Varför är det svårt att förbättra noggrannheten i det intelligenta säkerhetsinspektions- och identifieringssystemet

Varför är det svårt att förbättra det intelligenta säkerhetsinspektions- och identifieringssystemets noggrannhet?

Avbildningen av samma föremål i olika säkerhetsinspektionsmaskiner kan vara mycket olika, vilket är en viktig orsak till svårigheten att förbättra noggrannheten hos det intelligenta säkerhetsinspektionsidentifieringssystemet och svårigheten att lösa problemen med kompatibilitet och anpassningsförmåga.
För att förklara detta problem, låt oss börja med processen att generera röntgenbilder.

1. Från detektorsignal till RGB-bild

Under säkerhetskontrollen placerar passagerarna sitt bagage på säkerhetsinspektionsmaskinens löpande band. Bagaget går in i säkerhetsinspektionsmaskinen tillsammans med transportbandet, vilket utlöser strålkällan att avge röntgenstrålar. Röntgenstrålen penetrerar bagaget och faller på detektorn och detektorn samlas. Strålfotonerna omvandlas till mätbara hög- och lågenergidata, och RGB-säkerhetsbilder genereras efter komplex bearbetning och operationer.

I processen för bildgenerering av säkerhetsinspektioner är datautmatningen från detektorer av olika modeller och användningsår olika, och databehandling, bildbehandling, geometrisk korrigering och färgscheman för olika märken för säkerhetsinspektionsmaskiner är olika, vilket kommer att ge om enorma skillnader i röntgenbilder.

2. Mardrömmen av bilddiskrepans och modelligenkänning

Bilderna som genereras av olika röntgensäkerhetsinspektionsmaskiner är olika vad gäller färgmatchning, pixlar, geometrisk deformation etc. För djupinlärningsmodellen kan bilder med lite olika nyckelinformation som färg och form vara två helt olika bilder, som behöver läras om.

(Bilder av samma bagage under olika röntgensäkerhetsscreeningsmaskiner)

Modellen för djupinlärning saknar tillräcklig generaliseringsförmåga, och det är svårt att identifiera bilder med stora skillnader. Därför kommer skillnaden mellan röntgenbilder att leda till problem som låg modellinlärningseffektivitet, svårigheter med modellträning och svårigheter att förbättra igenkänningsnoggrannheten.

3. Fördelar med det underliggande dataidentifieringsschemat för säkerhetsinspektionsmaskinen

Som svar på problemet med intelligent identifiering orsakad av skillnader i röntgenbilder, har Safeagle Technology banat väg för identifieringsschemat för säkerhetsinspektionsmaskinens underliggande data, som modelleras och identifieras genom att inhämta underliggande data från säkerhetsinspektionsmaskinen.

Fördelen med denna lösning är att de underliggande data för olika märken av säkerhetsinspektionsmaskiner har liten skillnad och är lätta att kalibrera. Den kan bearbetas för att bilda en enhetlig standardröntgenbild, vilket är lättare för modeller för djupinlärning att lära sig och identifiera, vilket avsevärt kan förbättra effektiviteten av modellträning och effektivt förbättra noggrannheten i modelligenkänning, helt lösa systemets problem kompatibilitet och anpassningsförmåga och exakt identifiera olika flytande komponenter.

Ur den allmänna miljöns perspektiv är den nuvarande utvecklingen av säkerhetsinspektionsprodukter av stor betydelse för den ekonomiska och sociala konstruktionen i olika länder. Det är värt att se fram emot hur framtiden kommer att bli.