Detecção aprimorada de detonadores no X

Scientific Reports volume 13, Artigo número: 14262 (2023) Citar este artigo

Detalhes das métricas

A detecção de detonadores é uma tarefa desafiadora porque eles podem ser facilmente classificados erroneamente como sendo uma massa orgânica inofensiva, especialmente em cenários de alto tráfego de bagagem. De particular interesse é o foco na análise automatizada de raios X de segurança para detecção de detonadores. Os complexos cenários de segurança exigem combinações cada vez mais avançadas de visão assistida por computador. Propomos um extenso conjunto de experimentos para avaliar a capacidade dos modelos de Redes Neurais Convolucionais (CNN) em detectar detonadores, quando a qualidade das imagens de entrada foi alterada por meio de manipulação. Aproveitamos os avanços recentes no campo das transformadas wavelet e das arquiteturas CNN estabelecidas - já que ambas podem ser usadas para detecção de objetos. Vários métodos de manipulação de imagens são utilizados e ainda, o desempenho da detecção é avaliado. Foram analisadas imagens brutas de raios X e imagens manipuladas com o Contrast Limited Adaptive Histogram Equalization (CLAHE), métodos baseados em transformada wavelet e o método misto CLAHE RGB-wavelet. Os resultados mostraram que um número significativo de operações, tais como: aprimoramento de bordas, alteração de informações de cores ou diferentes componentes de frequência fornecidos por transformadas wavelet, podem ser usados ​​para diferenciar características quase semelhantes. Verificou-se que a CNN baseada em wavelet alcançou o maior desempenho de detecção. No geral, este desempenho ilustra o potencial para um uso combinado de métodos de manipulação e CNNs profundas para aplicações de segurança aeroportuária.

A detecção de objetos perigosos em imagens de raios X de bagagem tornou-se importante, especialmente devido ao aumento das taxas de criminalidade1. O desempenho dos dispositivos de triagem é fortemente influenciado pela visibilidade do alvo, pela tecnologia de exibição da imagem e pelo conhecimento dos agentes de segurança. No entanto, a inspeção visual destas imagens é altamente desafiadora devido à baixa prevalência de alvos, à variabilidade na visibilidade do alvo (resultando na falta de precisão na forma do objeto), aos objetos sobrepostos, ao contraste deficiente que obscurece os detalhes da imagem e ao potencial para causar alarmes falsos2. ,3. Além disso, a natureza constante e repetitiva da tarefa, ou seja, os agentes de segurança olham constantemente para os ecrãs e encontram frequentemente os mesmos tipos de objectos detectados, pode levar à fadiga da atenção e ao julgamento prejudicado4.

Os artigos proibidos mais perigosos na bagagem dos passageiros são os chamados dispositivos explosivos improvisados. Detectar o detonador de uma bomba pode ser um desafio mesmo para agentes de segurança bem treinados. Para resolver esses problemas, vários algoritmos e técnicas foram desenvolvidos para melhorar a qualidade das imagens radiográficas 2D5,6,7,8,9,10,11,12,13. A técnica de detecção Bag-of-Visual-Words (BoVW), que se baseia no processamento de linguagem natural e na recuperação de informações, emprega um processo estatístico para detecção e classificação de objetos6. Esta técnica foi aplicada com sucesso para a detecção de explosivos. Ele foi usado em conjunto com vários outros métodos, incluindo aprendizado supervisionado de recursos por abordagem de autoencoders7, K-Nearest Neighbors, Regressão Logística8 e Árvores de Decisão9. O BoVW também foi empregado para a detecção de armas, shuriken ou lâminas de barbear. Essas técnicas são baseadas em dicionários formados para cada classe e a detecção consiste em descritores de recursos Scale Invariant Feature Transform (SIFT) de fragmentos de imagens cortadas aleatoriamente10. O modelo BoVW correlacionado ao descritor Speeded up Robust Features (SURF) e ao classificador Support Vector Machine (SVM) foi utilizado para detecção de armas de fogo, alcançando uma taxa ótima de verdadeiros positivos de 99,07% e uma taxa de falsos positivos de 20%11. Foram utilizados algoritmos de floresta aleatória e SVM para detecção de armas de fogo e foi relatada uma precisão estatística de 94%12. Visualizações únicas, duas e múltiplas de raios-X e quatro classificadores (ou seja, Scale-Invariant Feature Transform, Oriented FAST e Rotated BRIEF, Binary Robust Invariant Scalable Keypoints e SURF) foram considerados para avaliar o desempenho da classificação. Um melhor desempenho da classificação tem sido destacado quando se considera uma combinação de duas e múltiplas incidências de Raios X13.