Proč je obtížné zlepšit přesnost inteligentního bezpečnostního kontrolního a identifikačního systému

Proč je obtížné zlepšit přesnost inteligentního bezpečnostního kontrolního a identifikačního systému?

Zobrazování stejné položky v různých bezpečnostních kontrolních strojích může být velmi odlišné, což je důležitý důvod pro potíže se zlepšením přesnosti identifikačního systému inteligentních bezpečnostních kontrol a potíže s řešením problémů kompatibility a adaptability.
Abychom tento problém vysvětlili, začněme procesem generování rentgenových snímků.

1. Od signálu detektoru k obrazu RGB

Při bezpečnostní kontrole cestující položí svá zavazadla na pás stroje bezpečnostní kontroly. Zavazadlo vstupuje do bezpečnostního kontrolního zařízení spolu s dopravním pásem a spouští zdroj paprsku, aby vysílal rentgenové paprsky. Rentgenový paprsek proniká zavazadlem a dopadá na detektor a detektor se shromáždí. Fotony paprsku se převádějí na měřitelná data s vysokou a nízkou energií a po složitém zpracování a operacích se generují bezpečnostní snímky RGB.

V procesu generování obrazu bezpečnostní inspekce je výstup dat detektory různých modelů a let používání odlišný a zpracování dat, zpracování obrazu, geometrické korekce a barevná schémata různých značek bezpečnostních inspekčních strojů jsou různé, což přinese o obrovských rozdílech v rentgenových snímcích.

2. Noční můra obrazových nesrovnalostí a rozpoznávání modelů

Obrázky generované různými rentgenovými bezpečnostními inspekčními zařízeními se liší, pokud jde o shodu barev, pixely, geometrickou deformaci atd. Pro model hlubokého učení mohou být obrázky s mírně odlišnými klíčovými informacemi, jako je barva a tvar, dva zcela odlišné obrázky, které je třeba se znovu naučit.

(Zobrazení stejného zavazadla pod různými rentgenovými bezpečnostními přístroji)

Model hlubokého učení postrádá dostatečnou schopnost generalizace a je obtížné identifikovat obrazy s velkými rozdíly. Rozdíl v rentgenových snímcích proto povede k problémům, jako je nízká efektivita učení modelu, potíže s trénováním modelu a potíže se zlepšením přesnosti rozpoznávání.

3. Výhody základního schématu identifikace dat bezpečnostního kontrolního stroje

V reakci na problém inteligentní identifikace způsobený rozdíly v rentgenových snímcích se Safeagle Technology stal průkopníkem identifikačního schématu základních dat bezpečnostního kontrolního stroje, který je modelován a identifikován získáváním podkladových dat bezpečnostního kontrolního stroje.

Výhodou tohoto řešení je, že podkladová data různých značek bezpečnostních inspekčních strojů se jen málo liší a lze je snadno kalibrovat. Může být zpracován tak, aby vytvořil jednotný standardní rentgenový obraz, který je pro modely hlubokého učení snazší naučit se a identifikovat, což může výrazně zlepšit efektivitu tréninku modelů a efektivně zlepšit přesnost rozpoznávání modelů, zcela vyřešit problémy systému kompatibilitu a přizpůsobivost a přesně identifikovat různé kapalné složky.

Z pohledu obecného prostředí má současný vývoj produktů bezpečnostní inspekce velký význam pro ekonomickou a sociální výstavbu různých zemí. Stojí za to se těšit na to, jaká bude budoucnost.