Чому точність інтелектуальної перевірки безпеки та системи ідентифікації важко підвищити

Чому важко підвищити точність інтелектуальної системи перевірки безпеки та ідентифікації?

Зображення того самого елемента в різних машинах перевірки безпеки може бути дуже різним, що є важливою причиною труднощів у підвищенні точності ідентифікаційної системи інтелектуальної перевірки безпеки, а також труднощів у вирішенні проблем сумісності та адаптивності.
Щоб пояснити цю проблему, почнемо з процесу створення рентгенівських зображень.

1. Від сигналу детектора до зображення RGB

Під час перевірки на безпеку пасажири розміщують свій багаж на конвеєрі доглядової машини. Багаж потрапляє в машину перевірки безпеки разом із конвеєрною стрічкою, запускаючи джерело випромінювання для випромінювання рентгенівських променів. Промінь рентгенівського випромінювання проникає в багаж і падає на детектор, а детектор збирається. Фотони променів перетворюються на вимірювані дані високої та низької енергії, а RGB-зображення безпеки генеруються після складної обробки та операцій.

У процесі генерації зображення перевірки безпеки дані, що виводяться детекторами різних моделей і років використання, відрізняються, а обробка даних, обробка зображень, геометрична корекція та кольорові схеми різних марок машин перевірки безпеки відрізняються, що призведе до про величезні відмінності рентгенівських знімків.

2. Кошмар невідповідності іміджу та розпізнавання моделі

Зображення, створені різними рентгенівськими пристроями для перевірки безпеки, відрізняються з точки зору відповідності кольорів, пікселів, геометричної деформації тощо. Для моделі глибокого навчання зображення з дещо різною ключовою інформацією, такою як колір і форма, можуть бути двома абсолютно різними зображеннями, які потрібно вчити заново.

(Зображення одного і того ж багажу під різними рентгенівськими апаратами безпеки)

Модель глибокого навчання не має достатньої здатності до узагальнення, і важко ідентифікувати зображення з великими відмінностями. Таким чином, різниця рентгенівських зображень призведе до таких проблем, як низька ефективність навчання моделі, труднощі з навчанням моделі та труднощі з підвищенням точності розпізнавання.

3. Переваги основної схеми ідентифікації даних машини перевірки безпеки

У відповідь на проблему інтелектуальної ідентифікації, викликану відмінностями в рентгенівських зображеннях, Safeagle Technology вперше розробила схему ідентифікації основних даних машини перевірки безпеки, яка моделюється та ідентифікується шляхом отримання базових даних машини перевірки безпеки.

Перевага цього рішення полягає в тому, що базові дані різних марок машин для перевірки безпеки мають невелику різницю та їх легко відкалібрувати. Його можна обробити для формування уніфікованого стандартного рентгенівського зображення, яке легше вивчати та ідентифікувати моделі глибокого навчання, що може значно підвищити ефективність навчання моделі та ефективно підвищити точність розпізнавання моделей, повністю вирішити проблеми системи сумісність і адаптивність, а також точно ідентифікувати різні рідкі компоненти.

З точки зору загального середовища, поточний розвиток продуктів перевірки безпеки має велике значення для економічного та соціального будівництва різних країн. Варто дивитися з нетерпінням, яким буде майбутнє.