Rilevamento migliorato dei detonatori in X

Rapporti scientifici volume 13, numero articolo: 14262 (2023) Citare questo articolo

Dettagli sulle metriche

Rilevare i detonatori è un compito impegnativo perché possono essere facilmente classificati erroneamente come massa organica innocua, soprattutto in scenari ad alto volume di bagagli. Di particolare interesse è l'attenzione all'analisi automatizzata dei raggi X di sicurezza per il rilevamento dei detonatori. I complessi scenari di sicurezza richiedono combinazioni sempre più avanzate di visione assistita da computer. Proponiamo una vasta serie di esperimenti per valutare la capacità dei modelli di rete neurale convoluzionale (CNN) di rilevare detonatori, quando la qualità delle immagini di input è stata alterata attraverso la manipolazione. Sfruttiamo i recenti progressi nel campo delle trasformate wavelet e delle architetture CNN consolidate, poiché entrambe possono essere utilizzate per il rilevamento di oggetti. Vengono utilizzati vari metodi di manipolazione delle immagini e inoltre vengono valutate le prestazioni di rilevamento. Sono state analizzate sia le immagini radiografiche grezze che le immagini manipolate con l'equalizzazione adattiva dell'istogramma (CLAHE) a contrasto limitato, i metodi basati sulla trasformazione wavelet e il metodo misto CLAHE RGB-wavelet. I risultati hanno mostrato che un numero significativo di operazioni, come: miglioramenti dei bordi, informazioni sul colore alterate o diversi componenti di frequenza forniti dalle trasformate wavelet, possono essere utilizzati per differenziare caratteristiche quasi simili. Si è scoperto che la CNN basata su wavelet ha ottenuto le prestazioni di rilevamento più elevate. Nel complesso, queste prestazioni illustrano il potenziale di un uso combinato dei metodi di manipolazione e delle CNN profonde per applicazioni di sicurezza aeroportuale.

Il rilevamento di oggetti pericolosi nelle immagini a raggi X dei bagagli è diventato importante, soprattutto a causa dell'aumento del tasso di criminalità1. Le prestazioni dei dispositivi di screening sono fortemente influenzate dalla visibilità del bersaglio, dalla tecnologia di visualizzazione delle immagini e dalle conoscenze degli addetti alla sicurezza. Tuttavia, l'ispezione visiva di queste immagini è molto impegnativa a causa della bassa prevalenza di target, della variabilità nella visibilità dei target (con conseguente mancanza di precisione nella forma degli oggetti), della sovrapposizione di oggetti, dello scarso contrasto che oscura i dettagli dell'immagine e della possibilità di causare falsi allarmi2 ,3. Inoltre, la natura costante e ripetitiva del compito, ovvero gli agenti di sicurezza che guardano costantemente gli schermi e incontrano spesso gli stessi tipi di oggetti rilevati, possono portare ad affaticamento dell'attenzione e compromissione della capacità di giudizio4.

Gli articoli proibiti più pericolosi presenti nel bagaglio dei passeggeri sono i cosiddetti ordigni esplosivi improvvisati. Rilevare il detonatore di una bomba può essere una sfida anche per gli agenti di sicurezza ben addestrati. Per affrontare questi problemi, sono stati sviluppati numerosi algoritmi e tecniche per migliorare la qualità delle immagini radiografiche 2D5,6,7,8,9,10,11,12,13. La tecnica di rilevamento Bag-of-Visual-Words (BoVW), che si basa sull'elaborazione del linguaggio naturale e sul recupero delle informazioni, utilizza un processo statistico per il rilevamento e la classificazione degli oggetti6. Questa tecnica è stata applicata con successo per il rilevamento di esplosivi. È stato utilizzato insieme a vari altri metodi, tra cui l'apprendimento supervisionato delle funzionalità tramite l'approccio autoencoder7, K-Nearest Neighbours, Logistic Regression8 e Decision Trees9. BoVW è stato utilizzato anche per il rilevamento di pistole, shuriken o lamette da barba. Queste tecniche si basano su dizionari formati per ciascuna classe e il rilevamento consiste in descrittori di caratteristiche SIFT (Scale Invariant Feature Transform) di patch di immagini ritagliate casualmente10. Il modello BoVW correlato al descrittore Speeded up Robust Features (SURF) e al classificatore Support Vector Machine (SVM) è stato utilizzato per il rilevamento delle armi da fuoco, ottenendo un tasso ottimale di veri positivi del 99,07% e un tasso di falsi positivi del 20%11. Per il rilevamento delle armi da fuoco sono stati utilizzati sia gli algoritmi Random Forest che quelli SVM ed è stata riportata un'accuratezza statistica del 94%12. Per valutare le prestazioni della classificazione sono state prese in considerazione viste a raggi X singole, due e multiple e quattro classificatori (ad esempio, Scale-Invariant Feature Transform, Oriented FAST e Rotated BRIEF, Binary Robust Invariant Scalable Keypoints e SURF). Una migliore prestazione di classificazione è stata evidenziata quando è stata considerata una combinazione di due e più proiezioni radiografiche13.