人工智能在安檢工作的應(yīng)用研究

陳燕蝶

（中國(guó)刑事警察學(xué)院，遼寧沈陽(yáng) 110854）

0 引言

無(wú)論是在機(jī)場(chǎng)、車站、高鐵、地鐵等公共交通場(chǎng)所，還是在一些大型活動(dòng)會(huì)議展覽場(chǎng)所以及政府要害部門，安檢機(jī)可以查堵大量危險(xiǎn)品和違禁物品，對(duì)維護(hù)公共安全起到重要作用。根據(jù)《中華人民共和國(guó)反恐怖主義法》相關(guān)條款，軌道交通、物流、民航、海關(guān)、碼頭、重大安保等場(chǎng)合，要依規(guī)對(duì)運(yùn)輸、寄遞物品進(jìn)行安全檢查。上海市軌道交通安檢統(tǒng)計(jì)數(shù)據(jù)顯示，自2015年至2017年間，共計(jì)檢查物品14.5億件。其中，檢出各類危險(xiǎn)違禁品包括易燃液體和管制刀具共計(jì)16.8萬(wàn)余件，拘留故意攜帶、藏匿危險(xiǎn)品進(jìn)站或拒絕安檢導(dǎo)致擾亂秩序等違法人員112人[1]。

1 人工智能與安檢機(jī)結(jié)合的必要性

1.1 傳統(tǒng)安檢的不足日益彰顯

傳統(tǒng)安檢工作模式為人工看圖識(shí)別，安檢主要靠工作人員經(jīng)驗(yàn)積累。受崗前培訓(xùn)周期長(zhǎng)、人員素質(zhì)參差不齊、安檢人員不足、工作時(shí)間長(zhǎng)和過(guò)度疲勞等因素影響，安檢過(guò)程中易出現(xiàn)誤檢、漏檢等問(wèn)題。此外，傳統(tǒng)安檢工作數(shù)據(jù)不聯(lián)網(wǎng)、不積累，造成大量數(shù)據(jù)資源浪費(fèi)[2]。安檢過(guò)程中存在風(fēng)險(xiǎn)控制維度單一、很難提前感知風(fēng)險(xiǎn)等問(wèn)題。隨著人工智能的發(fā)展，傳統(tǒng)而單一的安檢系統(tǒng)必須向物聯(lián)化、智能化、信息化、大數(shù)據(jù)化、技術(shù)化、規(guī)?；图苫l(fā)展，從而實(shí)現(xiàn)自動(dòng)識(shí)別、智能預(yù)警、數(shù)據(jù)信息同步、可視化監(jiān)管與統(tǒng)一調(diào)度[3]。

1.2 人工智能在圖像識(shí)別技術(shù)領(lǐng)域獨(dú)具優(yōu)勢(shì)

近幾年嚴(yán)峻復(fù)雜的國(guó)內(nèi)外環(huán)境以及建設(shè)平安中國(guó)的目標(biāo)對(duì)安檢工作也提出了更高標(biāo)準(zhǔn)和要求。要實(shí)現(xiàn)對(duì)危險(xiǎn)品和違禁品的“智能識(shí)別”與“實(shí)時(shí)報(bào)警”，最終達(dá)到“不停留”的快速安檢目標(biāo)，人工智能與安檢機(jī)的結(jié)合應(yīng)用迫在眉睫?；谏疃葘W(xué)習(xí)的各類算法、算力和大數(shù)據(jù)的人工智能技術(shù)在圖像識(shí)別技術(shù)領(lǐng)域具有獨(dú)特優(yōu)勢(shì)，可以匹配安檢機(jī)所需的大量圖片查驗(yàn)。將人工智能應(yīng)用于安檢機(jī)，將會(huì)有效解決依靠人工判圖、信息閉環(huán)割裂、跨部門聯(lián)動(dòng)難度大以及大數(shù)據(jù)無(wú)法回溯等傳統(tǒng)安檢工作中的諸多難題?？拼笥嶏w公司設(shè)計(jì)了帶有GPU芯片的專用計(jì)算機(jī)，將深度學(xué)習(xí)技術(shù)與安檢機(jī)結(jié)合，可以智能識(shí)別X光安檢機(jī)圖像中的違禁品。該技術(shù)相關(guān)軟件、硬件產(chǎn)品可以應(yīng)用在安檢的各個(gè)場(chǎng)合，具有準(zhǔn)確可靠、穩(wěn)定高效、智能化、信息化等特點(diǎn)。目前該公司已在高鐵、地鐵、物流和機(jī)場(chǎng)等領(lǐng)域部署100多個(gè)智能X光安檢機(jī)試驗(yàn)點(diǎn)[4]。

1.3 傳統(tǒng)安檢一些問(wèn)題亟待解決

傳統(tǒng)安檢設(shè)備一般主要指安檢門、金屬探測(cè)儀、X光安檢設(shè)備、毒物爆炸物探測(cè)器和危險(xiǎn)品探測(cè)器，可分為人檢、物檢和車檢。我國(guó)經(jīng)濟(jì)的高質(zhì)量增長(zhǎng)，以及國(guó)家公共安全意識(shí)的不斷加強(qiáng)，有力推動(dòng)了安檢領(lǐng)域的發(fā)展，促進(jìn)安檢技術(shù)不斷走向場(chǎng)景化、智能化和技術(shù)多樣化。隨著新技術(shù)的發(fā)展，安檢領(lǐng)域出現(xiàn)諸多新安檢設(shè)備，如CT安全檢查系統(tǒng)、太赫茲-毫米波人體檢查設(shè)備和背散射人體檢查設(shè)備等[5]。這些新發(fā)展迫使傳統(tǒng)安檢設(shè)備系統(tǒng)必須不斷升級(jí)，安檢設(shè)備面臨轉(zhuǎn)型。但傳統(tǒng)安檢目前尚未建立完整的安檢設(shè)備聯(lián)網(wǎng)系統(tǒng)，即物聯(lián)網(wǎng)系統(tǒng)平臺(tái)，目前尚存一些問(wèn)題亟待解決[6]。

首先，大多傳統(tǒng)安檢設(shè)備以X-光機(jī)為主，且獨(dú)立運(yùn)行，安檢數(shù)據(jù)獨(dú)立保存，其采集到的圖像僅僅依靠人力研判，漏判誤判風(fēng)險(xiǎn)較大，耗費(fèi)精力大，耗時(shí)長(zhǎng)，安檢可靠性低和安檢效率低。被采集的相關(guān)檢測(cè)數(shù)據(jù)和預(yù)警信息數(shù)據(jù)無(wú)法集中統(tǒng)一聯(lián)網(wǎng)保存并進(jìn)行二次研判，提升了對(duì)嫌疑人或嫌疑行李追根溯源的難度。此外，傳統(tǒng)安檢無(wú)法對(duì)安檢過(guò)程中的人和行李進(jìn)行二次驗(yàn)證和有效綁定，很難關(guān)聯(lián)、集中相關(guān)數(shù)據(jù)進(jìn)行持續(xù)性風(fēng)險(xiǎn)研判。

其次，特定區(qū)域內(nèi)所有安檢設(shè)備獨(dú)立運(yùn)行，缺乏實(shí)時(shí)在線監(jiān)管。也無(wú)法對(duì)安檢實(shí)時(shí)情況進(jìn)行有效地監(jiān)督和管理，尤其當(dāng)工作人員超長(zhǎng)負(fù)荷，工作疲勞，易出現(xiàn)誤檢漏檢情況。若建立一個(gè)區(qū)域工作狀態(tài)數(shù)據(jù)的管理平臺(tái)，實(shí)時(shí)獲取各區(qū)域內(nèi)所有安檢設(shè)備狀態(tài)數(shù)據(jù)，有利于實(shí)現(xiàn)對(duì)設(shè)備的統(tǒng)一管理、合理分配、有效調(diào)度和及時(shí)維護(hù)。

再次，機(jī)場(chǎng)、海關(guān)、地鐵、車站等地方的安檢設(shè)備沒(méi)有統(tǒng)一的聯(lián)網(wǎng)平臺(tái)，安檢違禁物品如易燃易爆物、生化物品、槍支和刀具等物品的信息采集均沒(méi)有統(tǒng)一的存儲(chǔ)格式，不同設(shè)備存儲(chǔ)格式不一，聯(lián)網(wǎng)后各安檢設(shè)備之間如何進(jìn)行數(shù)據(jù)共享值得考慮。

2 人工智能安檢

美國(guó)學(xué)者在1956年首次提出人工智能就是要讓機(jī)器的行為如人的智能行為一般。當(dāng)前的人工智能技術(shù)是以海量數(shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)算法和強(qiáng)大的算力為支撐。尤其近幾年高性能服務(wù)器的研發(fā)，大數(shù)據(jù)技術(shù)的發(fā)展，計(jì)算集群以及高性能的網(wǎng)絡(luò)和存儲(chǔ)等基礎(chǔ)設(shè)施的升級(jí)，為人工智能技術(shù)的高速發(fā)展提供了堅(jiān)強(qiáng)后盾基石。人工智能=技術(shù)+應(yīng)用。具備判斷、推理、證明、識(shí)別、理解、感知、學(xué)習(xí)和問(wèn)題求解等諸多能力的人工智能融入安檢設(shè)備就會(huì)形成智能安檢設(shè)備。

2.1 人工智能識(shí)別算法與深度學(xué)習(xí)技術(shù)

人工智能系統(tǒng)的基礎(chǔ)是深度學(xué)習(xí)技術(shù)，而深度學(xué)習(xí)技術(shù)又以算法、算力和數(shù)據(jù)為支撐。在圖像識(shí)別技術(shù)領(lǐng)域，目前常用的算法包括CNN算法（Convolutional neural network，卷積神經(jīng)網(wǎng)絡(luò)）、R-CNN算法[7]（Recurrent neural networks，循環(huán)神經(jīng)網(wǎng)絡(luò)） 和深度強(qiáng)化學(xué)習(xí)技術(shù)[8-10]（Fast R-CNN和Faster R-CNN）。卷積網(wǎng)絡(luò)CNN算法在圖像處理和語(yǔ)音識(shí)別方面有獨(dú)特優(yōu)勢(shì)，主要用來(lái)識(shí)別位移、縮放以及其他形式扭曲不變性的二維圖形，在大樣本集訓(xùn)場(chǎng)景分類中泛化能力較強(qiáng)，對(duì)細(xì)微變化的敏感性降低。CNN算法可以自動(dòng)定位目標(biāo)并對(duì)目標(biāo)進(jìn)行分割，但是該算法無(wú)法滿足數(shù)據(jù)集中而數(shù)量不均衡性的識(shí)別要求，識(shí)別算法經(jīng)常偏置向多數(shù)類圖像，對(duì)少數(shù)類圖像的誤識(shí)別率高。循環(huán)神經(jīng)網(wǎng)絡(luò)R-CNN算法具有“記憶暫存”的功能，可以將之前輸入的內(nèi)容所產(chǎn)生的影響量化后再與當(dāng)前輸入的內(nèi)容一起投射到神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。在CNN算法基礎(chǔ)上，R-CNN算法區(qū)分了實(shí)例和類別。該算法建立了準(zhǔn)確目標(biāo)檢測(cè)和語(yǔ)義分割的豐富特征層次結(jié)構(gòu)，獨(dú)立提取各區(qū)域的所有特征，可以在訓(xùn)練數(shù)據(jù)不足時(shí)，先針對(duì)輔助任務(wù)進(jìn)行有監(jiān)督預(yù)訓(xùn)練，再進(jìn)行特定任務(wù)的調(diào)優(yōu)，使運(yùn)行過(guò)程中的參數(shù)大大減少。該算法靈活地運(yùn)用了現(xiàn)有比較先進(jìn)的工具和技術(shù)，圖像識(shí)別性能顯著提升，最終取得很大進(jìn)步。到2018年，R-CNN算法已經(jīng)不是最先進(jìn)的目標(biāo)檢測(cè)模型和語(yǔ)義分割模型，但該算法在資源匱乏的情況下卻能整合現(xiàn)有的先進(jìn)技術(shù)去解決問(wèn)題，值得借鑒思考。Fast R-CNN算法是將整張圖片輸入CNN，共享之前的運(yùn)算，進(jìn)行特征提取，選擇性搜索生成對(duì)象，再對(duì)特征映射使用“興趣區(qū)域（Region of interest，ROI）”池化，最后使用前反饋網(wǎng)絡(luò)進(jìn)行分類和回歸。與R-CNN算法相比，F(xiàn)ast R-CNN算法在最后一層卷積層后加了一個(gè)ROI卷曲層，使用多任務(wù)損失函數(shù)，將邊框回歸直接加入到CNN網(wǎng)絡(luò)中訓(xùn)練，解決了R-CNN算法測(cè)試時(shí)速度慢、訓(xùn)練時(shí)速度慢和訓(xùn)練所需空間大等問(wèn)題，避免了重復(fù)計(jì)算，并且把類別判斷和位置回歸統(tǒng)一用深度網(wǎng)絡(luò)實(shí)現(xiàn)，不再需要額外存儲(chǔ)。Faster RCNN算法則在Fast R-CNN算法基礎(chǔ)之上，又使用RPN網(wǎng)絡(luò)（Region Proposal Network，區(qū)域建議網(wǎng)絡(luò)）代替原來(lái)的選擇性搜索方法高效快速地產(chǎn)生建議窗口，而且產(chǎn)生建議窗口的CNN和目標(biāo)檢測(cè)的CNN共享，首次實(shí)現(xiàn)實(shí)時(shí)對(duì)象檢測(cè)，并可以做到端到端的訓(xùn)練。RPN網(wǎng)絡(luò)的任務(wù)是對(duì)輸入卷積神經(jīng)網(wǎng)絡(luò)得到的特征圖進(jìn)行提取候選框，再利用特征映射的方法將候選框的位置映射到特征圖相應(yīng)位置提取特征，之后用興趣區(qū)域池化和完全連接層分類。

人們對(duì)神經(jīng)網(wǎng)絡(luò)模型的不斷研究和嘗試促使很多新的網(wǎng)絡(luò)結(jié)構(gòu)模型出現(xiàn)，如深度殘差網(wǎng)絡(luò)（Deep residual network，DSN）。DSN算法是為了克服隨著網(wǎng)絡(luò)深度加深，學(xué)習(xí)效率降低而準(zhǔn)確率卻無(wú)法有效提升這類問(wèn)題而被研發(fā)的。該算法在目標(biāo)檢測(cè)領(lǐng)域（Object detection）、圖像分類領(lǐng)域（Image classification） 和語(yǔ)義分割領(lǐng)域（Semantic segmentation） 中效果顯著，對(duì)物體種類識(shí)別精準(zhǔn)率很高。除此之外，Goodfellow小組[11]在CNN算法基礎(chǔ)上提出生成對(duì)抗網(wǎng)絡(luò)模型算法（Generative adversarial networks，GAN），該深度學(xué)習(xí)算法可以根據(jù)已有的樣本數(shù)據(jù)，生成更多高質(zhì)量的目標(biāo)數(shù)據(jù)，用來(lái)擴(kuò)充樣本數(shù)據(jù)，解決訓(xùn)練樣本數(shù)據(jù)不足的問(wèn)題。GAN算法其實(shí)是一種嘗試著用偽裝的手段，以假亂真憑空地生成一些向量矩陣的技術(shù)。該算法的目的是通過(guò)一定的方法手段，模擬出一種數(shù)據(jù)的概率分布生成，并且這種模擬出的數(shù)據(jù)概率分布與實(shí)測(cè)數(shù)據(jù)的概率統(tǒng)計(jì)分布盡可能接近或者一致。GAN算法具有生成器網(wǎng)絡(luò)和鑒別器網(wǎng)絡(luò)兩個(gè)網(wǎng)絡(luò)，生成器網(wǎng)絡(luò)可以完美生成逼真的虛假圖像，鑒別器網(wǎng)絡(luò)可以很好地判斷圖像是真實(shí)的還是虛假的。也就是說(shuō)，生成器網(wǎng)絡(luò)可以將來(lái)自潛在空間的隨機(jī)噪聲矢量，即不是來(lái)自潛在空間的所有GAN樣本變換為真實(shí)數(shù)據(jù)集的樣本，所以GAN的訓(xùn)練是一個(gè)非常直觀的過(guò)程。Radford小組[12]在CNN算法基礎(chǔ)上，將GAN算法與之結(jié)合，提出深度卷積生成對(duì)抗網(wǎng)絡(luò)算法（Deep convolutional generative adversarial networks，DCGAN），該算法訓(xùn)練過(guò)程穩(wěn)定，生成樣本多樣性豐富，可以將少數(shù)類圖像通過(guò)DCGAN網(wǎng)絡(luò)進(jìn)行擴(kuò)充，實(shí)現(xiàn)訓(xùn)練樣本數(shù)據(jù)集均衡化。DCGAN算法是GAN研究的一個(gè)重要里程碑，因?yàn)樗岢隽艘粋€(gè)重要的架構(gòu)變化來(lái)解決訓(xùn)練不穩(wěn)定、模式崩潰和內(nèi)部協(xié)變量轉(zhuǎn)換等問(wèn)題。條件生成式對(duì)抗網(wǎng)絡(luò)算法（Conditional generative adversarial networks，CGAN） 也是另外一種對(duì)原始GAN算法的擴(kuò)展，該算法對(duì)抗訓(xùn)練框架相當(dāng)靈活，通過(guò)添加額外信息或者參數(shù)，使得網(wǎng)絡(luò)學(xué)習(xí)在參數(shù)不同的情況下，生成規(guī)則不同。這種條件式對(duì)抗學(xué)習(xí)可以生成所有傳統(tǒng)深度學(xué)習(xí)輸入的向量樣本，可以“偽造”圖片和文字，模型可以學(xué)習(xí)多種不同分類的樣本生成過(guò)程。目前GAN算法仍處于理論研究范疇，但實(shí)用前景光明，一些新的成果正在不斷展現(xiàn)[13]。

2.2 人工智能識(shí)別算力與深度學(xué)習(xí)技術(shù)

加速芯片作為人工智能基礎(chǔ)層中硬件的一部分，主要是為人工智能識(shí)別提供強(qiáng)大的算力支撐，決定了算力即運(yùn)算速度的快慢和效率高低。目前，芯片的加速方法主要包括盡可能做小晶體管尺寸、定制加速器如GPU和通過(guò)新的底層物理結(jié)構(gòu)計(jì)算。目前晶體管最小尺寸為3～4 nm，已接近物理極限1 nm，新的底層物理結(jié)構(gòu)計(jì)算處于起步階段，故量體裁衣地定制芯片是最佳解決之道[14]。芯片的通用性和高效率不可兼得，故其種類也有不同[15-17]。傳統(tǒng)芯片主要指CPU（通用處理器），人工智能時(shí)代芯片主要包括GPU（圖像處理器）、DSP（數(shù)字信號(hào)處理器）、FPGA（現(xiàn)場(chǎng)可編程門陣列）、ASIC（專用集成電路）和類腦芯片。

在深度學(xué)習(xí)中，人工智能芯片主要用于訓(xùn)練和推斷環(huán)節(jié)。訓(xùn)練環(huán)節(jié)需輸入大量標(biāo)記過(guò)的數(shù)據(jù)來(lái)訓(xùn)練一個(gè)具有特定功能的深度神經(jīng)網(wǎng)絡(luò)模型；推斷環(huán)節(jié)利用已經(jīng)訓(xùn)練好的模型，在此之上使用新數(shù)據(jù)推理出各種結(jié)論。在訓(xùn)練環(huán)節(jié)由于數(shù)據(jù)需要量大、運(yùn)算量也大，主要硬件為GPU芯片。在推斷環(huán)節(jié)由于數(shù)據(jù)需要量少、運(yùn)算量也小，可供選擇芯片范圍較廣，如CPU、GPU、FPGA和ASIC等。目前，在人工智能工程應(yīng)用及實(shí)驗(yàn)室研發(fā)階段的訓(xùn)練加速技術(shù)中，主要用到的芯片有英偉達(dá)（nVIDIA） 的GPU、谷歌的TPU（張量處理器）。在數(shù)據(jù)中心人工智能應(yīng)用推斷中（即云端推斷加速技術(shù)），主要用到的芯片有DSP、FPGA、ASIC，目前以FPGA芯片為主。在面向智能手機(jī)、智能安防攝像頭、無(wú)人機(jī)、機(jī)器人、自動(dòng)駕駛、虛擬現(xiàn)實(shí)（VR）等終端設(shè)備推斷中（即終端推斷加速技術(shù)），主要用到的芯片需要低能耗，并且高度定制化，目前以ASIC芯片為主[18]。

2.3 人工智能安檢系統(tǒng)

人工智能安檢系統(tǒng)的核心技術(shù)是人工智能技術(shù)，通過(guò)機(jī)器學(xué)習(xí)來(lái)模擬人類思維進(jìn)行學(xué)習(xí)活動(dòng)和識(shí)別。人工智能安檢系統(tǒng)主要通過(guò)軟件、硬件及線上線下結(jié)合，匯集、分析各安檢領(lǐng)域（包括海關(guān)、機(jī)場(chǎng)、地鐵、車站、展會(huì)、快遞點(diǎn)等）設(shè)備采集到的圖像等數(shù)據(jù)，并將之作為安檢底層的信息初始化數(shù)據(jù)，在運(yùn)行過(guò)程中通過(guò)深度學(xué)習(xí)算法，系統(tǒng)自動(dòng)學(xué)習(xí)相關(guān)危險(xiǎn)品、違禁品的圖像特征，對(duì)經(jīng)過(guò)安檢的禁帶物品（不同形態(tài)的毒品、易燃易爆物、槍支配件、刀具、生化品）進(jìn)行智能識(shí)別，實(shí)現(xiàn)自動(dòng)報(bào)警。其次，人工智能安檢機(jī)系統(tǒng)需要建設(shè)涵蓋安檢設(shè)備信息、安檢人員信息及被檢物品信息的多級(jí)聯(lián)網(wǎng)的、統(tǒng)一管理的物聯(lián)網(wǎng)平臺(tái)，有利于警、企、海關(guān)等多部門聯(lián)動(dòng)處置和后臺(tái)遠(yuǎn)程監(jiān)控以及安檢大數(shù)據(jù)的集中分析、存儲(chǔ)與管理。其系統(tǒng)前端以并入物聯(lián)網(wǎng)的安檢機(jī)為節(jié)點(diǎn)進(jìn)行數(shù)據(jù)匯聚，再逐點(diǎn)逐線地整合全網(wǎng)絡(luò)每個(gè)安檢點(diǎn)的各類安檢設(shè)備，對(duì)采集到的相關(guān)安檢設(shè)備狀態(tài)信息、實(shí)時(shí)音視頻監(jiān)控信息、實(shí)時(shí)預(yù)報(bào)警信息和采集的物品信息進(jìn)行存儲(chǔ)、分析、處理和轉(zhuǎn)發(fā)，上一級(jí)安檢管理中心系統(tǒng)實(shí)時(shí)接收和統(tǒng)計(jì)分析全網(wǎng)絡(luò)安檢點(diǎn)數(shù)據(jù)。

通過(guò)建設(shè)統(tǒng)一的物聯(lián)網(wǎng)大數(shù)據(jù)平臺(tái)，可以匯聚大量的、單一的、不同的安檢設(shè)備的數(shù)字化信息，提高識(shí)別度。而大數(shù)據(jù)平臺(tái)也可以再次反饋大數(shù)據(jù)用于補(bǔ)充人工智能算法數(shù)據(jù)庫(kù)，待安檢機(jī)再次機(jī)器學(xué)習(xí)后，其學(xué)習(xí)結(jié)果可以通過(guò)大數(shù)據(jù)平臺(tái)反饋到安檢設(shè)備中，整體提高了所有單一運(yùn)行的安檢機(jī)的禁限帶物品識(shí)別率，既降低勞動(dòng)強(qiáng)度，又大大減少人為誤差。

2.4 人工智能安檢機(jī)的應(yīng)用基礎(chǔ)

人工智能安檢機(jī)的應(yīng)用基礎(chǔ)主要包括系統(tǒng)結(jié)構(gòu)、神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練、系統(tǒng)能力識(shí)別、人工智能輔助圖像識(shí)別和人工智能輔助視頻識(shí)別等五個(gè)方面[19]。

系統(tǒng)結(jié)構(gòu)是指在各安檢點(diǎn)建立數(shù)據(jù)庫(kù)并且聯(lián)網(wǎng)，將獲得的安檢數(shù)據(jù)實(shí)時(shí)上傳數(shù)據(jù)庫(kù)云端，云端對(duì)數(shù)字化的安檢數(shù)據(jù)進(jìn)行分析與交換，系統(tǒng)再反饋數(shù)據(jù)至終端，這樣就提高了人工智能算法的辨別能力，促進(jìn)深度學(xué)習(xí)的更新迭代和升級(jí)。其中，各安檢點(diǎn)的安檢設(shè)備屬于前端，可以作為識(shí)別節(jié)點(diǎn)對(duì)掃描圖像進(jìn)行自動(dòng)、實(shí)時(shí)判別。各識(shí)別節(jié)點(diǎn)需要進(jìn)入識(shí)別客戶端系統(tǒng)顯示識(shí)別結(jié)果和預(yù)報(bào)警，識(shí)別客戶端系統(tǒng)再將識(shí)別數(shù)據(jù)上傳于數(shù)據(jù)庫(kù)終端，數(shù)據(jù)庫(kù)終端可對(duì)權(quán)限內(nèi)的識(shí)別節(jié)點(diǎn)數(shù)據(jù)進(jìn)行查詢、統(tǒng)計(jì)、分析和管理。

神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型通過(guò)采集大量的掃描圖像形成數(shù)據(jù)庫(kù)，對(duì)庫(kù)里所有圖像中的目標(biāo)進(jìn)行分割與標(biāo)定，再送入卷曲神經(jīng)網(wǎng)絡(luò)進(jìn)行調(diào)參訓(xùn)練，進(jìn)而訓(xùn)練出泛化能力好、準(zhǔn)確度高的參數(shù)（危險(xiǎn)品參數(shù)）。這個(gè)參數(shù)便是最終的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練結(jié)果。廖癸秋等[20]等以深度卷曲神經(jīng)網(wǎng)絡(luò)R-CNN算法為架構(gòu)，引入數(shù)據(jù)集增強(qiáng)技術(shù)隨機(jī)生成背景，擴(kuò)充樣本量，進(jìn)行深度學(xué)習(xí)訓(xùn)練，智能X-光機(jī)對(duì)圖像中不同類別物體識(shí)別效果良好，可在500 ms至1200 ms內(nèi)快速識(shí)別管制刀具、槍支，識(shí)別率均在95%以上，最高可達(dá)98%。

人工智能安檢機(jī)的系統(tǒng)能力識(shí)別主要是針對(duì)危險(xiǎn)品和違禁品。旨在通過(guò)提供足夠數(shù)量和形態(tài)的樣本，獲得系列掃描圖像輸入數(shù)據(jù)庫(kù)進(jìn)行訓(xùn)練，使系統(tǒng)能夠較準(zhǔn)確地識(shí)別掃描圖像中的危險(xiǎn)品和違禁品，并對(duì)識(shí)別目標(biāo)進(jìn)行預(yù)報(bào)警輸出，提醒實(shí)物查驗(yàn)和確認(rèn)。其軟件系統(tǒng)包括圖像識(shí)別算法和違禁品數(shù)據(jù)模型庫(kù)。圖像識(shí)別算法分析接收到的圖像，并進(jìn)一步獲得圖像中違禁品的位置和種類。違禁品數(shù)據(jù)模型庫(kù)針對(duì)特定的違禁品、危險(xiǎn)品進(jìn)行深度學(xué)習(xí)算法訓(xùn)練，直接決定了識(shí)別的效果。在實(shí)際調(diào)試過(guò)程中智能安檢機(jī)系統(tǒng)需要人工輔助查驗(yàn)與干預(yù)，進(jìn)行系統(tǒng)修正，提升自動(dòng)化查驗(yàn)判斷能力。

基于大數(shù)據(jù)技術(shù)的人工智能輔助圖像識(shí)別技術(shù)，通過(guò)設(shè)計(jì)開發(fā)模擬人類大腦進(jìn)行圖像識(shí)別活動(dòng)的計(jì)算機(jī)程序，利用數(shù)學(xué)模型來(lái)識(shí)別、提取和表達(dá)圖像的主要特征。圖像識(shí)別技術(shù)極大地提高了安檢查危效率和準(zhǔn)確性，給安檢查危工作帶來(lái)了新的思路和機(jī)遇。以海關(guān)、船舶碼頭為例，大型集裝箱的安檢主要以裝箱照片審核和人工開箱查驗(yàn)為主。根據(jù)貨物外包裝明顯標(biāo)識(shí)、客戶提供照片和現(xiàn)場(chǎng)檢查的大量照片形成數(shù)據(jù)，人工智能安檢系統(tǒng)對(duì)包裝儲(chǔ)運(yùn)圖示標(biāo)志的特征點(diǎn)進(jìn)行學(xué)習(xí)、分類，辨明包裝儲(chǔ)運(yùn)圖示標(biāo)志的邏輯，可以有效降低作業(yè)人員勞動(dòng)強(qiáng)度，減少漏判、錯(cuò)判風(fēng)險(xiǎn)，提高判圖效率和作業(yè)站點(diǎn)的運(yùn)輸組織效率。智能圖像識(shí)別技術(shù)主要包括圖像采集、新拍圖片和原始圖片特征點(diǎn)提取、新拍圖片和原始圖片特征點(diǎn)匹配、求得新拍圖片和原始圖片之間的空間變換矩陣、對(duì)新拍圖片進(jìn)行透視變換、對(duì)變換后圖片與原始圖片進(jìn)行相減等六個(gè)部分。其中，圖像中的特征點(diǎn)一般指一些獨(dú)立的物點(diǎn)，包括面狀要素邊界線拐點(diǎn)和一些線型要素的交叉點(diǎn)，如墻角、桌角和樹枝交叉點(diǎn)。這些特征點(diǎn)可用來(lái)進(jìn)行圖像配準(zhǔn)、物體識(shí)別和圖像的三維重建等。圖像識(shí)別技術(shù)針對(duì)圖像特征點(diǎn)進(jìn)行局部的分析，精確定位圖像的某些穩(wěn)定的特征，進(jìn)而對(duì)兩幅圖像進(jìn)行特征點(diǎn)匹配。通過(guò)圖像遷移解析獲得其相應(yīng)的空間變換矩陣，再通過(guò)該空間矩陣對(duì)新拍圖像進(jìn)行變換，獲得與原始圖像配準(zhǔn)程度高的圖像。對(duì)經(jīng)過(guò)變換過(guò)后的新拍圖像和原始圖像進(jìn)行配準(zhǔn)操作，通過(guò)圖像剪切技術(shù)對(duì)兩幅圖像的相同區(qū)域進(jìn)行對(duì)比，采用圖像像素值差法對(duì)處理后的兩幅圖像進(jìn)行圖像相減，可以判斷兩圖像之間有無(wú)差異。

人工智能輔助視頻識(shí)別技術(shù)是利用現(xiàn)場(chǎng)攝影設(shè)備和傳送裝箱、裝車視頻的數(shù)字圖像信息，對(duì)拍攝視頻進(jìn)行背景提取、圖像灰度處理、圖像濾波去噪、圖像增強(qiáng)處理和圖像矯正處理等技術(shù)處理，再進(jìn)行特征圖像定位和圖像識(shí)別處理，呈現(xiàn)最終結(jié)果的實(shí)時(shí)識(shí)別技術(shù)?；诰矸e神經(jīng)網(wǎng)絡(luò)的視頻識(shí)別技術(shù)可以讓系統(tǒng)學(xué)會(huì)判斷貨物裝載是否穩(wěn)固、貨物擺放方式是否與包裝儲(chǔ)運(yùn)圖示標(biāo)志要求相符、是否夾帶危險(xiǎn)品和違禁品以及是否存在偏載偏重風(fēng)險(xiǎn)等，并自動(dòng)判別給出危險(xiǎn)系數(shù)，實(shí)時(shí)對(duì)裝箱過(guò)程進(jìn)行全程監(jiān)督。

3 人工智能安檢機(jī)的應(yīng)用

基于深度學(xué)習(xí)算法，目前可用于智能安檢的設(shè)備主要是X-光機(jī)和毫米波-太赫茲成像系統(tǒng)。無(wú)論是主動(dòng)式還是被動(dòng)式毫米波-太赫茲成像系統(tǒng)，其主要用于人體安檢成像，檢測(cè)人體隨身攜帶物品是否為違禁品和危險(xiǎn)品。對(duì)大量行李物品包裹的檢測(cè)仍然以X-光機(jī)為主。通過(guò)建設(shè)智能安檢系統(tǒng)平臺(tái)，人工智能安檢機(jī)的目標(biāo)是對(duì)安檢過(guò)程中易燃易爆品、槍支刀具、毒品、生化品進(jìn)行精準(zhǔn)、高效識(shí)別，并實(shí)時(shí)預(yù)報(bào)警。

王翠翠等人[21]提供了一種違禁品檢測(cè)技術(shù)領(lǐng)域的基于邊緣計(jì)算的智能安檢系統(tǒng)，用于物流企業(yè)的安檢作業(yè)。該系統(tǒng)包括：采集設(shè)備、邊緣計(jì)算設(shè)備、安檢識(shí)別云平臺(tái)、智能監(jiān)控服務(wù)系統(tǒng)。其中，采集設(shè)備采集原始X光圖片，并將原始X光圖片分別傳輸給安檢機(jī)和邊緣計(jì)算設(shè)備。邊緣計(jì)算設(shè)備基于CNN算法和GPU芯片，通過(guò)深度學(xué)習(xí)算法模型yolac++對(duì)接收到的原始X光圖片進(jìn)行處理，輸出結(jié)構(gòu)化的信息數(shù)據(jù)和視頻流，以供本地查看或遠(yuǎn)程查看。安檢識(shí)別云平臺(tái)通過(guò)邊緣計(jì)算設(shè)備獲取由X光圖像組成的視頻流，并將X光圖像輸入到違禁識(shí)別模型中去，識(shí)別X光圖像中是否包含違禁品。智能監(jiān)控服務(wù)系統(tǒng)在識(shí)別到違禁品后，存儲(chǔ)違禁品對(duì)應(yīng)的圖片及包裹信息，并觸發(fā)相應(yīng)的警示設(shè)備進(jìn)行報(bào)警。該安檢系統(tǒng)接入中通物流系統(tǒng)，全網(wǎng)連接有20 000臺(tái)安檢機(jī)，所有安檢機(jī)均可同步共享圖片資源，平均每日處理總單量達(dá)5000萬(wàn)至6000萬(wàn)單，提升了物流的安檢效率，極大地降低了人力成本，實(shí)現(xiàn)了專業(yè)人員的遠(yuǎn)程作業(yè)和違禁圖片共享學(xué)習(xí)，提高了安檢識(shí)別的便宜性。

高強(qiáng)等人[22]將一種基于CNN算法的GAN危險(xiǎn)品自動(dòng)識(shí)別模型和采用英偉達(dá)技術(shù)的GPU芯片應(yīng)用于X光安檢機(jī)，安檢準(zhǔn)確識(shí)別率和實(shí)時(shí)性效果有顯著提高，這大大提升了機(jī)場(chǎng)的智能化安檢水平。作者通過(guò)GAN算法使危險(xiǎn)品圖像數(shù)據(jù)集均衡化，引入隨機(jī)失活優(yōu)化技術(shù)，再將圖像輸入卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。將其應(yīng)用于2017公安一所危險(xiǎn)品圖像數(shù)據(jù)集上，經(jīng)均衡化處理后，數(shù)據(jù)集由9個(gè)類別、3225幅圖像擴(kuò)展至9個(gè)類別、7391幅圖像。均衡化之后模型的識(shí)別準(zhǔn)確率從57.3%升高至90.7%。對(duì)比實(shí)驗(yàn)顯示，模型的識(shí)別準(zhǔn)確率分別比ResNet、GoogLeNet、AlexNet等CNN模型高出5.4%、7.2%和5.8%。

長(zhǎng)春西高鐵站升級(jí)改造X-光機(jī)，引入基于CNN算法和GPU芯片的圖像處理技術(shù)和人工智能云端計(jì)算，設(shè)備的圖形運(yùn)算能力達(dá)到200億次/秒～1000億次/秒，該大數(shù)據(jù)的云平臺(tái)系統(tǒng)運(yùn)算速度已達(dá)毫秒級(jí)。實(shí)驗(yàn)測(cè)試顯示無(wú)論業(yè)務(wù)高峰期還是低谷期，智能X-光機(jī)可自動(dòng)識(shí)別背景復(fù)雜的槍支有30余種、刀具100余種、常見的液體上百種以及鋰電池100余種，并能識(shí)別槍支零部件和多種3D打印的槍支。

南京地鐵X-光機(jī)采用人工智能技術(shù)，對(duì)過(guò)機(jī)圖片進(jìn)行分析，實(shí)現(xiàn)對(duì)違禁物品（包括液體和固態(tài)物品） 的智能識(shí)別與自動(dòng)報(bào)警，并于2018年在部分地鐵站開展智能安檢測(cè)試[23]，其測(cè)試內(nèi)容包括單包過(guò)機(jī)測(cè)試和雙包連過(guò)測(cè)試。在雙肩包和電腦包分別放置刀具 (10種)、液體（10種）、槍支（5種）、干擾物（10種）、刀具和干擾物（組合測(cè)試）、液體和干擾物（組合測(cè)試）以及槍支和干擾物（組合測(cè)試），單包過(guò)機(jī)測(cè)試70組次，雙包連過(guò)測(cè)試70組次。測(cè)試結(jié)果顯示，智能安檢X-光機(jī)對(duì)管制刀具識(shí)別率平均為85%，對(duì)液體識(shí)別率平均為90%，對(duì)仿真槍支識(shí)別率平均為99%，對(duì)干擾物識(shí)別率平均為92%。當(dāng)加入干擾物之后，智能安檢X-光機(jī)對(duì)所有違禁物品組合的識(shí)別率均下降了10%左右。智能安檢X-光機(jī)測(cè)試檢出率平均值為87.37%，誤報(bào)率平均值為3.93%。誤報(bào)物品主要為鋼筆、鐵質(zhì)書脊等形似管制刀具的干擾物和形似液體容器的儲(chǔ)蓄罐和空罐等干擾物。通過(guò)算法訓(xùn)練，檢出率將隨著訓(xùn)練樣本的增多而提高。這些測(cè)試大大提高了實(shí)現(xiàn)遠(yuǎn)程監(jiān)控實(shí)時(shí)化、現(xiàn)場(chǎng)處置流程化、對(duì)抗檢查在線化、數(shù)據(jù)分析可視化、人員上崗實(shí)名化和設(shè)備管理檔案化的可行性。

4 結(jié)束語(yǔ)

傳統(tǒng)安檢目前尚未建立完整的物聯(lián)網(wǎng)系統(tǒng)平臺(tái)，存在數(shù)據(jù)資源浪費(fèi)、人力資源耗費(fèi)大等不足，安檢設(shè)備面臨轉(zhuǎn)型升級(jí)?；谏疃葘W(xué)習(xí)的人工智能技術(shù)，可以匹配安檢機(jī)所需的大量圖片查驗(yàn)，實(shí)現(xiàn)智能識(shí)別與實(shí)時(shí)預(yù)警，為智慧安檢保駕護(hù)航。與人工智能技術(shù)結(jié)合后，智能安檢機(jī)對(duì)危險(xiǎn)品的識(shí)別率將顯著提高，既降低作業(yè)人員的勞動(dòng)強(qiáng)度，減少人為誤差，提升貨運(yùn)安檢的工作水平和安檢查危效率，又進(jìn)一步推動(dòng)智能化與信息化的快速發(fā)展。安檢領(lǐng)域智能化已是大勢(shì)所趨，各類人工智能安檢設(shè)備的研究與開發(fā)將大大拓展和提升安檢領(lǐng)域技術(shù)水平，為建設(shè)平安中國(guó)保駕護(hù)航。