一种金属分类方法、装置、设备及存储介质与流程

1.本技术涉及金属分类领域，更具体的说，是涉及一种金属分类方法、装置、设备及存储介质。


背景技术：

2.在生活中或者工作的很多场合中，需要对通行的人或者行李进行金属探测，比如出于安全考虑，需要对进入高铁站、机场、医院等公共场合的人员及其随身行李进行安全检测，检测是否携带危险金属物品；另外，在一些原材料冶炼工厂或者大型企业，同样需要对通过的行人及其随身行李进行金属探测防止盗窃。
3.但是目前的金属探测设备，仅能探测到通行人员及其随身行李是否包含金属物品，而对金属的类别或者金属制品类型未能识别出来进行分类，进而无法判断所探测到的金属属于不具危险性质的常日生活金属制品还是属于具有危险性的金属制品、还是属于工厂或者企业违禁带出的金属原材料。在这种情况下，需要检测人员进行人工搜查从而确定所探测到的金属物品是否具有危险性或者是否属于违禁携带物品，这样会降低检查效率。
4.因此，亟需提供一种金属分类方案，对行人及其随身行李检测出金属物品的类型，无需进行人工搜查进行确认金属物品类型，从而提高安全检测或者防盗检测的效率。


技术实现要素：

5.鉴于上述问题，本技术提供一种金属分类方法、装置、设备及存储介质，以提高安全检测、防盗检测的效率。具体方案如下：
6.一种金属分类方法，包括：
7.获取待检测对象的各个通道的扫描数据，所述各个通道的扫描数据为多个不同线圈感应区域分别对待检测对象进行扫描得到；
8.将所述各个通道的扫描数据进行整合，得到综合扫描数据；
9.将所述综合扫描数据输入设置的金属分类模型，得到待检测对象包含的金属的类型；所述金属分类模型以多个不同线圈感应区域分别对训练对象进行扫描得到的各个通道的扫描数据整合后的综合扫描数据为训练样本，以所述训练对象包含的金属的类型为训练标签训练得到。
10.可选的，所述金属分类模型的训练过程包括：
11.获取训练对象的各个通道的扫描数据，所述各个通道的扫描数据为多个不同线圈感应区域分别对训练对象进行扫描得到；
12.将所述训练对象的各个通道的扫描数据进行整合，得到综合训练扫描数据；
13.将所述训练对象包含的金属的类型作为所述综合训练扫描数据的样本标签；
14.将所述综合训练扫描数据输入到所述金属分类模型中，得到金属分类模型输出的所述训练对象包含的金属的类型；
15.以所述输出的所述训练对象包含的金属的类型趋近于所述训练对象包含的金属
的类型为训练目标，更新所述金属分类模型的参数。
16.可选的，所述金属分类模型包括输入层、中间层、全连接输出层；
17.则所述将所述综合扫描数据输入设置的金属分类模型，得到待检测对象包含的金属的类型，包括：
18.利用所述输入层对所述综合扫描数据进行带通滤波，得到有效波形数据；
19.利用所述中间层对所述有效波形数据进行小波去噪，得到有效特征信息；
20.利用所述全连接输出层基于所述有效特征信息，得到所述待检测对象包含的金属的类型。
21.可选的，所述输入层为基于参数化的辛格函数网络模型sincnet中的滤波层；所述中间层为深度残差收缩网络中残差收缩模块rsbu
‑
cs。
22.可选的，所述获取训练对象的各个通道的扫描数据，包括：
23.获取训练对象在携带不同类型金属、以不同速度通过所述多个不同线圈感应区域时，各个不同线圈感应区域分别对训练对象进行扫描所得到的各个通道的扫描数据。
24.一种金属分类装置，包括：
25.扫描数据获取单元，用于获取待检测对象的各个通道的扫描数据，所述各个通道的扫描数据为多个不同线圈感应区域分别对待检测对象进行扫描得到；
26.数据整合单元，用于将所述各个通道的扫描数据进行整合，得到综合扫描数据；
27.模型预测单元，用于将所述综合扫描数据输入设置的金属分类模型，得到待检测对象包含的金属的类型；所述金属分类模型以多个不同线圈感应区域分别对训练对象进行扫描得到的各个通道的扫描数据整合后的综合扫描数据为训练样本，以所述训练对象包含的金属的类型为训练标签训练得到。
28.可选的，所述金属分类装置，还包括金属分类模型训练单元，所述金属分类模型训练单元用于训练所述金属分类模型，所述金属分类模型的训练过程包括：
29.获取训练对象的各个通道的扫描数据，所述各个通道的扫描数据为多个不同线圈感应区域分别对训练对象进行扫描得到；
30.将所述训练对象的各个通道的扫描数据进行整合，得到综合训练扫描数据；
31.将所述训练对象包含的金属的类型作为所述综合训练扫描数据的样本标签；
32.将所述综合训练扫描数据输入到所述金属分类模型中，得到金属分类模型输出的所述训练对象包含的金属的类型；
33.以所述输出的所述训练对象包含的金属的类型趋近于所述训练对象包含的金属的类型为训练目标，更新所述金属分类模型的参数。
34.可选的，所述金属分类模型包括输入层、中间层、全连接输出层；所述模型预测单元包括：
35.带通滤波单元，用于利用所述输入层对所述综合扫描数据进行带通滤波，得到有效波形数据；
36.小波去噪单元，用于利用所述中间层对所述有效波形数据进行小波去噪，得到有效特征信息；
37.结果获取单元，用于利用所述全连接输出层基于所述有效特征信息，得到所述待检测对象包含的金属的类型。
38.一种金属分类设备，包括：存储器和处理器；
39.所述存储器，用于存储程序；
40.所述处理器，用于执行所述程序，实现上述金属分类方法的各个步骤。
41.一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述金属分类方法的各个步骤。
42.借由上述技术方案，本技术可以预先训练金属分类模型，用于进行金属分类。具体地，可以是以训练对象扫描数据整合后的综合扫描数据为训练样本，以训练对象包含的金属的类型为训练标签训练得到。训练得到金属分类模型之后，本技术可以通过多个不同线圈感应区域分别对待检测对象进行扫描得到各个通道的扫描数据，进一步地，将上述各个通道的扫描数据进行整合，得到综合扫描数据，这样可以将从多个角度对待检测对象扫描得到的扫描数据结合在一起，从而更加全面地获取待检测对象的特征信息；最后将综合扫描数据输入到上述训练后的金属分类模型，得到待检测对象包含的金属类型。得到待检测对象包含的金属类型可以判断所检测到的金属或金属制品是否属于危险性物品、是否属于违禁携带金属物品，从而解决需要人工检测的问题，提高安全检测或者防盗检测的效率。
附图说明
43.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术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技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
44.图1为本技术实施例提供的金属分类方法的一流程示意图；
45.图2为本技术实施例提供的一种金属分类模型结构示意图；
46.图3为本技术示例的一种金属探测门各个线圈分布及采集空间示意图；
47.图4为本技术实施例公开的一种金属分类装置结构示意图；
48.图5为本技术实施例提供的一种金属分类设备的结构示意图。
具体实施方式
49.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
50.在一些特定的公共场合下，通常需要对进入场内的人员进行安全检查，检查入场人员是否携带危险物品，特别是金属危险物品；另一方面，在一些金属冶炼工厂、企业的出口，通常需要检查离开人员身上是否携带了禁止带出的金属原材料，防止金属冶炼原材料被盗。
51.目前，金属探测仪或者金属探测门仅对被检测人员是否携带金属进行探测，但是被检测的人员可能会随身携带了不具备危险性的金属生活物品，若仅仅探测被检测人员身上是否携带金属，并不能确认所检测到的金属是否属于违禁金属物品。这时需要人工确认所检测到的金属是否属于危险性的金属物品，或者是否属于禁止带出的金属原材料，这样
会降低了检测的效率。因此，亟需提供一种可以区分金属物品类型的方案，对检测对象携带的金属进行分类。本技术提供了一种金属分类方案，可以适用于解决各类型需要金属分类的任务。
52.接下来，对本技术提供的一种金属分类方法进行详细的介绍，请参照图1，图1为本技术实施例提供的金属分类方法的一流程示意图。本技术实施例提供的金属分类方法可以包括以下步骤：
53.步骤s100，获取待检测对象的各个通道的扫描数据。
54.具体地，可以通过多个不同线圈感应区域分别对待检测对象进行扫描，从而得到待检测对象的各个通道的扫描数据。待检测对象可以是携带了随身物品的人，当携带了随身物品的人通过金属探测设备时，如金属探测门、金属探测仪，金属探测设备上的设置的多个线圈会对通行的人进行扫描，获取各个通道的扫描数据。
55.在本技术的实施例中，一个线圈对待检测对象扫描获取的扫描数据可以表示为一个通道的扫描数据，如此类推，多个不同线圈对待检测对象进行扫描，便可获取到多个通道的扫描数据。线圈感应区域可以是6个，也可以是10个，线圈的具体个数可以依据金属探测设备的类型及大小进行确定。设定多个线圈的目的是为了可以从多个角度对相同的一个待检测对象进行扫描，获取更加丰富的可以更加全面表征待检测对象特征信息的扫描数据。
56.步骤s110，将所述各个通道的扫描数据进行整合，得到综合扫描数据。
57.具体地，将上述步骤s100获取的待检测对象的各个通道的扫描数据进行整合，可以得到综合扫描数据。各个通道的扫描数据可以通过多个线圈感应区域分别从多个角度对待检测对象进行扫描获取，可以将多个角度获取的各个通道的扫描数据进行整合，得到更丰富的更能全面表征待检测对象的综合扫描数据。本步骤中，将各个通道的扫描数据进行整合，可以是将各个线圈感应区域对待检测对象进行扫描获取的波形数据进行叠加，整合成综合扫描数据，此综合扫描数据将用于后续的数据处理步骤。
58.步骤s120，将所述综合扫描数据输入设置的金属分类模型，得到待检测对象包含的金属的类型。
59.具体地，上述步骤s110得到的综合扫描数据用于本步骤，将上述综合扫描数据输入预设的金属分类模型，可以得到待检测对象包含的金属的类型。本步骤中，预设的金属分类模型可以以各个通道的扫描数据整合后的综合扫描数据为训练样本，以训练对象包含的金属的类型为训练标签训练得到。其中，各个通道的扫描数据可以是多个不同线圈感应区域分别对训练对象进行扫描得到的。
60.借由上述技术方案，本技术可以预先训练金属分类模型，用于进行金属分类。具体地，可以是以训练对象扫描数据整合后的综合扫描数据为训练样本，以训练对象包含的金属的类型为训练标签训练得到。训练得到金属分类模型之后，本技术可以通过多个不同线圈感应区域分别对待检测对象进行扫描得到各个通道的扫描数据，进一步地，将上述各个通道的扫描数据进行整合，得到综合扫描数据，这样可以将从多个角度对待检测对象扫描得到的扫描数据结合在一起，从而更加全面地获取待检测对象的特征信息；最后将综合扫描数据输入到上述训练后的金属分类模型，得到待检测对象包含的金属类型。得到待检测对象包含的金属类型可以判断所检测到的金属或金属制品是否属于危险性物品、是否属于违禁携带金属物品，从而解决需要人工检测的问题，提高安全检测或者防盗检测的效率。
61.在本技术的一些实施例中，对上述预设的金属分类模型的训练过程进行介绍，本技术实施例中，金属分类模型的训练过程可以包括以下步骤：
62.s1，获取训练对象的各个通道的扫描数据。
63.具体地，通过多个不同线圈感应区域分别对训练对象进行扫描，可以得到各个通道的扫描数据，本步骤得到的各个通道的扫描数据可以从多个不同的角度表征训练对象。
64.s2，将所述训练对象的各个通道的扫描数据进行整合，得到综合训练扫描数据。
65.具体地，将上述步骤s1得到的各个通道的扫描数据进行波形叠加，得到整合后的综合训练扫描数据。将综合训练数据划分为两个扫描数据集合，分别是训练集φ
train
和测试集φ
test
。φ
train
用于训练金属分类模型，φ
test
用于验证上述得到的金属分类模型是否可以输出准确的检测结果。
66.s3，将所述训练对象包含的金属类型作为所述综合训练扫描数据的样本标签。
67.具体地，获取的训练对象的各个通道的扫描数据整合后的综合训练扫描数据，可以将所述训练对象包含的金属的类型作为所述综合训练扫描数据的样本标签对训练集φ
train
和测试集φ
test
进行人工标注，进而对金属分类模型进行训练。
68.s4，将所述综合训练扫描数据输入到所述金属分类模型中，得到金属分类模型输出的所述训练对象包含的金属的类型。
69.s5，以所述输出的所述训练对象包含的金属的类型趋近于所述训练对象包含的金属的类型为训练目标，更新所述金属分类模型的参数。
70.具体地，金属分类模型训练时，将上述步骤s3的训练集φ
train
输入到所述金属分类模型中，可以得到金属分类模型输出的所述训练对象包含的金属的类型。上述金属分类模型输出的训练对象包含的金属的类型是一个预测结果，需要以预测结果即输出的所述训练对象包含的金属的类型趋近于样本标签即所述训练对象包含的金属的类型为训练目标，更新金属分类模型的参数，最终得到训练后的金属分类模型。
71.进一步地，可以将上述步骤s3的测试集φ
test
输入到上述得到的训练后的金属分类模型，以验证上述得到的金属分类模型是否可以输出准确的检测结果，若是，则可以使用上述的金属分类模型；若否，则继续扩大训练样本数据量对金属分类模型进行训练，进一步更新模型的参数。
72.在本技术的一些实施例中，上述金属分类模型可以包括输入层、中间层、全连接输出层。请参照图2，图2为本技术实施例提供的一种金属分类模型结构示意图。利用上述输入层、中间层、全连接输出层对获取的数据进行处理的过程可以包括：
73.s1，利用所述输入层对综合扫描数据进行带通滤波，得到有效波形数据。
74.具体地，上述输入层可以为金属分类模型的第一层卷积层，输入层的作用是允许特定频段的综合扫描数据通过，同时屏蔽其他不符合特定频段的波形数据，从而得到有效波形数据。具体地，输入层允许某一频率范围内的频率分量通过，将其他范围的频率分量衰减到极低水平。本实施例中，综合扫描书数据可以表示为1*nch*nsamples，其中nch可以表示为通道数，nsamples可以表示为采样点数。采样点可以是金属探测设备扫描范围内均匀分布的采集点的空间位置。综合扫描数据1*nch*nsamples经过输入层后，可以将1*nch*nsamples数据中不符合特定频段的波形数据滤除，从而去除部分干扰信息。
75.s2，利用所述中间层对所述有效波形数据进行小波去噪，得到有效特征信息。
76.具体地，可以通过所述中间层对有效波形数据进一步去除噪声处理，这里的噪声可以理解为“与当前金属分类任务无关的特征信息”，经过所述中间层对有效波形数据进行小波去噪，可以去除有效波形数据中的冗余特征信息，得到有效特征信息。
77.s3，利用所述全连接输出层基于所述有效特征信息，得到所述待检测对象包含的金属的类型。
78.具体地，在上述步骤s2中得到的有效特征信息的基础上，所述全连接输出层可以输出待检测对象包含的金属的类型，完成金属分类模型的分类任务。
79.在本技术实施例中，所述金属分类模型的输入层可以为基于参数化的辛格函数网络模型sincnet中的滤波层，所述sincnet中的滤波层可以表示为sincnet filters。sincnet filters可以将综合扫描数据的波形与实现带通滤波的一组参数化sinc函数进行卷积运算，从而实现对综合扫描数据进行带通滤波。
80.另外，所述金属分类模型的中间层可以为多个残差收缩模块rsbu
‑
cs构成，残差收缩模块rsbu
‑
cs可以为深度残差收缩网络中的残差收缩层，是一个通道间共享阈值的残差模块，英文名为residual shrinkage building unit with channel
‑
shared thresholds，简称rsbu
‑
cs。相比于传统的残差收缩模块，rsbu
‑
cs残差模块里多了一个小型的子网络，这个子网络可以自适应地设置阈值。
81.本技术实施例中，通过两个网络层sincnet filters、rsbu
‑
cs的结合，可以更好的提取综合扫描数据中的有效特征信息，从而提高了金属分类模型的分类精确度，并且两个网络层sincnet filters、rsbu
‑
cs的模型参数少，可以减少模型训练的复杂程度。
82.在本技术的一些实施例中，获取金属分类模型的训练对象的各个通道的扫描数据，可以是获取训练对象在携带不同类型金属、以不同速度通过多个不同线圈感应区域时，各个不同线圈感应区域分别对训练对象进行扫描所得到的各个通道的扫描数据。
83.具体地，训练对象可以是携带不同类型金属物品的通行人员，例如通行人员随身携带了手机、钥匙、笔盒、饭盒、剪刀、硬币、mp3、水杯、钢笔、磁铁玩具、银手镯等，金属探测设备对携带着不同类型金属物品的通行人员进行扫描。同时，本案申请考虑到，不同类型金属物品会存在各种不同状态，对此训练对象的各个通道的扫描数据的特征信息也会有所不同。因此，训练对象还考虑通行人员在携带以不同的姿态放置的不同类型金属物品，比如横放、斜放、竖放的不同类型金属物品。
84.另一方面，因为通行人员通过金属探测设备时的通行速度会有所不同，其所携带的不同类型金属物品同样会以不同速度通过多个不同线圈感应区域，在这样的情况下，对训练对象扫描获取的各个通道的扫描数据的特征信息也会有所不同。因此，本技术还考虑训练对象的通行速度，对以不同通行速度通过线圈感应区域时的训练对象进行扫描，其中，训练对象的通行速度可以为0.2m/s、0.4m/s、0.6m/s、0.8m/s、1m/s、1.2m/s、1.4m/s、1.8m/s、2m/s。
85.在本技术实施例中，请参照图3，图3为本技术示例的一种金属探测门各个线圈分布及采集空间示意图。本技术通过多个线圈感应区域对多种情况下的训练对象进行扫描，获取各个通道的扫描数据，同时每一个通道扫描数据都是通过多个空间位置进行采样的。因此，可以获取到多样性的训练数据，在训练对象多样性的情况，所训练出来的金属分类模型可以有更好的鲁棒性，能在多种不同情况下仍能对待检测对象进行检测，得到准确的检
测结果。
86.下面对本技术实施例提供的金属分类装置进行描述，下文描述的金属分类装置与上文描述的金属分类方法可相互对应参照。
87.参见图4，图4为本技术实施例公开的一种金属分类装置结构示意图。
88.如图4所示，该装置可以包括：
89.扫描数据获取单元11，用于获取待检测对象的各个通道的扫描数据，所述各个通道的扫描数据为多个不同线圈感应区域分别对待检测对象进行扫描得到；
90.数据整合单元12，用于将所述各个通道的扫描数据进行整合，得到综合扫描数据；
91.模型预测单元13，用于将所述综合扫描数据输入设置的金属分类模型，得到待检测对象包含的金属的类型；所述金属分类模型以多个不同线圈感应区域分别对训练对象进行扫描得到的各个通道的扫描数据整合后的综合扫描数据为训练样本，以所述训练对象包含的金属的类型为训练标签训练得到。
92.可选的，上述金属分类装置，还包括金属分类模型训练单元，所述金属分类模型训练单元用于训练所述金属分类模型，所述金属分类模型的训练过程包括：
93.获取训练对象的各个通道的扫描数据，所述各个通道的扫描数据为多个不同线圈感应区域分别对训练对象进行扫描得到；
94.将所述训练对象的各个通道的扫描数据进行整合，得到综合训练扫描数据；
95.将所述训练对象包含的金属的类型作为所述综合训练扫描数据的样本标签；
96.将所述综合训练扫描数据输入到所述金属分类模型中，得到金属分类模型输出的所述训练对象包含的金属的类型；
97.以所述输出的所述训练对象包含的金属的类型趋近于所述训练对象包含的金属的类型为训练目标，更新所述金属分类模型的参数。
98.可选的，所述金属分类模型包括输入层、中间层、全连接输出层；则上述模型预测单元13包括：
99.带通滤波单元，用于利用所述输入层对所述综合扫描数据进行带通滤波，得到有效波形数据；
100.小波去噪单元，用于利用所述中间层对所述有效波形数据进行小波去噪，得到有效特征信息；
101.结果获取单元，用于利用所述全连接输出层基于所述有效特征信息，得到所述待检测对象包含的金属的类型。
102.可选的，上述模型预测单元13包括：
103.训练对象扫描单元，用于获取训练对象在携带不同类型金属、以不同速度通过所述多个不同线圈感应区域时，各个不同线圈感应区域分别对训练对象进行扫描所得到的各个通道的扫描数据。
104.本技术实施例提供的金属分类装置可应用于金属分类设备，如金属探测仪、金属探测门、行李安检机等。可选的，图5为本技术实施例提供的一种金属分类设备的结构示意图，参照图5，金属分类设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；
105.在本技术实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，
且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
106.处理器1可能是一个中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
107.存储器3可能包含高速ram存储器，也可能还包括非易失性存储器(non
‑
volatile memory)等，例如至少一个磁盘存储器；
108.其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：
109.获取待检测对象的各个通道的扫描数据，所述各个通道的扫描数据为多个不同线圈感应区域分别对待检测对象进行扫描得到；
110.将所述各个通道的扫描数据进行整合，得到综合扫描数据；
111.将所述综合扫描数据输入设置的金属分类模型，得到待检测对象包含的金属的类型；所述金属分类模型以多个不同线圈感应区域分别对训练对象进行扫描得到的各个通道的扫描数据整合后的综合扫描数据为训练样本，以所述训练对象包含的金属的类型为训练标签训练得到。
112.可选的，所述程序的细化功能和扩展功能可参照上文描述。
113.本技术实施例还提供一种存储介质，该存储介质可存储有适于处理器执行的程序，所述程序用于：
114.获取待检测对象的各个通道的扫描数据，所述各个通道的扫描数据为多个不同线圈感应区域分别对待检测对象进行扫描得到；
115.将所述各个通道的扫描数据进行整合，得到综合扫描数据；
116.将所述综合扫描数据输入设置的金属分类模型，得到待检测对象包含的金属的类型；所述金属分类模型以多个不同线圈感应区域分别对训练对象进行扫描得到的各个通道的扫描数据整合后的综合扫描数据为训练样本，以所述训练对象包含的金属的类型为训练标签训练得到。
117.可选的，所述程序的细化功能和扩展功能可参照上文描述。
118.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
119.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以根据需要进行组合，且相同相似部分互相参见即可。
120.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一
致的最宽的范围。