[发明专利]基于人工智能的集装箱病媒生物检测预警方法

说明书

本发明涉及图像数据处理技术领域，具体涉及一种基于人工智能的集装箱病媒生物检测预警方法，该方法根据X射线扫描图像在对应下采样图像中的灰度分布情况，得到后续图像分割所需要的前景区域，对前景区域中连续纹理区域在上采样图像和下采样图像中的区别特征进行分析得到对应的尺度特征差异，根据尺度特征差异以及连续纹理区域的大小通过得到的边缘置信度筛除细小纹理对应的区域，进一步根据边缘置信度得到图像分割所需要的平滑参数，并根据平滑参数通过GrabCut图像分割方法得到自适应图像分割结果，根据自适应图像分割结果进行集装箱病媒生物检测预警。本发明通过自适应图像分割结果对集装箱病媒生物检测更加准确。

技术领域

本发明涉及图像数据处理技术领域，具体涉及一种基于人工智能的集装箱病媒生物检测预警方法。

背景技术

由于全球贸易的蓬勃发展，集装箱成为了货物运输的重要方式，一些昆虫、啮齿动物或其他生物可能会滞留在集装箱内，它们可能携带病原体，如疟原虫、登革热病毒、鼠疫细菌等，并有潜在传播给人类或动物的风险。所以为了减少这些疾病传播的风险，需要对集装箱进行病媒生物检测。目前对集装箱病媒生物检测一般采用的是X射线扫描法，利用X射线或伽马射线等辐射技术，对集装箱内部进行成像扫描，从而检测到集装箱内部物体的密度和形状，以便发现隐蔽的生物。进一步根据集装箱的X射线扫描图像进行图像分割，根据图像分割结果进行特征提取，以检测出可能存在的病媒生物。

而GrabCut算法由于分割速度快、分割效果好以及使用方便等特点，在图像分割领域使用较为广泛。但是GrabCut算法的图像分割效果极易受到平滑参数的影响，尤其是处理较为细长或狭窄的边缘的情况。较大的平滑参数能够使得分割结果更加平滑，但是会导致过度平滑而丧失图像细节信息；而较小的平滑参数会降低平滑性，从而保留更多的细节信息，但是会导致分割边界不够连续。而现有技术通常将平滑参数作为先验信息输入到GrabCut算法中，从而使得在对不同的X射线扫描图像进行图像分割时，对应的鲁棒性较差，并且由于集装箱中物品堆叠以及噪声，导致出现无关细小边缘，降低后续图像分割效果，从而使得对集装箱病媒生物检测的准确性较差。因此现有技术通过GrabCut算法对集装箱的X射线扫描图像进行图像分割方法对集装箱病媒生物检测的准确性较差。

发明内容

为了解决现有技术通过GrabCut算法对集装箱的X射线扫描图像进行图像分割方法对集装箱病媒生物检测的准确性较差的技术问题，本发明的目的在于提供一种基于人工智能的集装箱病媒生物检测预警方法，所采用的技术方案具体如下：

本发明提出了基于人工智能的集装箱病媒生物检测预警方法，所述方法包括：

获取集装箱的X射线扫描图像；获取所述X射线扫描图像对应的上采样图像和下采样图像；

根据下采样图像中像素点的灰度梯度分布情况和灰度值分布情况，得到对应的X射线扫描图像的前景区域；根据前景区域中像素点的局部灰度分布差异，得到前景区域中的各个连续纹理区域；根据连续纹理区域中每个像素点在所述上采样图像与所述下采样图像之间在空间位置以及灰度梯度上的差异，得到连续纹理区域中每个像素点对应的尺度特征差异；根据所述尺度特征差异和连续纹理区域中的像素点数量，得到每个连续纹理区域对应的边缘置信度；

根据各个连续纹理区域的整体灰度差异和边缘置信度，得到X射线扫描图像的平滑参数；根据所述平滑参数对X射线扫描图像进行GrabCut图像分割，得到X射线扫描图像的自适应图像分割结果；

根据所述自适应图像分割结果进行集装箱病媒生物检测预警。

进一步地，所述X射线扫描图像的前景区域的获取方法包括：

计算所述下采样图像中所有像素点的灰度值均值，将每个像素点的灰度值与所述灰度值均值之间的差值，作为每个像素点的第一参考判定值；