Zašto je točnost inteligentnog sustava sigurnosne inspekcije i identifikacije teško poboljšati

Zašto je točnost inteligentnog sustava sigurnosne inspekcije i identifikacije teško poboljšati?

Slika istog predmeta u različitim strojevima za sigurnosnu inspekciju može biti vrlo različita, što je važan razlog za poteškoće u poboljšanju točnosti identifikacijskog sustava za inteligentnu sigurnosnu inspekciju i poteškoće u rješavanju problema kompatibilnosti i prilagodljivosti.
Kako bismo objasnili ovaj problem, počnimo s procesom generiranja rendgenskih slika.

1. Od signala detektora do RGB slike

Tijekom sigurnosne provjere putnici stavljaju svoju prtljagu na pokretnu traku stroja za sigurnosnu provjeru. Prtljaga ulazi u stroj za sigurnosnu inspekciju zajedno s pokretnom trakom, aktivirajući izvor zraka da emitira rendgenske zrake. X-zraka prodire kroz prtljagu i pada na detektor, a detektor će se skupiti. Fotoni zraka pretvaraju se u mjerljive podatke visoke i niske energije, a RGB sigurnosne slike generiraju se nakon složene obrade i operacija.

U procesu generiranja slike sigurnosne inspekcije, izlazni podaci detektora različitih modela i godina uporabe su različiti, a obrada podataka, obrada slike, geometrijska korekcija i sheme bojanja različitih marki strojeva za sigurnosnu inspekciju su različite, što će donijeti o ogromnim razlikama u rendgenskim slikama.

2. Noćna mora neusklađenosti slike i prepoznavanja modela

Slike koje generiraju različiti strojevi za rendgensku sigurnosnu inspekciju razlikuju se u smislu podudaranja boja, piksela, geometrijske deformacije itd. Za model dubokog učenja, slike s malo različitim ključnim informacijama kao što su boja i oblik mogu biti dvije potpuno različite slike, koje treba ponovno učiti.

(Snimanje iste prtljage pod različitim rendgenskim uređajima za sigurnosni pregled)

Modelu dubokog učenja nedostaje dovoljna sposobnost generalizacije i teško je identificirati slike s velikim razlikama. Stoga će razlika rendgenskih slika dovesti do problema poput niske učinkovitosti učenja modela, poteškoća u obuci modela i poteškoća u poboljšanju točnosti prepoznavanja.

3. Prednosti temeljne sheme identifikacije podataka stroja za sigurnosnu inspekciju

Kao odgovor na problem inteligentne identifikacije uzrokovan razlikama u rendgenskim slikama, Safeagle Technology je uvela shemu identifikacije temeljnih podataka sigurnosnog inspekcijskog stroja, koji se modelira i identificira prikupljanjem temeljnih podataka sigurnosnog inspekcijskog stroja.

Prednost ovog rješenja je u tome što se temeljni podaci različitih marki strojeva za sigurnosnu inspekciju malo razlikuju i lako ih je kalibrirati. Može se obraditi kako bi se formirala jedinstvena standardna rendgenska slika, koju je modelima dubokog učenja lakše naučiti i identificirati, što može uvelike poboljšati učinkovitost obuke modela i učinkovito poboljšati točnost prepoznavanja modela, potpuno riješiti probleme sustava kompatibilnost i prilagodljivost te točno identificirati različite tekuće komponente.

Iz perspektive općeg okruženja, trenutni razvoj proizvoda sigurnosne inspekcije od velike je važnosti za gospodarsku i društvenu izgradnju raznih zemalja. Vrijedno je iščekivati ​​kakva će biti budućnost.