지능형 보안 검사 및 식별 시스템의 정확도가 개선되기 어려운 이유는 무엇입니까?

지능형 보안 검사 및 식별 시스템의 정확도가 개선되기 어려운 이유는 무엇입니까?

동일한 품목이 서로 다른 보안 검사 기계에서 촬영되는 모습은 매우 다를 수 있으며, 이는 지능형 보안 검사 식별 시스템의 정확도를 개선하고 호환성 및 적응성 문제를 해결하는 데 어려움을 겪는 중요한 이유입니다.
이 문제를 설명하기 위해, 먼저 엑스선 이미지를 생성하는 과정부터 살펴보겠습니다.

1. 검출기 신호에서 RGB 이미지로

보안 검사 중에 승객은 짐을 보안 검사기의 컨베이어 벨트에 올려놓습니다. 짐은 컨베이어 벨트와 함께 보안 검사기에 들어가며, 방사선원이 X선 빔을 방출하도록 트리거합니다. X선 빔은 짐을 관통하여 검출기에 떨어지고 검출기는 수집합니다. 광선 광자는 측정 가능한 고에너지 및 저에너지 데이터로 변환되고, 복잡한 처리 및 작업을 거쳐 RGB 보안 이미지가 생성됩니다.

보안검사 영상 생성 과정에서 다양한 모델과 사용 연도의 검출기에서 출력되는 데이터가 다르고, 다양한 보안검사기 브랜드의 데이터 처리, 영상처리, 기하 보정, 채색 방식 등이 달라서 엑스선 영상에 엄청난 차이가 생기게 됩니다.

2. 이미지 불일치와 모델 인식의 악몽

다양한 X선 보안 검사 기계에서 생성된 이미지는 색상 매칭, 픽셀, 기하학적 변형 등의 측면에서 서로 다릅니다. 딥 러닝 모델의 경우 색상과 모양과 같은 주요 정보가 약간 다른 이미지는 완전히 다른 두 이미지일 수 있으며, 이를 다시 학습해야 합니다.

(다른 X선 보안 검색기 아래에 있는 동일한 수하물의 이미지)

딥러닝 모델은 일반화 능력이 충분하지 않고, 차이가 큰 이미지를 식별하기 어렵습니다. 따라서 X선 이미지의 차이는 모델 학습 효율성이 낮고, 모델 학습이 어렵고, 인식 정확도를 개선하는 데 어려움이 있는 등의 문제로 이어질 것입니다.

3. 보안 검사 장비의 기본 데이터 식별 방식의 장점

Safeagle Technology는 X선 이미지의 차이로 인해 발생하는 지능형 식별 문제에 대응하여 보안 검사 기계의 기본 데이터를 수집하여 모델링하고 식별하는 보안 검사 기계 기본 데이터 식별 방식을 개척했습니다.

이 솔루션의 장점은 다양한 브랜드의 보안 검사 기계의 기본 데이터가 거의 차이가 없고 교정하기 쉽다는 것입니다. 이를 처리하여 통일된 표준 X선 이미지를 형성할 수 있어 딥 러닝 모델이 학습하고 식별하기 쉽고, 모델 교육의 효율성을 크게 개선하고 모델 인식의 정확도를 효과적으로 개선하고, 시스템 호환성 및 적응성 문제를 완전히 해결하고, 다양한 액체 구성 요소를 정확하게 식별할 수 있습니다.

전반적인 환경의 관점에서 볼 때, 보안 검사 제품의 현재 개발은 다양한 국가의 경제 및 사회 건설에 큰 의미가 있습니다. 미래가 어떻게 될지 기대해 볼 가치가 있습니다.