一个计算机视觉框架,用于在机场行李物流中主动检测异常并降低机场行李物流中的风险

科学领域:

• 计算机视觉和人工智能的人工智能
• 机场运营和机场安全
• 机器学习用于工业应用.

背景情况:

• 机场行李处理系统在自动化部件检测和损坏识别方面面临挑战.
• 现有的系统可能缺乏全面检查所需的精度和上下文理解.
• 需要先进的AI解决方案来提高行李检查的效率和可靠性.

研究的目的:

• 开发和评估一个由人工智能驱动的系统,用于自动检测行李部件 (袋子,手柄,皮带) 和损坏 (裂).
• 将对象检测/实例分割 (YOLOv8) 与高级推理 (GPT-4 Vision) 集成为全面的行李检查.
• 在准确性,实时处理和适应操作变化的能力方面评估系统的性能.

主要方法:

• 使用YOLOv8进行对象检测和实例细分,在2528张行李图像的自定义数据集上.
• 集成了OpenAI的GPT-4视觉,用于更高层次的分析,包括上下文验证和自然语言损害描述.
• 使用精度,回忆,F1分数和平均平均精度 (mAP) 以及运行时间指标 (FPS,延迟) 评估性能.

主要成果:

• 在袋子 (F1=0.90) 和手柄 (F1=0.91) 中获得了高检测分数,在损坏检测方面表现良好 (F1=0.77,mAP=0.76).
• 在RTX 3090.上展示了强大的实时性能,配件检测在~135 FPS,损坏细分在~62 FPS.
• 混合YOLOv8-GPT-4视觉方法提供了像素级准确性和语义理解,提高了适应性.

结论:

• 拟议的混合人工智能系统为智能行李检查的准确性,可靠性和实时准备性设定了新的基准.
• 强调数据集质量,验证和模型改进对于解决类特定性能变化的重要性.
• 该系统显示了研究和工业采用在提高机场安全和运营效率方面的巨大潜力.