Hvorfor er nøyaktigheten til det intelligente sikkerhetsinspeksjons- og identifiseringssystemet vanskelig å forbedre

Hvorfor er nøyaktigheten til det intelligente sikkerhetsinspeksjons- og identifiseringssystemet vanskelig å forbedre?

Avbildningen av samme gjenstand i forskjellige sikkerhetsinspeksjonsmaskiner kan være svært forskjellig, noe som er en viktig årsak til vanskeligheten med å forbedre nøyaktigheten til det intelligente sikkerhetsinspeksjonsidentifikasjonssystemet, og vanskeligheten med å løse problemene med kompatibilitet og tilpasningsevne.
For å forklare dette problemet, la oss starte med prosessen med å generere røntgenbilder.

1. Fra detektorsignal til RGB-bilde

Under sikkerhetskontrollen legger passasjerene bagasjen på transportbåndet til sikkerhetsinspeksjonsmaskinen. Bagasjen går inn i sikkerhetsinspeksjonsmaskinen sammen med transportbåndet, og trigger strålekilden til å sende ut røntgenstråler. Røntgenstrålen trenger inn i bagasjen og faller på detektoren, og detektoren vil samle seg. Strålefotonene konverteres til målbare høy- og lavenergidata, og RGB-sikkerhetsbilder genereres etter kompleks prosessering og operasjoner.

I prosessen med generering av bildegenerering av sikkerhetsinspeksjon er datautgangen fra detektorer av forskjellige modeller og års bruk forskjellig, og databehandling, bildebehandling, geometrisk korreksjon og fargeskjemaer for forskjellige merker for sikkerhetsinspeksjonsmaskiner er forskjellige, noe som vil bringe om store forskjeller i røntgenbilder.

2. Marerittet med bildeavvik og modellgjenkjenning

Bildene som genereres av ulike røntgensikkerhetsinspeksjonsmaskiner er forskjellige med tanke på fargetilpasning, piksler, geometrisk deformasjon osv. For dyplæringsmodellen kan bilder med litt forskjellig nøkkelinformasjon som farge og form være to helt forskjellige bilder, som må læres på nytt.

(Bilde av samme bagasje under forskjellige røntgensikkerhetskontrollmaskiner)

Deep learning-modellen mangler tilstrekkelig generaliseringsevne, og det er vanskelig å identifisere bilder med store forskjeller. Derfor vil forskjellen på røntgenbilder føre til problemer som lav modelllæringseffektivitet, vanskeligheter med modelltrening og vanskeligheter med å forbedre gjenkjenningsnøyaktigheten.

3. Fordeler med det underliggende dataidentifikasjonsskjemaet til sikkerhetsinspeksjonsmaskinen

Som svar på problemet med intelligent identifikasjon forårsaket av forskjeller i røntgenbilder, har Safeagle Technology vært banebrytende i identifiseringsskjemaet for de underliggende dataene til sikkerhetsinspeksjonsmaskinen, som er modellert og identifisert ved å innhente de underliggende dataene til sikkerhetsinspeksjonsmaskinen.

Fordelen med denne løsningen er at de underliggende dataene til forskjellige merker av sikkerhetsinspeksjonsmaskiner har liten forskjell og er enkle å kalibrere. Det kan behandles for å danne et enhetlig standard røntgenbilde, som er lettere for dyplæringsmodeller å lære og identifisere, noe som i stor grad kan forbedre effektiviteten til modelltrening og effektivt forbedre nøyaktigheten av modellgjenkjenning, fullstendig løse systemets problemer kompatibilitet og tilpasningsevne, og nøyaktig identifisere ulike væskekomponenter.

Fra perspektivet til det generelle miljøet er den nåværende utviklingen av sikkerhetsinspeksjonsprodukter av stor betydning for den økonomiske og sosiale konstruksjonen i ulike land. Det er verdt å se frem til hvordan fremtiden blir.