Akıllı güvenlik denetimi ve tanımlama sisteminin doğruluğunu artırmak neden zordur?

Akıllı güvenlik denetim ve tanımlama sisteminin doğruluğunun artırılması neden zordur?

Aynı öğenin farklı güvenlik muayene makinelerinde görüntülenmesi çok farklı olabilir, bu da akıllı güvenlik muayene tanımlama sisteminin doğruluğunu artırmanın ve uyumluluk ve uyarlanabilirlik sorunlarını çözmenin zorluğunun önemli bir nedenidir.
Bu problemi açıklamak için öncelikle X-ışını görüntülerinin elde edilme sürecinden başlayalım.

1. Dedektör sinyalinden RGB görüntüye

Güvenlik kontrolü sırasında yolcular bagajlarını güvenlik inceleme makinesinin konveyör bandına yerleştirir. Bagaj, konveyör bandıyla birlikte güvenlik inceleme makinesine girer ve ışın kaynağının X-ışını ışınları yaymasını tetikler. X-ışını ışını bagaja nüfuz eder ve dedektöre düşer ve dedektör toplar. Işın fotonları ölçülebilir yüksek ve düşük enerji verilerine dönüştürülür ve karmaşık işleme ve işlemlerden sonra RGB güvenlik görüntüleri oluşturulur.

Güvenlik muayene görüntüsü oluşturma sürecinde, farklı model ve kullanım yıllarına sahip dedektörlerin çıktı verileri farklı olacağı gibi, farklı güvenlik muayene cihazı markalarının veri işleme, görüntü işleme, geometrik düzeltme ve renklendirme şemaları da farklı olacağından, X-ışını görüntülerinde büyük farklılıklar ortaya çıkacaktır.

2. Görüntü tutarsızlığı ve model tanıma kabusu

Farklı X-ray güvenlik inceleme makineleri tarafından üretilen görüntüler, renk eşleşmesi, piksel, geometrik deformasyon vb. açılardan birbirinden farklıdır. Derin öğrenme modeli için, renk ve şekil gibi biraz farklı temel bilgilere sahip görüntüler, yeniden öğrenilmesi gereken tamamen farklı iki görüntü olabilir.

(Aynı bagajın farklı X-ray güvenlik tarama makinelerinde görüntülenmesi)

Derin öğrenme modeli yeterli genelleme yeteneğinden yoksundur ve büyük farklılıklara sahip görüntüleri tanımlamak zordur. Bu nedenle, X-ışını görüntülerinin farklılığı düşük model öğrenme verimliliği, model eğitiminde zorluk ve tanıma doğruluğunu iyileştirmede zorluk gibi sorunlara yol açacaktır.

3. Güvenlik denetim makinesinin altta yatan veri tanımlama şemasının avantajları

X-ışını görüntülerindeki farklılıklardan kaynaklanan akıllı tanımlama sorununa yanıt olarak Safeagle Teknoloji, güvenlik muayene makinesinin altta yatan verilerinin elde edilmesiyle modellenen ve tanımlanan, güvenlik muayene makinesinin altta yatan verilerinin tanımlama şemasına öncülük etmiştir.

Bu çözümün avantajı, farklı markalardaki güvenlik inceleme makinelerinin temel verilerinin çok az farklılığa sahip olması ve kalibre edilmesinin kolay olmasıdır. Derin öğrenme modellerinin öğrenmesi ve tanımlaması daha kolay olan birleşik bir standart X-ışını görüntüsü oluşturmak üzere işlenebilir, bu da model eğitiminin verimliliğini büyük ölçüde artırabilir ve model tanıma doğruluğunu etkili bir şekilde iyileştirebilir, sistem uyumluluğu ve uyarlanabilirlik sorunlarını tamamen çözebilir ve çeşitli sıvı bileşenlerini doğru bir şekilde tanımlayabilir.

Genel çevre perspektifinden bakıldığında, güvenlik denetim ürünlerinin mevcut gelişimi çeşitli ülkelerin ekonomik ve sosyal yapıları için büyük önem taşımaktadır. Geleceğin nasıl olacağını merakla beklemekte fayda var.