X의 향상된 기폭 장치 감지

Scientific Reports 13권, 기사 번호: 14262(2023) 이 기사 인용

측정항목 세부정보

기폭 장치를 탐지하는 것은 특히 높은 수하물 처리량 시나리오에서 무해한 유기물로 쉽게 잘못 분류될 수 있기 때문에 어려운 작업입니다. 특히 흥미로운 점은 기폭 장치 탐지를 위한 자동화된 보안 X선 분석에 중점을 두고 있다는 것입니다. 복잡한 보안 시나리오에는 컴퓨터 지원 비전의 점점 더 발전된 조합이 필요합니다. 우리는 조작을 통해 입력 이미지의 품질이 변경된 경우 기폭 장치를 감지하는 CNN(Convolutional Neural Network) 모델의 능력을 평가하기 위한 광범위한 실험 세트를 제안합니다. 우리는 웨이블릿 변환 분야의 최근 발전과 확립된 CNN 아키텍처를 활용합니다. 둘 다 객체 감지에 사용될 수 있기 때문입니다. 다양한 영상 조작 방법이 사용되며, 나아가 탐지 성능도 평가됩니다. 원시 X선 이미지와 CLAHE(Contrast Limited Adaptive Histogram Equalization), 웨이블릿 변환 기반 방법 및 혼합 CLAHE RGB 웨이블릿 방법을 사용하여 조작된 이미지를 모두 분석했습니다. 결과는 가장자리 향상, 변경된 색상 정보 또는 웨이블릿 변환에 의해 제공되는 다양한 주파수 구성 요소와 같은 상당수의 작업을 사용하여 거의 유사한 기능을 구별할 수 있음을 보여주었습니다. 웨이블릿 기반 CNN이 더 높은 검출 성능을 보이는 것으로 나타났다. 전반적으로 이 성능은 공항 보안 애플리케이션에 조작 방법과 심층 CNN을 결합하여 사용할 수 있는 가능성을 보여줍니다.

특히 범죄율이 증가함에 따라 수하물의 X선 이미지에서 위험한 물체를 탐지하는 것이 중요해졌습니다1. 검색 장치의 성능은 표적 가시성, 이미지 표시 기술 및 보안 담당자의 지식에 크게 영향을 받습니다. 그러나 이러한 이미지를 육안으로 검사하는 것은 타겟의 낮은 보급률, 타겟 가시성의 가변성(객체 모양의 정밀도 부족으로 인해 발생), 겹치는 객체, 이미지 세부 사항을 가리는 낮은 대비, 잘못된 경보를 유발할 가능성으로 인해 매우 어렵습니다. ,삼. 더욱이 작업의 지속적이고 반복적인 특성, 즉 보안 담당자가 지속적으로 화면을 보고 동일한 유형의 감지된 물체를 자주 접하게 되면 주의가 피로해지고 판단력이 저하될 수 있습니다4.

승객 수하물에 포함된 가장 위험한 금지 품목은 소위 급조 폭발 장치입니다. 폭탄의 기폭 장치를 탐지하는 것은 잘 훈련된 보안 담당자에게도 어려울 수 있습니다. 이러한 문제를 해결하기 위해 2D 방사선 이미지5,6,7,8,9,10,11,12,13의 품질을 향상시키기 위한 수많은 알고리즘과 기술이 개발되었습니다. 자연어 처리 및 정보 검색을 기반으로 하는 BoVW(Bag-of-Visual-Words) 탐지 기술은 개체 탐지 및 분류를 위해 통계 프로세스를 사용합니다6. 이 기술은 폭발물 탐지에 성공적으로 적용되었습니다. 이는 자동 인코더 접근 방식7, K-Nearest Neighbors, 로지스틱 회귀8 및 의사결정 트리9를 통한 지도 기능 학습을 포함한 다양한 다른 방법과 함께 사용되었습니다. BoVW는 총, 수리검, 면도날 탐지에도 사용되었습니다. 이러한 기술은 각 클래스에 대해 형성된 사전을 기반으로 하며 감지는 무작위로 자른 이미지 패치의 SIFT(Scale Invariant Feature Transform) 기능 설명자로 구성됩니다. SURF(Speeded up Robust Feature) 설명자 및 SVM(Support Vector Machine) 분류기와 상관된 BoVW 모델은 총기 탐지에 사용되었으며, 20%의 거짓 긍정 비율에서 99.07%의 최적 참 긍정 비율을 달성했습니다11. 총기 탐지에는 Random Forest와 SVM 알고리즘이 모두 사용되었으며 94%의 통계적 정확도가 보고되었습니다12. 분류 성능을 평가하기 위해 단일, 2개 및 다중 X-Ray 뷰와 4개의 분류기(즉, Scale-Invariant Feature Transform, Oriented FAST 및 Rotated BRIEF, Binary Robust Invariant Scalable Keypoints 및 SURF)가 고려되었습니다. 두 개의 X-Ray 뷰와 다중 X-Ray 뷰의 조합을 고려할 때 더 나은 분류 성능이 강조되었습니다13.