Hvorfor er nøjagtigheden af ​​det intelligente sikkerhedsinspektions- og identifikationssystem svært at forbedre

Hvorfor er nøjagtigheden af ​​det intelligente sikkerhedsinspektions- og identifikationssystem vanskelig at forbedre?

Billeddannelsen af ​​den samme genstand i forskellige sikkerhedsinspektionsmaskiner kan være meget forskellig, hvilket er en vigtig årsag til vanskeligheden ved at forbedre nøjagtigheden af ​​det intelligente sikkerhedsinspektionsidentifikationssystem og vanskeligheden ved at løse problemerne med kompatibilitet og tilpasningsevne.
For at forklare dette problem, lad os starte med processen med at generere røntgenbilleder.

1. Fra detektorsignal til RGB-billede

Under sikkerhedskontrollen placerer passagererne deres bagage på sikkerhedsinspektionsmaskinens transportbånd. Bagagen kommer ind i sikkerhedsinspektionsmaskinen sammen med transportbåndet, hvilket udløser strålekilden til at udsende røntgenstråler. Røntgenstrålen trænger ind i bagagen og falder ned på detektoren, og detektoren samler sig. Strålefotonerne konverteres til målbare høj- og lavenergidata, og RGB-sikkerhedsbilleder genereres efter kompleks behandling og operationer.

I processen med generering af sikkerhedsinspektionsbilleder er dataoutputtet fra detektorer af forskellige modeller og års brug forskelligt, og databehandling, billedbehandling, geometrisk korrektion og farveskemaer fra forskellige sikkerhedsinspektionsmaskinemærker er forskellige, hvilket vil bringe om store forskelle på røntgenbilleder.

2. Mareridtet med billeddiskrepans og modelgenkendelse

Billederne, der genereres af forskellige røntgensikkerhedsinspektionsmaskiner, er forskellige med hensyn til farvetilpasning, pixels, geometrisk deformation osv. For deep learning-modellen kan billeder med lidt forskellige nøgleoplysninger såsom farve og form være to helt forskellige billeder, som skal genlæres.

(Billeddannelse af den samme bagage under forskellige røntgensikkerhedsscreeningsmaskiner)

Deep learning-modellen mangler tilstrækkelig generaliseringsevne, og det er svært at identificere billeder med store forskelle. Derfor vil forskellen på røntgenbilleder føre til problemer såsom lav modelindlæringseffektivitet, vanskeligheder med modeltræning og vanskeligheder med at forbedre genkendelsesnøjagtigheden.

3. Fordele ved det underliggende dataidentifikationssystem for sikkerhedsinspektionsmaskinen

Som svar på problemet med intelligent identifikation forårsaget af forskelle i røntgenbilleder, har Safeagle Technology været banebrydende i identifikationsskemaet for sikkerhedsinspektionsmaskinens underliggende data, som modelleres og identificeres ved at indhente de underliggende data fra sikkerhedsinspektionsmaskinen.

Fordelen ved denne løsning er, at de underliggende data fra forskellige mærker af sikkerhedsinspektionsmaskiner har lille forskel og er nemme at kalibrere. Det kan behandles til at danne et ensartet standard røntgenbillede, hvilket er lettere for dybe læringsmodeller at lære og identificere, hvilket i høj grad kan forbedre effektiviteten af ​​modeltræning og effektivt forbedre nøjagtigheden af ​​modelgenkendelse, fuldstændig løse systemets problemer kompatibilitet og tilpasningsevne og nøjagtigt identificere forskellige flydende komponenter.

Fra det generelle miljøs perspektiv er den nuværende udvikling af sikkerhedsinspektionsprodukter af stor betydning for den økonomiske og sociale konstruktion i forskellige lande. Det er værd at se frem til, hvordan fremtiden bliver.