Улучшено обнаружение детонаторов в X

Научные отчеты, том 13, Номер статьи: 14262 (2023) Цитировать эту статью

Подробности о метриках

Обнаружение детонаторов является сложной задачей, поскольку их легко ошибочно принять за безвредную органическую массу, особенно в сценариях с высокой пропускной способностью багажа. Особый интерес представляет акцент на автоматизированном рентгеновском анализе безопасности для обнаружения детонаторов. Сложные сценарии безопасности требуют все более совершенных комбинаций компьютерного зрения. Мы предлагаем обширную серию экспериментов для оценки способности моделей сверточной нейронной сети (CNN) обнаруживать детонаторы, когда качество входных изображений было изменено в результате манипуляций. Мы используем последние достижения в области вейвлет-преобразований и устоявшиеся архитектуры CNN, поскольку обе они могут использоваться для обнаружения объектов. Используются различные методы манипулирования изображениями и далее оценивается эффективность обнаружения. Были проанализированы как необработанные рентгеновские изображения, так и обработанные изображения с помощью адаптивного выравнивания гистограммы с ограниченным контрастом (CLAHE), методов на основе вейвлет-преобразования и смешанного RGB-вейвлет-метода CLAHE. Результаты показали, что значительное количество операций, таких как улучшение границ, изменение информации о цвете или различные частотные компоненты, обеспечиваемые вейвлет-преобразованиями, можно использовать для различения почти схожих функций. Было обнаружено, что CNN на основе вейвлетов обеспечивает более высокую производительность обнаружения. В целом, эта производительность иллюстрирует потенциал комбинированного использования методов манипулирования и глубоких CNN для приложений безопасности аэропортов.

Обнаружение опасных объектов на рентгеновских снимках багажа стало важным, особенно в связи с ростом уровня преступности1. На производительность досмотровых устройств сильно влияют видимость цели, технология отображения изображения и знания сотрудников службы безопасности. Однако визуальный осмотр этих изображений весьма затруднителен из-за низкой распространенности целей, изменчивости видимости целей (что приводит к недостаточной точности формы объекта), перекрытия объектов, плохой контрастности, которая скрывает детали изображения, а также возможности возникновения ложных тревог2. ,3. Кроме того, постоянный и повторяющийся характер задачи, т. е. сотрудники службы безопасности постоянно смотрят на экраны и часто сталкиваются с обнаруженными объектами одного и того же типа, может привести к утомлению внимания и нарушению суждений4.

Наиболее опасными запрещенными предметами в багаже ​​пассажиров являются так называемые самодельные взрывные устройства. Обнаружение детонатора бомбы может оказаться непростой задачей даже для хорошо подготовленных сотрудников службы безопасности. Для решения этих проблем были разработаны многочисленные алгоритмы и методы улучшения качества 2D рентгенографических изображений5,6,7,8,9,10,11,12,13. Методика обнаружения «мешок визуальных слов» (BoVW), основанная на обработке естественного языка и поиске информации, использует статистический процесс для обнаружения и классификации объектов6. Этот метод успешно применяется для обнаружения взрывчатых веществ. Он использовался вместе с различными другими методами, включая контролируемое обучение признаков с помощью подхода автоэнкодеров7, K-ближайших соседей, логистической регрессии8 и деревьев решений9. BoVW также использовался для обнаружения огнестрельного оружия, сюрикенов или бритвенных лезвий. Эти методы основаны на словарях, сформированных для каждого класса, и обнаружение состоит из дескрипторов функций масштабно-инвариантного преобразования признаков (SIFT) случайно обрезанных фрагментов изображения10. Модель BoVW, коррелирующая с дескриптором ускоренных робастных функций (SURF) и классификатором машины опорных векторов (SVM), использовалась для обнаружения огнестрельного оружия, достигая оптимального истинного положительного уровня 99,07% при уровне ложноположительных результатов 20%11. Для обнаружения огнестрельного оружия использовались алгоритмы случайного леса и SVM, и статистическая точность составила 94%12. Для оценки эффективности классификации рассматривались одиночные, два и множественные рентгеновские изображения и четыре классификатора (т. е. масштабно-инвариантное преобразование признаков, ориентированное FAST и повернутое BRIEF, двоичные надежные инвариантные масштабируемые ключевые точки и SURF). Более высокая эффективность классификации была отмечена при рассмотрении комбинации двух и нескольких рентгеновских снимков13.