【技术实现步骤摘要】
本专利技术涉及金融科技领域、影像分析领域、视频分析领域或其他相关领域，具体而言，涉及一种基于影像分析的安检风险评估方法及装置、电子设备。
技术介绍
1、当前，金融机构需要对进入营业厅的各类型物品对象或者需要进入机构保存的物品对象，进行安检风险评估以及审批。相关技术中，在安检风险审批过程中，一般仅参考机构内数据库中关联该物品对象的已有风险信息以及历史过程中的安检通过信息，进行安检风险评估。但是相关技术中的这种安检风险评估方式存在明显的弊端：没有较为客观的参考标准，仅通过人工来进行安检风险评估，评估较为粗放；同时，该种安检风险评估方式，未能考虑到客户的情况，无法确定客户携带的物品对象可能裹挟有危险物品、物种，导致金融机构的风险增加。
2、针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本专利技术实施例提供了一种基于影像分析的安检风险评估方法及装置、电子设备，以至少解决相关技术中安检风险评估策略，无法考虑物品对象内部可能包裹有危险物品，导致金融机构的风险增加的技术问题。
2、根据本专利技术实施例的一个方面，提供了一种基于影像分析的安检风险评估方法，包括：接收安检仪器传输的安检风险评估请求，其中，所述安检风险评估请求中至少包括：目标物品对象的基本信息、安检类型、安检影像集合，所述目标物品对象为在历史指定时长内已进行安检的物品对象，所述安检影像集合中包括至少一张增强安检影像，所述增强安检影像为采用安检仪器拍摄得到所述目标物品对象多组时间点的动态增强影像
3、可选地，在接收安检仪器传输的安检风险评估请求之后，还包括：采用联邦学习架构与其他金融机构建立通信连接，调取所述目标物品对象在所述其他金融机构的历史安检数据；将所述目标物品对象的基本信息、安检影像集合以及在所述其他金融机构的历史安检数据打上时间戳，并基于联合交易合约上传至区块链网络。
4、可选地，所述辅助图像解析模型是通过如下方式得到的：将所述概率矩阵划分为训练集以及测试集，并对所述训练集进行数据增强处理；构建初始神经网络，其中，所述初始神经网络的主干网络为残差网络，所述残差网络包括：输入层、四个残差结构和输出层，所述输入层包括：卷积层、归一化层、re l u激活函数以及池化层，所述输出层的输出维度为2维；将所述训练集输入至所述初始神经网络，对所述初始神经网络进行参数调整；在所有所述训练集已训练完毕所述初始神经网络之后，采用所述测试集对训练好的所述初始神经网络进行测试；在测试结果指示所述初始神经网络输出结果中的影像异质性信息与所述测试集中历史过程提取的影像异质性信息之间的相似度大于预设相似度阈值的情况下，确认训练完毕，得到所述辅助图像解析模型。
5、可选地，将所述训练集输入至所述初始神经网络，对所述初始神经网络进行参数调整的步骤，包括：在将所述训练集输入至所述初始神经网络之后，冻结第一个所述残差结构，并控制剩余三个残差结构学习参数；对所述训练集中的数据进行打乱处理，并依次冻结第二个所述残差结构至第四个所述残差结构，其中，在冻结其中一个所述残差结构时，控制剩余三个残差结构学习参数，对所述初始神经网络的残差结构进行调整。
6、可选地，所述概率矩阵是通过如下方式得到的：获取历史过程中对各物品对象拍摄的蒙片序列和增强序列；对于每个所述物品对象，使用所述蒙片序列和所述增强序列将该物品对象的像素点拼接为完整矩阵；采用预设聚类策略，整合所有物品对象的所述完整矩阵，得到安检联合聚类矩阵；采用混合凸分析算法对所述安检联合聚类矩阵进行矩阵分解，得到所述概率矩阵。
7、可选地，采用预设聚类策略，整合所有物品对象的所述完整矩阵，得到所述安检联合聚类矩阵的步骤，包括：采用近邻传播聚类策略对每个所述物品对象的完整矩阵进行初聚类，得到初聚类矩阵；拼接所有物品对象的所述初聚类矩阵，并使用k均值聚类策略对拼接的所述初聚类矩阵进行联合，得到所述安检联合聚类矩阵。
8、可选地，由所述辅助图像解析模型对所述增强安检影像进行信号分解，提取所述增强安检影像中的影像异质性信息的步骤，包括：由所述辅助图像解析模型对所述增强安检影像进行信号分解，得到感兴趣区域；提取所述感兴趣区域中的影像形态学特征和物品内动力学特征；基于所述影像形态学特征和所述物品内动力学特征，确定所述目标物品对象的影像异质性信息。
9、根据本专利技术实施例的另一方面，还提供了一种基于影像分析的安检风险评估装置，包括：安检风险评估接收单元，用于接收安检仪器传输的安检风险评估请求，其中，所述安检风险评估请求中至少包括：目标物品对象的基本信息、安检类型、安检影像集合，所述目标物品对象为在历史指定时长内已进行安检的物品对象，所述安检影像集合中包括至少一张增强安检影像，所述增强安检影像为采用安检仪器拍摄得到所述目标物品对象多组时间点的动态增强影像；影像输入单元，用于将所述安检影像集合输入至辅助图像解析模型，由所述辅助图像解析模型对每张所述增强安检影像进行信号分解，提取影像异质性信息，其中，所述辅助图像解析模型是基于概率矩阵以及注意力机制构建的神经网络模型；评估单元，用于将所述影像异质性信息、所述目标物品对象的基本信息以及所述安检类型输入至安检风险评估模型，由所述安检风险评估模型结合所述目标物品对象的历史安检数据对本次安检进行风险评估，输出所述目标物品对象的安检风险信息；报告输出单元，用于基于所述安检风险信息，输出关联所述目标物品对象的安检风险等级以及安检报告，其中，所述安检报告包括是否允许通过所述目标物品对象以及报警信息。
10、可选地，基于影像分析的安检风险评估装置还包括：通信连接建立单元，用于在接收安检仪器传输的安检风险评估请求之后，采用联邦学习架构与其他金融机构建立通信连接，调取所述目标物品对象在所述其他金融机构的历史安检数据；信息上传单元，用于将所述目标物品对象的基本信息、安检影像集合以及在所述其他金融机构的历史安检数据打上时间戳，并基于联合交易合约上传至区块链网络。
11、可选地，基于影像分析的安检风险评估装置在得到所述辅助图像解析模型时，包括：矩阵划分单元，用于将所述概率矩阵划分为训练集以及测试集，并对所述训练集进行数据增强处理；初始神经网络构建单元，用于构建初始神经网络，其中，所述初始神经网络的主干网络为残差网络，所述残差网络包括：输入层、四个残差结构和输出层，所述输入层包括：卷积层、归本文档来自技高网...
【技术保护点】
1.一种基于影像分析的安检风险评估方法，其特征在于，包括：
2.根据权利要求1所述的安检风险评估方法，其特征在于，在接收安检仪器传输的安检风险评估请求之后，还包括：
3.根据权利要求1所述的安检风险评估方法，其特征在于，所述辅助图像解析模型是通过如下方式得到的：
4.根据权利要求3所述的安检风险评估方法，其特征在于，将所述训练集输入至所述初始神经网络，对所述初始神经网络进行参数调整的步骤，包括：
5.根据权利要求3所述的安检风险评估方法，其特征在于，所述概率矩阵是通过如下方式得到的：
6.根据权利要求5所述的安检风险评估方法，其特征在于，采用预设聚类策略，整合所有物品对象的所述完整矩阵，得到安检联合聚类矩阵的步骤，包括：
7.根据权利要求1所述的安检风险评估方法，其特征在于，由所述辅助图像解析模型对所述增强安检影像进行信号分解，提取所述增强安检影像中的影像异质性信息的步骤，包括：
8.一种基于影像分析的安检风险评估装置，其特征在于，包括：
9.一种计算机可读存储介质，其特征在于，所述计
10.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至7中任意一项所述的基于影像分析的安检风险评估方法。
...【技术特征摘要】
1.一种基于影像分析的安检风险评估方法，其特征在于，包括：
2.根据权利要求1所述的安检风险评估方法，其特征在于，在接收安检仪器传输的安检风险评估请求之后，还包括：
3.根据权利要求1所述的安检风险评估方法，其特征在于，所述辅助图像解析模型是通过如下方式得到的：
4.根据权利要求3所述的安检风险评估方法，其特征在于，将所述训练集输入至所述初始神经网络，对所述初始神经网络进行参数调整的步骤，包括：
5.根据权利要求3所述的安检风险评估方法，其特征在于，所述概率矩阵是通过如下方式得到的：
6.根据权利要求5所述的安检风险评估方法，其特征在于，采用预设聚类策略，整合所有物品对象的所述完整矩阵，得到安检联合聚类矩阵的步骤，包括：
7.根...
【专利技术属性】
技术研发人员：刘鑫，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。