■ 文/ 井冰 李红升 刘琦 芦朋
摘要：随着人工智能技术的发展和应用，危险品智能识别技术已逐渐应用到传统安检行业中，在降低人工成本、提高安检效率、降低漏检率等方面具有重要意义。在新技术和新设备的推动下，传统的安检行业也逐渐向网络化、信息化、智能化方向发展，对预防违法犯罪、维护社会治安稳定有重要意义。
关键词：智能安检 危险品识别
1 引言
目前，安检机已广泛应用于机场、火车站、客运车站等人流密集场所，在预防和制止犯罪，保护人民群众生命财产安全方面发挥着重要作用。与此同时，传统的安检设备也面临着挑战。一方面，传统安检设备存在“盲区”，枪支零部件、陶瓷刀、瓶装酒精等危险品容易被忽略，带来安全隐患；另一方面，安检机采用人工判图，很大程度上取决于安检员对X射线透视图像的理解能力，需要安检员长时间集中注意力，容易造成误判和漏判，而且在使用过程中的人员成本远超设备成本。此外，毫米波人体安检设备、太赫兹人体安检设备和X射线计算机断层成像安检设备等新产品已逐渐应用于安检中，但由于运营和维护成本较高、检测时间较长、使用人员培训不足等原因，未能得到广泛应用。
人工智能诞生于上世纪50年代中期，主要是研究和利用计算机模拟人的思维过程和智能行为，使计算机能实现智能化的应用。目前，人工智能已广泛应用于公共安全、医疗、教育、企业管理、智能家居等领域，不仅改变了人们的生活方式，还极大推动相关产业的快速发展。2019年3月19日中央全面深化改革委员会第七次会议审议通过了《关于促进人工智能和实体经济深度融合的指导意见》。会议指出，坚持以市场需求为导向，以产业应用为目标，深化改革创新，优化制度环境，激发企业创新活力和内生动力，结合不同行业、不同区域特点，探索创新成果应用转化的路径和方法，构建数据驱动、人机协同、跨界融合、共创分享的智能经济形态。
在人工智能相关技术广泛应用的背景下，传统的安检设备和安检模式也面临着转型。目标识别可有效解决安检机人工判图的“痛点”，在降低人工成本的同时，能够提高检出率，降低漏检率。不需要大规模的更换安检设备，也不改变现有的安检模式，仅采用软件或硬件升级的方式，便可实现安检机的智能化升级。
2 安检的发展方向和展望
安检是使用相关仪器设备，对藏匿在衣服内和包裹的危险品进行检测。目前广泛应用的安检设备包括安检机、手持式金属探测器、通过式金属探测门，部分场所还配有计算机断层扫描安检设备、毫米波安检设备、太赫兹安检设备、液体探测设备和痕量爆炸物探测设备等。当下热门的大数据、物联网、云计算等技术，已逐步在安检设备或系统上应用，未来将借助大数据平台对重点区域进行监控和预警，进一步降低安全隐患。此外，将目标识别技术应用于安检图像的智能识别，在提升安检效率的同时，可提高危险品的检出率。
2.1 新安检设备的应用
1）主动式毫米波人体安检设备。通过对被检测物体发射毫米波，再探测被检物体反射回来的数据，最后利用成像算法将其重建成像。相比微波，毫米波波长很短(1～10mm)，具有更高的空间分辨率及精度。同时具有两大特性，一是穿透性：能穿过烟尘、衣服、书本等障碍物，可以区分具有不同物理特性的目标；二是非电离性：对人体没有辐射。毫米波设备一般采用主动式扫描，常见的扫描方式包括平面阵列垂直扫描、垂直阵列旋转扫描和平板扫描等方式。
2）被动式太赫兹人体安检设备。被动式成像系统自身并不发射任何射线或电磁波，利用物体和人身体自身产生和反射环境的太赫兹波的差异进行对比成像，其原理类似红外成像仪。被动式成像结构简单，无辐射安全问题，但成像质量受环境影响较大，能够实时成像，但成像质量比主动式毫米波设备略差。
3）安检CT。安检CT大多使用滑环结构，在这种结构中，射线源和探测器均固定在滑环上，在扫描过程中，射线源和探测器在滑环的带动下连续围绕被检物旋转，与此同时，承载被检物的输送机皮带匀速地向机架的扫描孔内推进（或匀速地离开），确保扫描覆盖整个被检物以及在三维图像数据中没有任何间隙。安检CT能够显示被检测物的三维图像，确定物质厚度，并有效地识别隐藏和叠压的物体，还能准确计算被检测物质的密度以及有效原子序数，识别爆炸物和毒品。但安检CT存在价格昂贵、占地面积大、工作时噪声大、辐射剂量高、检测时间较长等缺点，还未得到广泛应用。
4）背散射设备。背散射电子是入射电子受到被检物中原子核散射而大角度反射回来的电子。在碰撞过程中，入射电子的能量损失较小，所以反射电子能量值接近入射电子的能量，可用于成像。当X射线遇到低原子序数物质时，散射较强；遇到高原子序数物质时，散射相对较弱，所以背散射电子成像的明暗程度差异是由于原子序数的不同引起的。背散射设备的穿透力较低，但对有机物有较好的分辨能力，可用于探测人员随身携带或包裹中藏匿的爆炸物和毒品，灵敏度较高。但背散射设备大多没有外壳防护，需要在使用时设置防护区和监督区。
2.2 物联网、云计算和大数据技术的应用
1）物联网技术的应用。目前，大部分安检设备没有接入局域网或互联网，安检的结果存储在设备上，由安检员在短时间内直接判定，易出现误判。借助物联网技术，安检设备可以在显示安检结果的同时，将相关数据传送到监管平台上，由监管平台统一处理和存储。一方面，安检平台可对安检结果进行复核，进一步降低漏检率和误检率；另一方面，能实时监测前端设备的工作状态，避免因设备故障导致的漏检和误检。此外，安检设备在联网后，还能与视频监控平台的进行联动，通过人脸识别、视频跟踪、异常行为分析、周界防范等技术，锁定可疑人员及其所携带的包裹。
2）大数据的应用。数据是智能算法的核心，安检设备或安检系统在运行的过程中，在源源不断的产生数据，包括安检设备的工作状态数据、安检员工作状态数据、人员身份信息数据、人员安检数据、包裹安检数据等。例如，在安检卡口，除记录人员安检数据和包裹安检数据外，还可利用安检卡口的多型设备，实现证件识别、人员轨迹识别、智能行为分析、包裹外观图像采集和包裹种类分析等。利用大数据技术将多源异构的数据进行存储和处理，借助数据统计和智能算法寻找数据中隐藏的规律。如对特定卡口的流量分析，危险品种类分析和包裹种类分析，对特定区域（即多卡口联动）的建立预警模型、风险等级模型和应急处理方案。与视频监控系统结合使用，可以实现“以包查人”和“以人寻包”。
3）云技术的应用。在物联网和大数据的基础上，利用云计算和云存储技术，对安检数据进行分布式存储和分布式运算，降低前端安检设备和安检监管平台的存储和计算压力。此外，利用云计算和云存储技术，还能及时发现并更新危险品数据集（如特殊的刀具、新型毒品和新型爆炸物等），有效降低新型危险品带来的安全风险。
2.3 危险品智能识别
危险品智能识别技术已逐渐应用到传统安检行业中，在降低人工成本、提高安检效率、降低漏检率等方面具有重要意义，安检机图像智能识别设备目前已经得到应用。
按照产品的兼容性，可分为通用性设备和专用型设备，通用型设备能够适应多个生产厂商的不同型号的安检机，即算法在训练时需要同时使用多个生产厂商的含有危险品的安检机图像，有较强的通用性，但识别率相对较低。专用设备一般采用指定生产厂商的含有危险品的安检图像进行算法训练，在使用时需要与该厂商的安检机搭配使用，通用性较低，但识别率相对较高。
按照应用场景，设备可应用于地铁、机场和海关等。应用场景的划分主要依据危险品的种类，对于枪支、金属刀具和易燃易爆品，在多个应用场景中均被认为是危险品，对于打火机和锂电池则在机场应用中被认为是危险品，而在地铁应用中则不是危险品；对于电子产品，在海关应用中被认为是危险品，而在机场和地铁应用中则不是危险品；此外，对象牙、兽皮、珊瑚等生物制品，一直备受海关应用的关注，而在其它应用场景中极为罕见。因而，很多安检机图像智能识别设备对危险品进行细致的分类，并可能设置是否报警、报警级别和报警联动方式。
按照产品的形态，可分为嵌入式设备和服务器设备。其中嵌入式设备由硬件完成相关计算，而服务器设备则在软件层面完成计算。相比而言，嵌入式设备具有处理速度快、功耗低、推广成本低的优点，但研发成本高，算法修改和优化繁琐；服务器设备具有研发周期短，研发成本低、方便修改和调整程序等优点，但处理速度慢、功耗高、推广成本高。
3 智能识别的算法介绍
计算机视觉、自然语言处理和语音识别并列为机器学习方向的三大热点方向。目标识别则是计算机视觉的热门研究方向，已经在人脸识别、自动驾驶、目标识别和跟踪等领域得到广泛的应用。
传统的机器目标识别方法主要包括词袋算法和尺度不变特征转换算法。词袋算法是将图像分割成同等大小的图像片段，并通过某种算法表示为局部视觉特征，每个视觉特征类似语言中的不同比例的单词，这些单词构成一个视觉词汇词典，根据视觉词汇词典检索和识别目标。尺度不变特征转换算法则检测图像的局部特征，找出这些特征相距的最大距离，并且确定这些特征的尺度、旋转不变量，根据这些特征检索和识别目标。
2014年加州大学伯克利分校提出了基于卷积神经网络特征的区域方法（Regions with CNN features，R-CNN），该方法建立了用于准确目标检测和语义分割的丰富特征层次结构，如图10所示。既可以自下而上使用大型卷积神经网络（Convolutional Neural Networks，CNN）来定位和分割目标，又可以在训练数据不足时，先针对辅助任务进行有监督预训练，再进行特定任务的调优，使得在运行过程中的参数大大减少，实现明显的性能提升，比传统方法更加高效。虽然该方法取得了一定的成绩，但训练R-CNN有很多问题，即该方法必须为训练数据生成方案，再将CNN的特征提取应用到每一个区域，最后训练支持向量机（Support Vector Machine，SVM）分类器。
很快R-CNN彻底升级成深度学习方法。2015年，Ross Girshick发表了Fast R-CNN，如图11所示。与R-CNN相似，使用选择性搜索生成对象的方法。但是与R-CNN不同的是，相比于R-CNN独立地提取各区域的所有特征，然后使用SVM分类器。Fast R-CNN在整个图片上使用CNN，然后对特征映射使用“兴趣区域”（Region of Interest，RoI）池化，最后使用前反馈网络进行分类和回归。这种方法不仅速度更快，而且应用RoI池化层和全连接层，使得模型具有端到端的可微性并且更容易训练。但是Fast R-CNN最大的缺点是，模型仍然依赖于选择性搜索（或其他区域方案算法）。
2016年，Joseph Redmon发表了统一实时对象检测（YOLO）的论文。YOLO提出了一种简单的卷积神经网络方法，其结果和速度都很好，并且是第一次实现实时对象检测。随后R-CNN系列迎来了第三次迭代：Faster R-CNN。添加了区域生成网络（Region Proposal Network，RPN），摆脱了选择性搜索算法，并可以做到端到端的训练。RPN的任务是基于对象属性分数输出对象，然后用RoI池化和完全连接层分类。
神经网络（Neural Network，NN）的规模和算法性能以及所需的训练数据有关，神经网络的规模越大，则意味着更多的隐藏结点、隐藏层和权重系数。如果使用规模更大的神经网络，使用更多的数据进行训练，则有可能获得更好的算法性能，如图12所示。
4 面临问题和发展
算法、算力、数据是支撑基于机器学习、深度学习的人工智能系统的基础。
1）算法方面。结合安检机的特点，应改进算法，提高算法的准确率和召回率，同时减少算法复杂度，减少训练数据的需求，提高算法执行效率。此外，危险品的分类越多，在保证识别准确率和分类准确率的前提下，只能不断增加算法复杂度，因此，算法的设计需要综合考虑危险品分类、准确率和算法复杂度。
2）算力方面。电路计算在用流水线和并行化技术的同时，避免了操作系统的任务调度，极大提高了预算效率，但此类设备的研发周期长，而且研发成本高。在深度学习训练环节，除了使用CPU（Central Processing Unit，CPU）或图形处理器（Graphics Processing Unit，GPU）进行运算外，现场可编程门阵列（Field Programmable Gate Array，FPGA）以及专用集成电路（Application Specific Integrated Circuit，ASIC）也发挥了重大作用。相比服务器，ASIC计算速度可提示1000倍以上。从应用角度而言，算力提升后，一套智能分析设备可同时处理多台安检机数据，可应用在监管平台数据的复核。
3）数据方面。安检图像来源与不同的应用场景，也来源于不同的生产厂商，标注信息的完整和准确才有实用价值，需要相关标准支撑和规范。此外，对枪支弹药、枪支零部件、爆炸物、毒品、象牙、珊瑚等危险品，透视图像难以获得，导致目标识别算法缺乏训练数据，无法进一步完善和优化，这也需要公安、海关、民航等多个部门的支持，共同协作，共享数据，才能共同推进危险品智能识别的发展和应用。
5 结语
人工智能是新一代科技革命的核心技术，深刻影响着人们的生产生活。借助人工智能、大数据、物联网、云计算等新兴技术，传统的安检行业正悄然转型。本文介绍了安检的发展方向和危险品智能识别的算法基础，并从算法、算力、数据三个方面介绍危险品智能识别面临的问题和困境，并对其未来的发展进行展望。
参考文献
声明：本文来自公安部检测中心，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。
