；上述第二处理模块用于采用上述宽度神经网络对上述特征点进行融合和再提取，得到上述输出结果。具体地，上述深度神经网络对上述x光安检图片进行特征提取，得到特征点，然后采用上述宽度神经网络对上述特征点进行融合和再提取，从而通过上述深度神经网络和上述宽度神经网络结合对上述x光安检图片进行分析，得到上述输出结果，以根据上述输出结果确定违禁品检测结果，进一步避免漏检和错检，提高了违禁品检测检测的准确率。

本申请的一种实施例中，上述深度神经网络包括浅层、中层和深层，如图3所示，上述第二处理模块包括第一处理子模块、第二处理子模块和第三处理子模块，其中，上述第一处理子模块用于采用上述浅层、上述中层和上述深层对上述x光安检图片进行特征提取，得到第一特征图10；上述第二处理子模块用于采用激活函数对上述第一特征图10进行处理，得到第二特征图20；上述第三处理子模块用于对上述第二特征图20进行全局平均池化处理，得到上述特征点30。具体地，将上述深度神经网络分为浅层、中层和深层，浅层、中层和深层分别具有多个层，上述深度神经网络提取的深层特征的感受野较大，包含的语义信息较多，但是空间精度较低，上述深度神经网络提取的浅层特征定位较为准确，但是感受野较小，包含的纹理边缘信息较多，上述深度神经网络中的一个层提取一个第一特征图，采用激活函数对上述第一特征图进行处理，得到第二特征图，对上述第二特征图进行全局平均池化处理，得到上述特征点，即上述特征点与上述深度神经网络的层一一对应，例如，resnet深度神经网络的深层包括2048个层，中层包括1024个层，浅层包括512个层，则深层提取2048个特征点，中层提取1024个特征点，浅层提取512个特征点。

本申请的一种实施例中，如图3所示，上述第三处理模块包括第一计算子模块、第二计算子模块和第三计算子模块，其中，上述第一计算子模块用于上述特征点30通过第一函数计算得到特征层节点40，一个上述特征层节点40对应一个第二数值；上述第二计算子模块用于上述特征层节点40通过第二函数计算得到增强层节点50，一个上述增强层节点50对应一个第三数值；上述第三计算子模块用于上述特征层节点40和上述增强层节点50通过第三函数计算得到上述输出结果。具体地，上述第一函数为zi＝xwei+βei，i＝1，…，n，其中，wei和βei为随机的权重系数和偏置项，取值范围为0～1，x为第一数值，表示对应的特征点，zi为第i个第一特征向量，第一特征向量与特征层一一对应，特征层包括多个特征层节点，一个上述特征层节点对应一个第二数值，例如，n取20，即特征层的层数为20层，每个特征层包括40个特征节点数，40个第二数值组成一个特征向量，将所有的特征层节点进行组合得到zⁿ，zⁿ≡[z1…zn]，上述第二函数为hm＝zⁿwhm+βhm，其中，whm是随机权重系数，βhm是随机偏置项，取值范围为0～1，hm为第二特征向量，第二特征向量与增强层一一对应，增强特征层包括多个增强层节点，一个上述增强层节点对应一个第三数值，表示对应的增强层节点，将增强层节点进行组合h^m＝[h1，…，hm]，输出结果y＝[zⁿ|h^m]w，其中，w为随机权重系数矩阵。

本申请的一种实施例中，上述确定单元包括第四处理模块和确定模块，其中，上述第四处理模块用于根据上述输出结果绘制特征响应图；上述确定模块用于根据上述特征响应图确定上述违禁品检测结果。具体地，将输出结果输入绘图软件，得到特征响应图，根据特征响应图可以直观地确定违禁品检测结果，即确定x光安检图片的违禁品的种类和数量。

根据本申请的实施例，还提供了一种安检系统，包括安检x光机和违禁品检测装置，上述违禁品检测装置用于执行任意一种上述的方法。

上述安检系统中，包括安检x光机和违禁品检测装置，获取单元获取x光安检图片检测单元将x光安检图片输入检测模型，得到输出结果，检测模型的神经网络结构包括深度神经网络和宽度神经网络，且检测模型为使用多组训练数据通过机器学习训练得到的，确定单元根据输出结果确定违禁品检测结果。上述方法利用深度学习和宽度学习结合训练得到检测模型，使得检测模型可以自动识别x光安检图片中的违禁品，从而实现了快速检测违禁品的技术效果，进而解决了现有技术中人工检测违禁物品费时费力的问题。

为了使得本领域技术人员能够更加清楚地了解本申请的技术方案，以下将结合具体的实施例来说明本申请的技术方案。

实施例1

本实施例的检测模型的训练步骤包括：获取1059231幅x光安检图片，其中，含有违禁品的图像有8929幅；获取x光安检图片对应的标注图像，上述标注图像为对上述x光安检图片标注得到的；建立上述x光安检图片与上述标注图像的映射关系，得到训练数据集，其中，上述训练数据集包括多组数据，且上述多组数据中的每组数据中均包括：x光安检图片和对应的标注图像；基于上述训练数据集的数据对上述神经网络结构进行训练，得到上述检测模型。其中，检测模型的神经网络中，特征层的层数为10，每个特征层包含10个特征节点，增强层的层数为1，每个增强层包括8000个增强层节点。

实施例2

与实施例1的区别在于：

本实施例的检测模型的神经网络中，增强层的层数为4。

实施例3

与实施例1的区别在于：

本实施例的检测模型的神经网络中，增强层的层数为2。

实施例4

与实施例1的区别在于：

本实施例的检测模型的神经网络中，特征层的层数为10，每个特征层包含50个特征节点，增强层的层数为1，每个增强层包括4000个增强层节点。

实施例5

与实施例1的区别在于：

本实施例的检测模型的神经网络中，特征层的层数为10，每个特征层包含40个特征节点，增强层的层数为1，每个增强层包括32000个增强层节点。

实施例6

与实施例1的区别在于：

本实施例的检测模型的神经网络中，特征层的层数为20，每个特征层包含40个特征节点，增强层的层数为1，每个增强层包括32000个增强层节点。

实施例7

与实施例1的区别在于：

本实施例的检测模型的神经网络中，特征层的层数为20，每个特征层包含50个特征节点，增强层的层数为1，每个增强层包括32000个增强层节点。

实施例8

与实施例1的区别在于：

本实施例的检测模型的神经网络中，特征层的层数为20，每个特征层包含60个特征节点，增强层的层数为1，每个增强层包括32000个增强层节点。

采用实施例1至8的检测模型对同一批x光安检图片进行检测，六种违禁品的检测准确率如表1所示。

表1

由上表可知，将实施例1至8的检测结果进行比较，实施例6的检测结果较优，因此，采用实施例6的检测模型进行安检。

上述违禁品检测装置包括处理器和存储器，上述获取单元、检测单元和确定单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决现有技术中人工标注x光图片中的违禁物品费时费力的问题。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)，存储器包括至少一个存储芯片。

本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述违禁品检测方法。

本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述违禁品检测方法。

本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：

步骤s101，获取待测x光安检图片；

步骤s102，将上述待测x光安检图片输入检测模型，得到输出结果，上述检测模型的神经网络结构包括深度神经网络和宽度神经网络，且上述检测模型为通过机器学习训练得到的；

步骤s103，根据上述输出结果确定违禁品检测结果。

本文中的设备可以是服务器、pc、pad、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：

步骤s101，获取待测x光安检图片；

步骤s102，将上述待测x光安检图片输入检测模型，得到输出结果，上述检测模型的神经网络结构包括深度神经网络和宽度神经网络，且上述检测模型为通过机器学习训练得到的；

步骤s103，根据上述输出结果确定违禁品检测结果。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，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单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个计算机可读存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的计算机可读存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：

1)、本申请的违禁品检测方法中，首先，获取x光安检图片，然后，将x光安检图片输入检测模型，得到输出结果，检测模型的神经网络结构包括深度神经网络和宽度神经网络，且检测模型为使用多组训练数据通过机器学习训练得到的，最后，根据输出结果确定违禁品检测结果。上述方法利用深度学习和宽度学习结合训练得到检测模型，使得检测模型可以自动识别x光安检图片中的违禁品，从而实现了快速检测违禁品的技术效果，进而解决了现有技术中人工检测违禁物品费时费力的问题。

2)、本申请的违禁品检测装置中，获取单元获取x光安检图片检测单元将x光安检图片输入检测模型，得到输出结果，检测模型的神经网络结构包括深度神经网络和宽度神经网络，且检测模型为使用多组训练数据通过机器学习训练得到的，确定单元根据输出结果确定违禁品检测结果。上述方法利用深度学习和宽度学习结合训练得到检测模型，使得检测模型可以自动识别x光安检图片中的违禁品，从而实现了快速检测违禁品的技术效果，进而解决了现有技术中人工检测违禁物品费时费力的问题。

3)、本申请的安检系统中，包括安检x光机和违禁品检测装置，获取单元获取x光安检图片检测单元将x光安检图片输入检测模型，得到输出结果，检测模型的神经网络结构包括深度神经网络和宽度神经网络，且检测模型为使用多组训练数据通过机器学习训练得到的，确定单元根据输出结果确定违禁品检测结果。上述方法利用深度学习和宽度学习结合训练得到检测模型，使得检测模型可以自动识别x光安检图片中的违禁品，从而实现了快速检测违禁品的技术效果，进而解决了现有技术中人工检测违禁物品费时费力的问题。

以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。