隐藏物体的自动检测和分类使用红外热学和卷积神经网络
WeeLiam Khor1,2, Yichen Kelly Chen3, Michael Roberts3,4
1Department of Mechanical Engineering Sciences, University of Surrey, Guildford, GU2 7XH, UK.
Scientific reports
|April 9, 2024
概括
卷积神经网络 (CNN) 有效地分类红外图像用于安全扫描. 使用诸如Fuzzy-c集群等方法预处理热图像可以显著提高隐藏物体检测的准确性.
科学领域:
- 计算机视觉 计算机视觉
- 安全技术 安全技术
- 机器学习 机器学习
背景情况:
- 红外热学提供了隐藏物体的非侵入性安全扫描.
- 检测服装表面的热信号是具有挑战性的,因为红外线的透能力有限.
- 热图像的自动分类对于有效的安全应用至关重要.
研究的目的:
- 评估卷积神经网络 (CNN) 在安全扫描中分类红外图像的有效性.
- 调查不同图像预处理技术对隐藏物体检测CNN性能的影响.
- 为了确定最佳的预处理方法来增强热图像分析.
主要方法:
- 使用了ResNet-50卷积神经网络 (CNN) 架构.
- 在ImageNet数据库上预先训练CNN模型,并通过实验性的红外图像对其进行微调.
- 研究了四种图像预处理方法:原始红外线,感兴趣区域 (ROI) 裁剪,K-means集群和Fuzzy-c集群.
- 使用接收器操作特征 (ROC) 曲线并计算曲线下的面积 (AUC) 评估模型性能.
主要成果:
- 根据图像预处理,CNN模型实现了不同的性能水平.
- 曲线下的面积 (AUC) 值为原始图像的0.8923,ROI切割图像的0.9256,K-means集群图像的0.9485和Fuzzy-c集群图像的0.9669.
- 模糊c聚类产生了最高的检测精度,表明其在增强热图像分析方面的有效性.
结论:
- 卷积神经网络 (CNN) 显示了使用红外图像进行自动安全扫描的巨大潜力.
- 图像预处理技术,特别是 Fuzzy-c 聚类,大大提高了隐藏物体检测的准确性.
- 删除不相关的信息,并突出显示热图中的关键特征,可以提高CNN的预测性能.
