在X射线行李检查中通过图像操纵和深 convolutional 神经网络进行增强的引爆器检测
Lynda Oulhissane1, Mostefa Merah1, Simona Moldovanu2,3
1Laboratory of Signals and Systems (LSS), Faculty of Science and Technology, Abdelhamid Ibn Badis University of Mostaganem, 11 Route Nationale, Kharouba, 27000, Mostaganem, Algeria.
Scientific reports
|August 31, 2023
概括
卷积神经网络 (CNN) 模型显示,在X射线图像中检测引爆器是有希望的. 图像操纵技术,特别是波形变换,可显著提高CNN在机场安全应用中的性能.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 自动化安全X射线分析在区分引爆器和有机材料方面面临挑战,特别是在高通量环境中.
- 先进的计算机辅助视觉对于复杂的安全场景至关重要.
研究的目的:
- 评估卷积神经网络 (CNN) 模型在使用操纵的X射线图像数据检测引爆器方面的性能.
- 调查各种图像处理技术对引爆器检测准确性的影响.
主要方法:
- 实验使用已建立的CNN架构和波形变换进行了实验,用于对象检测.
- 使用对比限度自适应基因图平衡 (CLAHE),波波变换和CLAHE RGB-波波组合方法操纵X射线图像.
- 对原始和操纵图像数据集的检测性能进行了评估.
主要成果:
- 图像操纵技术,包括边缘增强和通过波形变换改变频率组件,改进了类似特征的差异化.
- 与其他方法相比,基于波纹的CNN模型显示出更高的检测性能.
- 这项研究证实了将图像操纵与深度CNN相结合的有效性.
结论:
- 深度卷积神经网络 (CNN),增强了像波形变换这样的图像操纵技术,显示了改善机场安全中自动引爆器检测的巨大潜力.
- 集成先进的图像处理和深度学习为未来的安全选技术提供了一个有希望的方向.
