Aug 01, 2023
Détection améliorée des détonateurs dans X
Scientific Reports volume 13, Numéro d'article : 14262 (2023) Citer cet article Détails des mesures La détection des détonateurs est une tâche difficile car ils peuvent facilement être classés à tort comme étant inoffensifs.
Rapports scientifiques volume 13, Numéro d'article : 14262 (2023) Citer cet article
Détails des métriques
La détection des détonateurs est une tâche difficile car ils peuvent facilement être classés à tort comme étant une masse organique inoffensive, en particulier dans les scénarios de débit de bagages élevé. L’accent mis sur l’analyse automatisée des rayons X de sécurité pour la détection des détonateurs est particulièrement intéressant. Les scénarios de sécurité complexes nécessitent des combinaisons de plus en plus avancées de vision assistée par ordinateur. Nous proposons un vaste ensemble d'expériences pour évaluer la capacité des modèles de réseaux neuronaux convolutifs (CNN) à détecter les détonateurs, lorsque la qualité des images d'entrée a été modifiée par manipulation. Nous exploitons les progrès récents dans le domaine des transformations en ondelettes et des architectures CNN établies, car ces deux éléments peuvent être utilisés pour la détection d'objets. Diverses méthodes de manipulation d'images sont utilisées et, en outre, les performances de détection sont évaluées. Les images radiographiques brutes et les images manipulées avec l'égalisation d'histogramme adaptative limitée à contraste (CLAHE), les méthodes basées sur la transformation en ondelettes et la méthode mixte CLAHE RVB-ondelettes ont été analysées. Les résultats ont montré qu'un nombre important d'opérations, telles que : l'amélioration des contours, la modification des informations de couleur ou les différentes composantes de fréquence fournies par les transformations en ondelettes, peuvent être utilisées pour différencier des caractéristiques presque similaires. Il a été constaté que le CNN basé sur les ondelettes atteignait les performances de détection les plus élevées. Dans l’ensemble, cette performance illustre le potentiel d’une utilisation combinée des méthodes de manipulation et des CNN profonds pour les applications de sécurité aéroportuaire.
La détection d'objets dangereux dans les images radiographiques des bagages est devenue importante, notamment en raison de l'augmentation du taux de criminalité1. Les performances des dispositifs de contrôle sont fortement influencées par la visibilité de la cible, la technologie d'affichage des images et les connaissances des agents de sécurité. Cependant, l'inspection visuelle de ces images est très difficile en raison de la faible prévalence des cibles, de la variabilité de la visibilité des cibles (entraînant un manque de précision dans la forme des objets), du chevauchement des objets, du mauvais contraste qui obscurcit les détails de l'image et du risque de fausses alarmes2. ,3. De plus, la nature constante et répétitive de la tâche, c'est-à-dire le fait que les agents de sécurité regardent constamment les écrans et rencontrent fréquemment les mêmes types d'objets détectés, peut entraîner une fatigue d'attention et une altération du jugement4.
Les articles interdits les plus dangereux dans les bagages des passagers sont ce qu'on appelle les engins explosifs improvisés. Détecter le détonateur d’une bombe peut s’avérer un défi, même pour des agents de sécurité bien formés. Pour résoudre ces problèmes, de nombreux algorithmes et techniques ont été développés pour améliorer la qualité des images radiographiques 2D5,6,7,8,9,10,11,12,13. La technique de détection Bag-of-Visual-Words (BoVW), basée sur le traitement du langage naturel et la récupération d'informations, utilise un processus statistique pour la détection et la classification des objets6. Cette technique a été appliquée avec succès pour la détection d'explosifs. Il a été utilisé avec diverses autres méthodes, notamment l'apprentissage supervisé des fonctionnalités par l'approche des encodeurs automatiques7, les K-Nearest Neighbours, la régression logistique8 et les arbres de décision9. BoVW a également été utilisé pour la détection d'armes à feu, de shuriken ou de lames de rasoir. Ces techniques sont basées sur des dictionnaires formés pour chaque classe et la détection consiste en des descripteurs de caractéristiques de transformation de caractéristiques invariantes d'échelle (SIFT) de patchs d'image recadrés de manière aléatoire10. Le modèle BoVW corrélé au descripteur Speeded up Robust Features (SURF) et au classificateur Support Vector Machine (SVM) a été utilisé pour la détection des armes à feu, atteignant un taux optimal de vrais positifs de 99,07 % avec un taux de faux positifs de 20 %11. Les algorithmes de forêt aléatoire et SVM ont été utilisés pour la détection des armes à feu et une précision statistique de 94 % a été rapportée12. Des vues radiographiques simples, doubles et multiples et quatre classificateurs (c'est-à-dire transformation de caractéristiques invariantes à l'échelle, BRIEF orienté FAST et rotation, points clés évolutifs invariants robustes binaires et SURF) ont été pris en compte pour évaluer les performances de la classification. Une meilleure performance de classification a été mise en évidence lorsqu’une combinaison de deux et plusieurs vues radiographiques a été considérée13.