Dlaczego trudno jest poprawić dokładność inteligentnego systemu kontroli i identyfikacji bezpieczeństwa

Dlaczego trudno jest poprawić dokładność inteligentnego systemu kontroli bezpieczeństwa i identyfikacji?

Obrazowanie tego samego przedmiotu na różnych urządzeniach do kontroli bezpieczeństwa może się znacznie różnić, co stanowi istotny powód trudności w poprawie dokładności inteligentnego systemu identyfikacji podczas kontroli bezpieczeństwa, a także trudności w rozwiązaniu problemów związanych ze zgodnością i adaptacyjnością.
Aby wyjaśnić ten problem, zacznijmy od procesu generowania obrazów rentgenowskich.

1. Od sygnału detektora do obrazu RGB

Podczas kontroli bezpieczeństwa pasażerowie umieszczają swój bagaż na taśmie przenośnika maszyny kontroli bezpieczeństwa. Bagaż wchodzi do maszyny kontroli bezpieczeństwa wraz z taśmą przenośnika, co powoduje, że źródło promieni emituje wiązki promieni rentgenowskich. Wiązka promieni rentgenowskich przenika bagaż i pada na detektor, który ją zbiera. Fotony promieni są przekształcane w mierzalne dane o wysokiej i niskiej energii, a obrazy bezpieczeństwa RGB są generowane po złożonym przetwarzaniu i operacjach.

W procesie generowania obrazu kontroli bezpieczeństwa dane wyjściowe detektorów różnych modeli i lat użytkowania są różne. Ponadto przetwarzanie danych, przetwarzanie obrazu, korekcja geometryczna i schematy kolorów różnych marek urządzeń do kontroli bezpieczeństwa różnią się, co powoduje ogromne różnice w obrazach rentgenowskich.

2. Koszmar rozbieżności obrazu i rozpoznawalności modelu

Obrazy generowane przez różne urządzenia rentgenowskie do kontroli bezpieczeństwa różnią się pod względem dopasowania kolorów, pikseli, deformacji geometrycznych itd. W przypadku modelu głębokiego uczenia się obrazy z nieznacznie różniącymi się kluczowymi informacjami, takimi jak kolor i kształt, mogą być dwoma zupełnie różnymi obrazami, które trzeba będzie ponownie nauczyć.

(Obrazowanie tego samego bagażu pod różnymi urządzeniami rentgenowskimi do kontroli bezpieczeństwa)

Model głębokiego uczenia się nie ma wystarczającej zdolności generalizacji i trudno jest identyfikować obrazy o dużych różnicach. Dlatego różnica obrazów rentgenowskich będzie prowadzić do problemów, takich jak niska wydajność uczenia się modelu, trudności w szkoleniu modelu i trudności w poprawie dokładności rozpoznawania.

3. Zalety podstawowego schematu identyfikacji danych maszyny do kontroli bezpieczeństwa

W odpowiedzi na problem inteligentnej identyfikacji spowodowany różnicami w obrazach rentgenowskich, firma Safeagle Technology opracowała pionierski schemat identyfikacji bazowych danych maszyny do kontroli bezpieczeństwa, który jest modelowany i identyfikowany poprzez pozyskiwanie bazowych danych maszyny do kontroli bezpieczeństwa.

Zaletą tego rozwiązania jest to, że podstawowe dane różnych marek maszyn do kontroli bezpieczeństwa różnią się nieznacznie i są łatwe do kalibracji. Można je przetworzyć, aby utworzyć ujednolicony standardowy obraz rentgenowski, który jest łatwiejszy do nauczenia się i identyfikacji dla modeli głębokiego uczenia się, co może znacznie poprawić wydajność szkolenia modelu i skutecznie poprawić dokładność rozpoznawania modelu, całkowicie rozwiązać problemy zgodności i adaptacyjności systemu oraz dokładnie zidentyfikować różne składniki cieczy.

Z perspektywy ogólnego środowiska obecny rozwój produktów do inspekcji bezpieczeństwa ma ogromne znaczenie dla ekonomicznej i społecznej konstrukcji różnych krajów. Warto patrzeć w przyszłość.