人工智能在安檢工作的應用研究

陳燕蝶

（中國刑事警察學院，遼寧沈陽 110854）

0 引言

無論是在機場、車站、高鐵、地鐵等公共交通場所，還是在一些大型活動會議展覽場所以及政府要害部門，安檢機可以查堵大量危險品和違禁物品，對維護公共安全起到重要作用。根據《中華人民共和國反恐怖主義法》相關條款，軌道交通、物流、民航、海關、碼頭、重大安保等場合，要依規對運輸、寄遞物品進行安全檢查。上海市軌道交通安檢統計數據顯示，自2015年至2017年間，共計檢查物品14.5億件。其中，檢出各類危險違禁品包括易燃液體和管制刀具共計16.8萬余件，拘留故意攜帶、藏匿危險品進站或拒絕安檢導致擾亂秩序等違法人員112人[1]。

1 人工智能與安檢機結合的必要性

1.1 傳統安檢的不足日益彰顯

傳統安檢工作模式為人工看圖識別，安檢主要靠工作人員經驗積累。受崗前培訓周期長、人員素質參差不齊、安檢人員不足、工作時間長和過度疲勞等因素影響，安檢過程中易出現誤檢、漏檢等問題。此外，傳統安檢工作數據不聯網、不積累，造成大量數據資源浪費[2]。安檢過程中存在風險控制維度單一、很難提前感知風險等問題。隨著人工智能的發展，傳統而單一的安檢系統必須向物聯化、智能化、信息化、大數據化、技術化、規?；图苫l展，從而實現自動識別、智能預警、數據信息同步、可視化監管與統一調度[3]。

1.2 人工智能在圖像識別技術領域獨具優勢

近幾年嚴峻復雜的國內外環境以及建設平安中國的目標對安檢工作也提出了更高標準和要求。要實現對危險品和違禁品的“智能識別”與“實時報警”，最終達到“不停留”的快速安檢目標，人工智能與安檢機的結合應用迫在眉睫?；谏疃葘W習的各類算法、算力和大數據的人工智能技術在圖像識別技術領域具有獨特優勢，可以匹配安檢機所需的大量圖片查驗。將人工智能應用于安檢機，將會有效解決依靠人工判圖、信息閉環割裂、跨部門聯動難度大以及大數據無法回溯等傳統安檢工作中的諸多難題?？拼笥嶏w公司設計了帶有GPU芯片的專用計算機，將深度學習技術與安檢機結合，可以智能識別X光安檢機圖像中的違禁品。該技術相關軟件、硬件產品可以應用在安檢的各個場合，具有準確可靠、穩定高效、智能化、信息化等特點。目前該公司已在高鐵、地鐵、物流和機場等領域部署100多個智能X光安檢機試驗點[4]。

1.3 傳統安檢一些問題亟待解決

傳統安檢設備一般主要指安檢門、金屬探測儀、X光安檢設備、毒物爆炸物探測器和危險品探測器，可分為人檢、物檢和車檢。我國經濟的高質量增長，以及國家公共安全意識的不斷加強，有力推動了安檢領域的發展，促進安檢技術不斷走向場景化、智能化和技術多樣化。隨著新技術的發展，安檢領域出現諸多新安檢設備，如CT安全檢查系統、太赫茲-毫米波人體檢查設備和背散射人體檢查設備等[5]。這些新發展迫使傳統安檢設備系統必須不斷升級，安檢設備面臨轉型。但傳統安檢目前尚未建立完整的安檢設備聯網系統，即物聯網系統平臺，目前尚存一些問題亟待解決[6]。

首先，大多傳統安檢設備以X-光機為主，且獨立運行，安檢數據獨立保存，其采集到的圖像僅僅依靠人力研判，漏判誤判風險較大，耗費精力大，耗時長，安檢可靠性低和安檢效率低。被采集的相關檢測數據和預警信息數據無法集中統一聯網保存并進行二次研判，提升了對嫌疑人或嫌疑行李追根溯源的難度。此外，傳統安檢無法對安檢過程中的人和行李進行二次驗證和有效綁定，很難關聯、集中相關數據進行持續性風險研判。

其次，特定區域內所有安檢設備獨立運行，缺乏實時在線監管。也無法對安檢實時情況進行有效地監督和管理，尤其當工作人員超長負荷，工作疲勞，易出現誤檢漏檢情況。若建立一個區域工作狀態數據的管理平臺，實時獲取各區域內所有安檢設備狀態數據，有利于實現對設備的統一管理、合理分配、有效調度和及時維護。

再次，機場、海關、地鐵、車站等地方的安檢設備沒有統一的聯網平臺，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有統一的存儲格式，不同設備存儲格式不一，聯網后各安檢設備之間如何進行數據共享值得考慮。

2 人工智能安檢

美國學者在1956年首次提出人工智能就是要讓機器的行為如人的智能行為一般。當前的人工智能技術是以海量數據驅動的學習算法和強大的算力為支撐。尤其近幾年高性能服務器的研發，大數據技術的發展，計算集群以及高性能的網絡和存儲等基礎設施的升級，為人工智能技術的高速發展提供了堅強后盾基石。人工智能=技術+應用。具備判斷、推理、證明、識別、理解、感知、學習和問題求解等諸多能力的人工智能融入安檢設備就會形成智能安檢設備。

2.1 人工智能識別算法與深度學習技術

人工智能系統的基礎是深度學習技術，而深度學習技術又以算法、算力和數據為支撐。在圖像識別技術領域，目前常用的算法包括CNN算法（Convolutional neural network，卷積神經網絡）、R-CNN算法[7]（Recurrent neural networks，循環神經網絡） 和深度強化學習技術[8-10]（Fast R-CNN和Faster R-CNN）。卷積網絡CNN算法在圖像處理和語音識別方面有獨特優勢，主要用來識別位移、縮放以及其他形式扭曲不變性的二維圖形，在大樣本集訓場景分類中泛化能力較強，對細微變化的敏感性降低。CNN算法可以自動定位目標并對目標進行分割，但是該算法無法滿足數據集中而數量不均衡性的識別要求，識別算法經常偏置向多數類圖像，對少數類圖像的誤識別率高。循環神經網絡R-CNN算法具有“記憶暫存”的功能，可以將之前輸入的內容所產生的影響量化后再與當前輸入的內容一起投射到神經網絡中進行訓練。在CNN算法基礎上，R-CNN算法區分了實例和類別。該算法建立了準確目標檢測和語義分割的豐富特征層次結構，獨立提取各區域的所有特征，可以在訓練數據不足時，先針對輔助任務進行有監督預訓練，再進行特定任務的調優，使運行過程中的參數大大減少。該算法靈活地運用了現有比較先進的工具和技術，圖像識別性能顯著提升，最終取得很大進步。到2018年，R-CNN算法已經不是最先進的目標檢測模型和語義分割模型，但該算法在資源匱乏的情況下卻能整合現有的先進技術去解決問題，值得借鑒思考。Fast R-CNN算法是將整張圖片輸入CNN，共享之前的運算，進行特征提取，選擇性搜索生成對象，再對特征映射使用“興趣區域（Region of interest，ROI）”池化，最后使用前反饋網絡進行分類和回歸。與R-CNN算法相比，Fast R-CNN算法在最后一層卷積層后加了一個ROI卷曲層，使用多任務損失函數，將邊框回歸直接加入到CNN網絡中訓練，解決了R-CNN算法測試時速度慢、訓練時速度慢和訓練所需空間大等問題，避免了重復計算，并且把類別判斷和位置回歸統一用深度網絡實現，不再需要額外存儲。Faster RCNN算法則在Fast R-CNN算法基礎之上，又使用RPN網絡（Region Proposal Network，區域建議網絡）代替原來的選擇性搜索方法高效快速地產生建議窗口，而且產生建議窗口的CNN和目標檢測的CNN共享，首次實現實時對象檢測，并可以做到端到端的訓練。RPN網絡的任務是對輸入卷積神經網絡得到的特征圖進行提取候選框，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位置提取特征，之后用興趣區域池化和完全連接層分類。

人們對神經網絡模型的不斷研究和嘗試促使很多新的網絡結構模型出現，如深度殘差網絡（Deep residual network，DSN）。DSN算法是為了克服隨著網絡深度加深，學習效率降低而準確率卻無法有效提升這類問題而被研發的。該算法在目標檢測領域（Object detection）、圖像分類領域（Image classification） 和語義分割領域（Semantic segmentation） 中效果顯著，對物體種類識別精準率很高。除此之外，Goodfellow小組[11]在CNN算法基礎上提出生成對抗網絡模型算法（Generative adversarial networks，GAN），該深度學習算法可以根據已有的樣本數據，生成更多高質量的目標數據，用來擴充樣本數據，解決訓練樣本數據不足的問題。GAN算法其實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。該算法的目的是通過一定的方法手段，模擬出一種數據的概率分布生成，并且這種模擬出的數據概率分布與實測數據的概率統計分布盡可能接近或者一致。GAN算法具有生成器網絡和鑒別器網絡兩個網絡，生成器網絡可以完美生成逼真的虛假圖像，鑒別器網絡可以很好地判斷圖像是真實的還是虛假的。也就是說，生成器網絡可以將來自潛在空間的隨機噪聲矢量，即不是來自潛在空間的所有GAN樣本變換為真實數據集的樣本，所以GAN的訓練是一個非常直觀的過程。Radford小組[12]在CNN算法基礎上，將GAN算法與之結合，提出深度卷積生成對抗網絡算法（Deep convolutional generative adversarial networks，DCGAN），該算法訓練過程穩定，生成樣本多樣性豐富，可以將少數類圖像通過DCGAN網絡進行擴充，實現訓練樣本數據集均衡化。DCGAN算法是GAN研究的一個重要里程碑，因為它提出了一個重要的架構變化來解決訓練不穩定、模式崩潰和內部協變量轉換等問題。條件生成式對抗網絡算法（Conditional generative adversarial networks，CGAN） 也是另外一種對原始GAN算法的擴展，該算法對抗訓練框架相當靈活，通過添加額外信息或者參數，使得網絡學習在參數不同的情況下，生成規則不同。這種條件式對抗學習可以生成所有傳統深度學習輸入的向量樣本，可以“偽造”圖片和文字，模型可以學習多種不同分類的樣本生成過程。目前GAN算法仍處于理論研究范疇，但實用前景光明，一些新的成果正在不斷展現[13]。

2.2 人工智能識別算力與深度學習技術

加速芯片作為人工智能基礎層中硬件的一部分，主要是為人工智能識別提供強大的算力支撐，決定了算力即運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和通過新的底層物理結構計算。目前晶體管最小尺寸為3～4 nm，已接近物理極限1 nm，新的底層物理結構計算處于起步階段，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]。傳統芯片主要指CPU（通用處理器），人工智能時代芯片主要包括GPU（圖像處理器）、DSP（數字信號處理器）、FPGA（現場可編程門陣列）、ASIC（專用集成電路）和類腦芯片。

在深度學習中，人工智能芯片主要用于訓練和推斷環節。訓練環節需輸入大量標記過的數據來訓練一個具有特定功能的深度神經網絡模型；推斷環節利用已經訓練好的模型，在此之上使用新數據推理出各種結論。在訓練環節由于數據需要量大、運算量也大，主要硬件為GPU芯片。在推斷環節由于數據需要量少、運算量也小，可供選擇芯片范圍較廣，如CPU、GPU、FPGA和ASIC等。目前，在人工智能工程應用及實驗室研發階段的訓練加速技術中，主要用到的芯片有英偉達（nVIDIA） 的GPU、谷歌的TPU（張量處理器）。在數據中心人工智能應用推斷中（即云端推斷加速技術），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、智能安防攝像頭、無人機、機器人、自動駕駛、虛擬現實（VR）等終端設備推斷中（即終端推斷加速技術），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

人工智能安檢系統的核心技術是人工智能技術，通過機器學習來模擬人類思維進行學習活動和識別。人工智能安檢系統主要通過軟件、硬件及線上線下結合，匯集、分析各安檢領域（包括海關、機場、地鐵、車站、展會、快遞點等）設備采集到的圖像等數據，并將之作為安檢底層的信息初始化數據，在運行過程中通過深度學習算法，系統自動學習相關危險品、違禁品的圖像特征，對經過安檢的禁帶物品（不同形態的毒品、易燃易爆物、槍支配件、刀具、生化品）進行智能識別，實現自動報警。其次，人工智能安檢機系統需要建設涵蓋安檢設備信息、安檢人員信息及被檢物品信息的多級聯網的、統一管理的物聯網平臺，有利于警、企、海關等多部門聯動處置和后臺遠程監控以及安檢大數據的集中分析、存儲與管理。其系統前端以并入物聯網的安檢機為節點進行數據匯聚，再逐點逐線地整合全網絡每個安檢點的各類安檢設備，對采集到的相關安檢設備狀態信息、實時音視頻監控信息、實時預報警信息和采集的物品信息進行存儲、分析、處理和轉發，上一級安檢管理中心系統實時接收和統計分析全網絡安檢點數據。

通過建設統一的物聯網大數據平臺，可以匯聚大量的、單一的、不同的安檢設備的數字化信息，提高識別度。而大數據平臺也可以再次反饋大數據用于補充人工智能算法數據庫，待安檢機再次機器學習后，其學習結果可以通過大數據平臺反饋到安檢設備中，整體提高了所有單一運行的安檢機的禁限帶物品識別率，既降低勞動強度，又大大減少人為誤差。

2.4 人工智能安檢機的應用基礎

人工智能安檢機的應用基礎主要包括系統結構、神經網絡模型的訓練、系統能力識別、人工智能輔助圖像識別和人工智能輔助視頻識別等五個方面[19]。

系統結構是指在各安檢點建立數據庫并且聯網，將獲得的安檢數據實時上傳數據庫云端，云端對數字化的安檢數據進行分析與交換，系統再反饋數據至終端，這樣就提高了人工智能算法的辨別能力，促進深度學習的更新迭代和升級。其中，各安檢點的安檢設備屬于前端，可以作為識別節點對掃描圖像進行自動、實時判別。各識別節點需要進入識別客戶端系統顯示識別結果和預報警，識別客戶端系統再將識別數據上傳于數據庫終端，數據庫終端可對權限內的識別節點數據進行查詢、統計、分析和管理。

神經網絡訓練模型通過采集大量的掃描圖像形成數據庫，對庫里所有圖像中的目標進行分割與標定，再送入卷曲神經網絡進行調參訓練，進而訓練出泛化能力好、準確度高的參數（危險品參數）。這個參數便是最終的神經網絡模型訓練結果。廖癸秋等[20]等以深度卷曲神經網絡R-CNN算法為架構，引入數據集增強技術隨機生成背景，擴充樣本量，進行深度學習訓練，智能X-光機對圖像中不同類別物體識別效果良好，可在500 ms至1200 ms內快速識別管制刀具、槍支，識別率均在95%以上，最高可達98%。

人工智能安檢機的系統能力識別主要是針對危險品和違禁品。旨在通過提供足夠數量和形態的樣本，獲得系列掃描圖像輸入數據庫進行訓練，使系統能夠較準確地識別掃描圖像中的危險品和違禁品，并對識別目標進行預報警輸出，提醒實物查驗和確認。其軟件系統包括圖像識別算法和違禁品數據模型庫。圖像識別算法分析接收到的圖像，并進一步獲得圖像中違禁品的位置和種類。違禁品數據模型庫針對特定的違禁品、危險品進行深度學習算法訓練，直接決定了識別的效果。在實際調試過程中智能安檢機系統需要人工輔助查驗與干預，進行系統修正，提升自動化查驗判斷能力。

基于大數據技術的人工智能輔助圖像識別技術，通過設計開發模擬人類大腦進行圖像識別活動的計算機程序，利用數學模型來識別、提取和表達圖像的主要特征。圖像識別技術極大地提高了安檢查危效率和準確性，給安檢查危工作帶來了新的思路和機遇。以海關、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為主。根據貨物外包裝明顯標識、客戶提供照片和現場檢查的大量照片形成數據，人工智能安檢系統對包裝儲運圖示標志的特征點進行學習、分類，辨明包裝儲運圖示標志的邏輯，可以有效降低作業人員勞動強度，減少漏判、錯判風險，提高判圖效率和作業站點的運輸組織效率。智能圖像識別技術主要包括圖像采集、新拍圖片和原始圖片特征點提取、新拍圖片和原始圖片特征點匹配、求得新拍圖片和原始圖片之間的空間變換矩陣、對新拍圖片進行透視變換、對變換后圖片與原始圖片進行相減等六個部分。其中，圖像中的特征點一般指一些獨立的物點，包括面狀要素邊界線拐點和一些線型要素的交叉點，如墻角、桌角和樹枝交叉點。這些特征點可用來進行圖像配準、物體識別和圖像的三維重建等。圖像識別技術針對圖像特征點進行局部的分析，精確定位圖像的某些穩定的特征，進而對兩幅圖像進行特征點匹配。通過圖像遷移解析獲得其相應的空間變換矩陣，再通過該空間矩陣對新拍圖像進行變換，獲得與原始圖像配準程度高的圖像。對經過變換過后的新拍圖像和原始圖像進行配準操作，通過圖像剪切技術對兩幅圖像的相同區域進行對比，采用圖像像素值差法對處理后的兩幅圖像進行圖像相減，可以判斷兩圖像之間有無差異。

人工智能輔助視頻識別技術是利用現場攝影設備和傳送裝箱、裝車視頻的數字圖像信息，對拍攝視頻進行背景提取、圖像灰度處理、圖像濾波去噪、圖像增強處理和圖像矯正處理等技術處理，再進行特征圖像定位和圖像識別處理，呈現最終結果的實時識別技術?；诰矸e神經網絡的視頻識別技術可以讓系統學會判斷貨物裝載是否穩固、貨物擺放方式是否與包裝儲運圖示標志要求相符、是否夾帶危險品和違禁品以及是否存在偏載偏重風險等，并自動判別給出危險系數，實時對裝箱過程進行全程監督。

3 人工智能安檢機的應用

基于深度學習算法，目前可用于智能安檢的設備主要是X-光機和毫米波-太赫茲成像系統。無論是主動式還是被動式毫米波-太赫茲成像系統，其主要用于人體安檢成像，檢測人體隨身攜帶物品是否為違禁品和危險品。對大量行李物品包裹的檢測仍然以X-光機為主。通過建設智能安檢系統平臺，人工智能安檢機的目標是對安檢過程中易燃易爆品、槍支刀具、毒品、生化品進行精準、高效識別，并實時預報警。

王翠翠等人[21]提供了一種違禁品檢測技術領域的基于邊緣計算的智能安檢系統，用于物流企業的安檢作業。該系統包括：采集設備、邊緣計算設備、安檢識別云平臺、智能監控服務系統。其中，采集設備采集原始X光圖片，并將原始X光圖片分別傳輸給安檢機和邊緣計算設備。邊緣計算設備基于CNN算法和GPU芯片，通過深度學習算法模型yolac++對接收到的原始X光圖片進行處理，輸出結構化的信息數據和視頻流，以供本地查看或遠程查看。安檢識別云平臺通過邊緣計算設備獲取由X光圖像組成的視頻流，并將X光圖像輸入到違禁識別模型中去，識別X光圖像中是否包含違禁品。智能監控服務系統在識別到違禁品后，存儲違禁品對應的圖片及包裹信息，并觸發相應的警示設備進行報警。該安檢系統接入中通物流系統，全網連接有20 000臺安檢機，所有安檢機均可同步共享圖片資源，平均每日處理總單量達5000萬至6000萬單，提升了物流的安檢效率，極大地降低了人力成本，實現了專業人員的遠程作業和違禁圖片共享學習，提高了安檢識別的便宜性。

高強等人[22]將一種基于CNN算法的GAN危險品自動識別模型和采用英偉達技術的GPU芯片應用于X光安檢機，安檢準確識別率和實時性效果有顯著提高，這大大提升了機場的智能化安檢水平。作者通過GAN算法使危險品圖像數據集均衡化，引入隨機失活優化技術，再將圖像輸入卷積神經網絡模型進行訓練。將其應用于2017公安一所危險品圖像數據集上，經均衡化處理后，數據集由9個類別、3225幅圖像擴展至9個類別、7391幅圖像。均衡化之后模型的識別準確率從57.3%升高至90.7%。對比實驗顯示，模型的識別準確率分別比ResNet、GoogLeNet、AlexNet等CNN模型高出5.4%、7.2%和5.8%。

長春西高鐵站升級改造X-光機，引入基于CNN算法和GPU芯片的圖像處理技術和人工智能云端計算，設備的圖形運算能力達到200億次/秒～1000億次/秒，該大數據的云平臺系統運算速度已達毫秒級。實驗測試顯示無論業務高峰期還是低谷期，智能X-光機可自動識別背景復雜的槍支有30余種、刀具100余種、常見的液體上百種以及鋰電池100余種，并能識別槍支零部件和多種3D打印的槍支。

南京地鐵X-光機采用人工智能技術，對過機圖片進行分析，實現對違禁物品（包括液體和固態物品） 的智能識別與自動報警，并于2018年在部分地鐵站開展智能安檢測試[23]，其測試內容包括單包過機測試和雙包連過測試。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（組合測試）、液體和干擾物（組合測試）以及槍支和干擾物（組合測試），單包過機測試70組次，雙包連過測試70組次。測試結果顯示，智能安檢X-光機對管制刀具識別率平均為85%，對液體識別率平均為90%，對仿真槍支識別率平均為99%，對干擾物識別率平均為92%。當加入干擾物之后，智能安檢X-光機對所有違禁物品組合的識別率均下降了10%左右。智能安檢X-光機測試檢出率平均值為87.37%，誤報率平均值為3.93%。誤報物品主要為鋼筆、鐵質書脊等形似管制刀具的干擾物和形似液體容器的儲蓄罐和空罐等干擾物。通過算法訓練，檢出率將隨著訓練樣本的增多而提高。這些測試大大提高了實現遠程監控實時化、現場處置流程化、對抗檢查在線化、數據分析可視化、人員上崗實名化和設備管理檔案化的可行性。

4 結束語

傳統安檢目前尚未建立完整的物聯網系統平臺，存在數據資源浪費、人力資源耗費大等不足，安檢設備面臨轉型升級?；谏疃葘W習的人工智能技術，可以匹配安檢機所需的大量圖片查驗，實現智能識別與實時預警，為智慧安檢保駕護航。與人工智能技術結合后，智能安檢機對危險品的識別率將顯著提高，既降低作業人員的勞動強度，減少人為誤差，提升貨運安檢的工作水平和安檢查危效率，又進一步推動智能化與信息化的快速發展。安檢領域智能化已是大勢所趨，各類人工智能安檢設備的研究與開發將大大拓展和提升安檢領域技術水平，為建設平安中國保駕護航。