一种基于X射线的物品类别识别方法

一种基于x射线的物品类别识别方法
技术领域
1.本发明涉及x射线的物品类别识别技术领域，具体而言，涉及一种基于x射线的物品类别识别方法。


背景技术：

2.物质由分子或原子组成，不同分子或者原子组成的物质对于x射线有不同的吸收率，通过x射线探测器采集透过物质的x射线，再对该x射线进行分析，便可分析物质的类型。
3.然而，现有的x光机（例如安检机），仅简单以橙色表征大分子有机物，蓝色表征小分子无机物，向用户展现橙-绿-蓝颜色分层。使得工作人员不得不根据生活经验，基于物品成像的颜色和轮廓进行物品类别猜想，具有较大的误差。
4.目前也有使用图像识别技术分析上述x光机图像的研究，但图像识别技术通常涉及vgg16、yolov5等深度网络，其特点在于涉及众多卷积运算且神经网络层次巨大，需以昂贵的处理器作为算法载体，经济性差，且未充分挖掘x射线本身的物理规律，具有严重的算力浪费。


技术实现要素：

5.针对现有技术中的上述不足，本发明提供的一种基于x射线的物品类别识别方法解决了现有x射线检测设备对x射线特征分析不足，向用户输出的物品类别颜色图像过于笼统，使工作人员难以判断或图像识别算力消耗巨大的问题。
6.为了达到上述发明目的，本发明采用的技术方案为：一种基于x射线的物品类别识别方法，包括以下步骤：s1、采用x射线设备对物品发射x射线，通过x射线探测器接收透过物品分子原子的x射线，得到x射线衰减率；s2、采用物品类别识别模型，根据x射线衰减率，识别物品类别；s3、根据x射线衰减率，得到物品的原子序数；s4、将原子序数转换为颜色，进行图像显示，并标注上物品类别。
7.进一步地，所述s2包括以下分步骤：s21、对物品类别识别模型进行训练，得到训练完成的物品类别识别模型；s22、采用训练完成的物品类别识别模型对x射线衰减率进行识别，得到物品类别。
8.进一步地，所述s21包括以下分步骤：s211、采用不同波长的x射线设备对同一物品发射x射线，得到同一物品的多个x射线衰减率；s212、将同一物品的多个x射线衰减率构建为衰减率序列；s213、对衰减率序列提取衰减特征；s214、采用衰减特征与物品类别标签，构建训练集；s215、采用训练集对物品类别识别模型进行训练，得到训练完成的物品类别识别
模型。
9.上述进一步地方案的有益效果为：采用不同波长的x射线设备对同一物品发射x射线，得到的多个x射线衰减率反应物品对不同波长x射线的吸收和反射程度，通过提取衰减率序列中多个x射线衰减率的衰减特征，通过衰减特征来表征同一物品对于不同波长的x射线的吸收和反射程度，相比于直接采用x射线衰减率来对物品类别识别模型进行训练，通过衰减特征来对物品类别识别模型进行训练，训练的物品类别识别模型更准确，衰减特征比衰减率序列中多个x射线衰减率更能直接反应物品特征。
10.进一步地，所述s213中衰减特征包括：衰减率分布特征、衰减率峰值特征和衰减率波动特征。
11.上述进一步地方案的有益效果为：本发明通过衰减率分布特征反应衰减率的分布情况，通过衰减率峰值特征反应衰减率的峰值情况，通过衰减率波动特征反应衰减率的波动情况，通过三方面特征情况表征物品类型。
12.进一步地，所述衰减率分布特征的公式为：其中，为衰减率分布特征，为衰减率序列中x射线衰减率的数量，为衰减率序列中第个x射线衰减率。
13.上述进一步地方案的有益效果为：本发明通过x射线衰减率的三阶矩去计算衰减率分布特征。
14.进一步地，所述衰减率峰值特征的公式为：其中，为衰减率峰值特征，为衰减率序列中x射线衰减率的数量，为衰减率序列中第个x射线衰减率，为衰减率序列中最大值，为衰减率序列中最小值。
15.上述进一步地方案的有益效果为：本发明对x射线衰减率平方，并对所有x射线衰减率的平方相加，反应整体数值的峰值情况。
16.进一步地，所述衰减率波动特征的公式为：其中，为衰减率波动特征，为衰减率序列中x射线衰减率的数量，为衰减率序列中第个x射线衰减率，为衰减率序列中最大值，为衰减率序列中最小值。
17.上述进一步地方案的有益效果为：本发明通过x射线衰减率减去x射线衰减率均值，得到差值，将所有差值相加并平方，反应衰减率的波动情况。
18.进一步地，所述物品类别识别模型为：其中，为物品类别识别模型的输出，为双曲正切函数，为第个特征，时，为衰减率分布特征，
时，为衰减率峰值特征，时，为衰减率波动特征，为第个权重，为偏置。
19.上述进一步地方案的有益效果为：建立衰减率分布特征、衰减率峰值特征和衰减率波动特征与物品类别识别模型的输出的关系式，每个特征对应一个权重，再通过双曲正切函数可将映射到0到1的数值范围，根据不同的特征，得到不同的物品类别识别模型的输出，从而实现对各种物品的识别。本发明建立的物品类别识别模型仅有少数参数，在计算时，计算量低。
20.进一步地，所述s21中对物品类别识别模型进行训练时，采用的损失函数为：其中，为损失函数，为双曲正切函数，为物品类别识别模型的输出，为物品类别标签，为调节系数。
21.上述进一步地方案的有益效果为：本发明通过两方面来衡量损失函数的损失程度，一方面是通过物品类别识别模型的输出与物品类别标签的距离，另一方面是通过物品类别识别模型的输出与物品类别标签的比值，仅通过距离来衡量损失函数的损失程度时，在和数值较小时，误差较大，仅通过比值来衡量损失函数的损失程度时，在和数值较大时，误差较大；在大于时，与比值越大，计算的值越靠近1，比值侧占比更高，距离侧占比低，在大于时，与比值越大，比值侧占比更高，距离侧占比低，通过比值和距离的关系体现与的差距。
22.进一步地，所述s21中对物品类别识别模型进行训练时，权重更新公式为：权重更新公式为：权重更新公式为：其中，为第次训练时的权重，为第次训练时的权重，为损失函数，为下降速度因子，为上升速度因子，为固定常数，为物品类别识别模型的输出，为物品类别标签，为偏导运算。
23.上述进一步地方案的有益效果为：在大于时，与比值越大，下降速度因子越大，权重下降速度越快，在大于时，与比值越大，上升速度因子越大，权重上升速度越快，使得训练过程中快速逼近。
24.进一步地，所述s4中原子序数转换为颜色的公式为：
其中，为转换后的r通道值，为转换后的g通道值，为转换后的b通道值，为r通道初值，为g通道初值，为b通道初值，为原子序数，为原子序数阈值，为r通道最大值，为b通道最大值，为固定常数，为反正切函数。
25.上述进一步地方案的有益效果为：大多常见的物质的原子序数较小，而一些稀有的金属物质原子序数则较大，因此，本发明通过原子序数阈值将原子序数进行分段，高于原子序数阈值时，将原子序数平方处理可以获得更大的r通道值，以及获得更低的b通道值，低于原子序数阈值时，通过ln函数将原子序数转换为数值低的数，增加较少r通道值，以及减少较少b通道值，在变换过程中g通道保持不变，依次凸显不同原子序数的物品具备不同层次的颜色。
26.本发明实施例的技术方案至少具有如下优点和有益效果：本发明的物品类别识别模型参数量少，计算量小，通过x射线衰减率，得到物品类别，再通过x射线衰减率，得到物品的原子序数，将原子序数转换为不同层次的颜色，从视觉图像上进行有效区分。
附图说明
27.图1为一种基于x射线的物品类别识别方法的流程图。
具体实施方式
28.为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
29.如图1所示，一种基于x射线的物品类别识别方法，包括以下步骤：s1、采用x射线设备对物品发射x射线，通过x射线探测器接收透过物品分子原子的x射线，得到x射线衰减率；s2、采用物品类别识别模型，根据x射线衰减率，识别物品类别；在本实施例中，所述s2包括以下分步骤：s21、对物品类别识别模型进行训练，得到训练完成的物品类别识别模型；在本实施例中，所述s21包括以下分步骤：s211、采用不同波长的x射线设备对同一物品发射x射线，得到同一物品的多个x射
线衰减率；s212、将同一物品的多个x射线衰减率构建为衰减率序列；s213、对衰减率序列提取衰减特征；在本实施例中，所述s213中衰减特征包括：衰减率分布特征、衰减率峰值特征和衰减率波动特征。
30.本发明通过衰减率分布特征反应衰减率的分布情况，通过衰减率峰值特征反应衰减率的峰值情况，通过衰减率波动特征反应衰减率的波动情况，通过三方面特征情况表征物品类型。
31.所述衰减率分布特征的公式为：其中，为衰减率分布特征，为衰减率序列中x射线衰减率的数量，为衰减率序列中第个x射线衰减率。
32.本发明通过x射线衰减率的三阶矩去计算衰减率分布特征。
33.所述衰减率峰值特征的公式为：其中，为衰减率峰值特征，为衰减率序列中x射线衰减率的数量，为衰减率序列中第个x射线衰减率，为衰减率序列中最大值，为衰减率序列中最小值。
34.本发明对x射线衰减率平方，并对所有x射线衰减率的平方相加，反应整体数值的峰值情况。
35.所述衰减率波动特征的公式为：其中，为衰减率波动特征，为衰减率序列中x射线衰减率的数量，为衰减率序列中第个x射线衰减率，为衰减率序列中最大值，为衰减率序列中最小值。
36.本发明通过x射线衰减率减去x射线衰减率均值，得到差值，将所有差值相加并平方，反应衰减率的波动情况。
37.s214、采用衰减特征与物品类别标签，构建训练集；s215、采用训练集对物品类别识别模型进行训练，得到训练完成的物品类别识别模型。
38.采用不同波长的x射线设备对同一物品发射x射线，得到的多个x射线衰减率反应物品对不同波长x射线的吸收和反射程度，通过提取衰减率序列中多个x射线衰减率的衰减特征，通过衰减特征来表征同一物品对于不同波长的x射线的吸收和反射程度，相比于直接
采用x射线衰减率来对物品类别识别模型进行训练，通过衰减特征来对物品类别识别模型进行训练，训练的物品类别识别模型更准确，衰减特征比衰减率序列中多个x射线衰减率更能直接反应物品特征。
39.所述物品类别识别模型为：其中，为物品类别识别模型的输出，为双曲正切函数，为第个特征，时，为衰减率分布特征，时，为衰减率峰值特征，时，为衰减率波动特征，为第个权重，为偏置。
40.建立衰减率分布特征衰减率峰值特征和衰减率波动特征与物品类别识别模型的输出的关系式，每个特征对应一个权重，再通过双曲正切函数可将映射到0到1的数值范围，根据不同的特征，得到不同的物品类别识别模型的输出，从而实现对各种物品的识别。本发明建立的物品类别识别模型仅有少数参数，在计算时，计算量低。
41.在本实施例中，所述s21中对物品类别识别模型进行训练时，采用的损失函数为：其中，为损失函数，为双曲正切函数，为物品类别识别模型的输出，为物品类别标签，为调节系数。
42.在本实施例中，调节系数为常数，其大小可以调节。
43.本发明通过两方面来衡量损失函数的损失程度，一方面是通过物品类别识别模型的输出与物品类别标签的距离，另一方面是通过物品类别识别模型的输出与物品类别标签的比值，仅通过距离来衡量损失函数的损失程度时，在和数值较小时，误差较大，仅通过比值来衡量损失函数的损失程度时，在和数值较大时，误差较大；在大于时与比值越大，计算的值越靠近1，比值侧占比更高，距离侧占比低，在大于时，与比值越大，比值侧占比更高，距离侧占比低，通过比值和距离的关系体现与的差距。
44.在本实施例中，所述s21中对物品类别识别模型进行训练时，权重更新公式为：权重更新公式为：权重更新公式为：其中，
为第次训练时的权重，为第次训练时的权重，为损失函数，为下降速度因子，为上升速度因子，为固定常数，为物品类别识别模型的输出，为物品类别标签，为偏导运算。
45.在大于时与比值越大，下降速度因子越大，权重下降速度越快，在大于时，与比值越大，上升速度因子越大，权重上升速度越快，使得训练过程中快速逼近。
46.s22、采用训练完成的物品类别识别模型对x射线衰减率进行识别，得到物品类别。
47.在s22中，对x射线衰减率进行识别时，需先转换为特征，特征带入训练完成的物品类别识别模型，得到物品类别。
48.s3、根据x射线衰减率，得到物品的原子序数；s4、将原子序数转换为颜色，进行图像显示，并标注上物品类别。
49.所述s4中原子序数转换为颜色的公式为：所述s4中原子序数转换为颜色的公式为：所述s4中原子序数转换为颜色的公式为：其中，为转换后的r通道值，为转换后的g通道值，为转换后的b通道值，为r通道初值，为g通道初值，为b通道初值，为原子序数，为原子序数阈值，为r通道最大值，为b通道最大值，为固定常数，为反正切函数。
50.大多常见的物质的原子序数较小，而一些稀有的金属物质原子序数则较大，因此，本发明通过原子序数阈值将原子序数进行分段，高于原子序数阈值时，将原子序数平方处理可以获得更大的r通道值，以及获得更低的b通道值，低于原子序数阈值时，通过ln函数将原子序数转换为数值低的数，增加较少r通道值，以及减少较少b通道值，在变换过程中g通道保持不变，依次凸显不同原子序数的物品具备不同层次的颜色。
51.本发明实施例的技术方案至少具有如下优点和有益效果：本发明的物品类别识别模型参数量少，计算量小，通过x射线衰减率，得到物品类别，再通过x射线衰减率，得到物品的原子序数，将原子序数转换为不同层次的颜色，从视觉图像上进行有效区分。
52.以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于x射线的物品类别识别方法，其特征在于，包括以下步骤：s1、采用x射线设备对物品发射x射线，通过x射线探测器接收透过物品分子原子的x射线，得到x射线衰减率；s2、采用物品类别识别模型，根据x射线衰减率，识别物品类别；s3、根据x射线衰减率，得到物品的原子序数；s4、将原子序数转换为颜色，进行图像显示，并标注上物品类别。2.根据权利要求1所述的基于x射线的物品类别识别方法，其特征在于，所述s2包括以下分步骤：s21、对物品类别识别模型进行训练，得到训练完成的物品类别识别模型；s22、采用训练完成的物品类别识别模型对x射线衰减率进行识别，得到物品类别。3.根据权利要求2所述的基于x射线的物品类别识别方法，其特征在于，所述s21包括以下分步骤：s211、采用不同波长的x射线设备对同一物品发射x射线，得到同一物品的多个x射线衰减率；s212、将同一物品的多个x射线衰减率构建为衰减率序列；s213、对衰减率序列提取衰减特征；s214、采用衰减特征与物品类别标签，构建训练集；s215、采用训练集对物品类别识别模型进行训练，得到训练完成的物品类别识别模型。4.根据权利要求3所述的基于x射线的物品类别识别方法，其特征在于，所述s213中衰减特征包括：衰减率分布特征、衰减率峰值特征和衰减率波动特征。5.根据权利要求4所述的基于x射线的物品类别识别方法，其特征在于，所述衰减率分布特征的公式为：其中，为衰减率分布特征，为衰减率序列中x射线衰减率的数量，为衰减率序列中第个x射线衰减率。6.根据权利要求4所述的基于x射线的物品类别识别方法，其特征在于，所述衰减率峰值特征的公式为：其中，为衰减率峰值特征，为衰减率序列中x射线衰减率的数量，为衰减率序列中第个x射线衰减率，为衰减率序列中最大值，为衰减率序列中最小值。7.根据权利要求4所述的基于x射线的物品类别识别方法，其特征在于，所述衰减率波动特征的公式为：其中，为衰减率波动特征，为衰减率序列中x射线衰减率的数量，为衰减率序列中第个x射线衰减率，为衰减率
序列中最大值，为衰减率序列中最小值。8.根据权利要求4所述的基于x射线的物品类别识别方法，其特征在于，所述物品类别识别模型为：其中，为物品类别识别模型的输出，为双曲正切函数，为第个特征，时，为衰减率分布特征，时，为衰减率峰值特征，时，为衰减率波动特征，为第个权重，为偏置。9.根据权利要求8所述的基于x射线的物品类别识别方法，其特征在于，所述s21中对物品类别识别模型进行训练时，采用的损失函数为：其中，为损失函数，为双曲正切函数，为物品类别识别模型的输出，为物品类别标签，为调节系数；所述s21中对物品类别识别模型进行训练时，权重更新公式为：权重更新公式为：权重更新公式为：其中，为第次训练时的权重，为第次训练时的权重，为损失函数，为下降速度因子，为上升速度因子，为固定常数，为物品类别识别模型的输出，为物品类别标签，为偏导运算。10.根据权利要求1所述的基于x射线的物品类别识别方法，其特征在于，所述s4中原子序数转换为颜色的公式为：数转换为颜色的公式为：数转换为颜色的公式为：其中，为转换后的r通道值，为转换后的g通道值，为转换后的b通道值，为r通道初值，为g通道初值，为b通道初值，为原子序数，为原子序数阈值，为r通道最大值，为b通道最大值，为固定常数，为反正切函数。

技术总结
本发明提供了一种基于X射线的物品类别识别方法，属于X射线的物品类别识别技术领域，本发明的物品类别识别模型参数量少，计算量小，通过X射线衰减率，得到物品类别，再通过X射线衰减率，得到物品的原子序数，将原子序数转换为不同层次的颜色，从视觉图像上进行有效区分；本发明解决了现有X射线检测设备对X射线特征分析不足，向用户输出的物品类别颜色图像过于笼统，使工作人员难以判断或图像识别算力消耗巨大的问题。耗巨大的问题。耗巨大的问题。


技术研发人员：舒晓琴
受保护的技术使用者：乐山师范学院
技术研发日：2023.06.08
技术公布日：2023/7/12