人工智能在安检工作的应用研究

陈燕蝶

（中国刑事警察学院，辽宁沈阳 110854）

0 引言

无论是在机场、车站、高铁、地铁等公共交通场所，还是在一些大型活动会议展览场所以及政府要害部门，安检机可以查堵大量危险品和违禁物品，对维护公共安全起到重要作用。根据《中华人民共和国反恐怖主义法》相关条款，轨道交通、物流、民航、海关、码头、重大安保等场合，要依规对运输、寄递物品进行安全检查。上海市轨道交通安检统计数据显示，自2015年至2017年间，共计检查物品14.5亿件。其中，检出各类危险违禁品包括易燃液体和管制刀具共计16.8万余件，拘留故意携带、藏匿危险品进站或拒绝安检导致扰乱秩序等违法人员112人[1]。

1 人工智能与安检机结合的必要性

1.1 传统安检的不足日益彰显

传统安检工作模式为人工看图识别，安检主要靠工作人员经验积累。受岗前培训周期长、人员素质参差不齐、安检人员不足、工作时间长和过度疲劳等因素影响，安检过程中易出现误检、漏检等问题。此外，传统安检工作数据不联网、不积累，造成大量数据资源浪费[2]。安检过程中存在风险控制维度单一、很难提前感知风险等问题。随着人工智能的发展，传统而单一的安检系统必须向物联化、智能化、信息化、大数据化、技术化、规模化和集成化发展，从而实现自动识别、智能预警、数据信息同步、可视化监管与统一调度[3]。

1.2 人工智能在图像识别技术领域独具优势

近几年严峻复杂的国内外环境以及建设平安中国的目标对安检工作也提出了更高标准和要求。要实现对危险品和违禁品的“智能识别”与“实时报警”，最终达到“不停留”的快速安检目标，人工智能与安检机的结合应用迫在眉睫。基于深度学习的各类算法、算力和大数据的人工智能技术在图像识别技术领域具有独特优势，可以匹配安检机所需的大量图片查验。将人工智能应用于安检机，将会有效解决依靠人工判图、信息闭环割裂、跨部门联动难度大以及大数据无法回溯等传统安检工作中的诸多难题。科大讯飞公司设计了带有GPU芯片的专用计算机，将深度学习技术与安检机结合，可以智能识别X光安检机图像中的违禁品。该技术相关软件、硬件产品可以应用在安检的各个场合，具有准确可靠、稳定高效、智能化、信息化等特点。目前该公司已在高铁、地铁、物流和机场等领域部署100多个智能X光安检机试验点[4]。

1.3 传统安检一些问题亟待解决

传统安检设备一般主要指安检门、金属探测仪、X光安检设备、毒物爆炸物探测器和危险品探测器，可分为人检、物检和车检。我国经济的高质量增长，以及国家公共安全意识的不断加强，有力推动了安检领域的发展，促进安检技术不断走向场景化、智能化和技术多样化。随着新技术的发展，安检领域出现诸多新安检设备，如CT安全检查系统、太赫兹-毫米波人体检查设备和背散射人体检查设备等[5]。这些新发展迫使传统安检设备系统必须不断升级，安检设备面临转型。但传统安检目前尚未建立完整的安检设备联网系统，即物联网系统平台，目前尚存一些问题亟待解决[6]。

首先，大多传统安检设备以X-光机为主，且独立运行，安检数据独立保存，其采集到的图像仅仅依靠人力研判，漏判误判风险较大，耗费精力大，耗时长，安检可靠性低和安检效率低。被采集的相关检测数据和预警信息数据无法集中统一联网保存并进行二次研判，提升了对嫌疑人或嫌疑行李追根溯源的难度。此外，传统安检无法对安检过程中的人和行李进行二次验证和有效绑定，很难关联、集中相关数据进行持续性风险研判。

其次，特定区域内所有安检设备独立运行，缺乏实时在线监管。也无法对安检实时情况进行有效地监督和管理，尤其当工作人员超长负荷，工作疲劳，易出现误检漏检情况。若建立一个区域工作状态数据的管理平台，实时获取各区域内所有安检设备状态数据，有利于实现对设备的统一管理、合理分配、有效调度和及时维护。

再次，机场、海关、地铁、车站等地方的安检设备没有统一的联网平台，安检违禁物品如易燃易爆物、生化物品、枪支和刀具等物品的信息采集均没有统一的存储格式，不同设备存储格式不一，联网后各安检设备之间如何进行数据共享值得考虑。

2 人工智能安检

美国学者在1956年首次提出人工智能就是要让机器的行为如人的智能行为一般。当前的人工智能技术是以海量数据驱动的学习算法和强大的算力为支撑。尤其近几年高性能服务器的研发，大数据技术的发展，计算集群以及高性能的网络和存储等基础设施的升级，为人工智能技术的高速发展提供了坚强后盾基石。人工智能=技术+应用。具备判断、推理、证明、识别、理解、感知、学习和问题求解等诸多能力的人工智能融入安检设备就会形成智能安检设备。

2.1 人工智能识别算法与深度学习技术

人工智能系统的基础是深度学习技术，而深度学习技术又以算法、算力和数据为支撑。在图像识别技术领域，目前常用的算法包括CNN算法（Convolutional neural network，卷积神经网络）、R-CNN算法[7]（Recurrent neural networks，循环神经网络） 和深度强化学习技术[8-10]（Fast R-CNN和Faster R-CNN）。卷积网络CNN算法在图像处理和语音识别方面有独特优势，主要用来识别位移、缩放以及其他形式扭曲不变性的二维图形，在大样本集训场景分类中泛化能力较强，对细微变化的敏感性降低。CNN算法可以自动定位目标并对目标进行分割，但是该算法无法满足数据集中而数量不均衡性的识别要求，识别算法经常偏置向多数类图像，对少数类图像的误识别率高。循环神经网络R-CNN算法具有“记忆暂存”的功能，可以将之前输入的内容所产生的影响量化后再与当前输入的内容一起投射到神经网络中进行训练。在CNN算法基础上，R-CNN算法区分了实例和类别。该算法建立了准确目标检测和语义分割的丰富特征层次结构，独立提取各区域的所有特征，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，使运行过程中的参数大大减少。该算法灵活地运用了现有比较先进的工具和技术，图像识别性能显著提升，最终取得很大进步。到2018年，R-CNN算法已经不是最先进的目标检测模型和语义分割模型，但该算法在资源匮乏的情况下却能整合现有的先进技术去解决问题，值得借鉴思考。Fast R-CNN算法是将整张图片输入CNN，共享之前的运算，进行特征提取，选择性搜索生成对象，再对特征映射使用“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。与R-CNN算法相比，Fast R-CNN算法在最后一层卷积层后加了一个ROI卷曲层，使用多任务损失函数，将边框回归直接加入到CNN网络中训练，解决了R-CNN算法测试时速度慢、训练时速度慢和训练所需空间大等问题，避免了重复计算，并且把类别判断和位置回归统一用深度网络实现，不再需要额外存储。Faster RCNN算法则在Fast R-CNN算法基础之上，又使用RPN网络（Region Proposal Network，区域建议网络）代替原来的选择性搜索方法高效快速地产生建议窗口，而且产生建议窗口的CNN和目标检测的CNN共享，首次实现实时对象检测，并可以做到端到端的训练。RPN网络的任务是对输入卷积神经网络得到的特征图进行提取候选框，再利用特征映射的方法将候选框的位置映射到特征图相应位置提取特征，之后用兴趣区域池化和完全连接层分类。

人们对神经网络模型的不断研究和尝试促使很多新的网络结构模型出现，如深度残差网络（Deep residual network，DSN）。DSN算法是为了克服随着网络深度加深，学习效率降低而准确率却无法有效提升这类问题而被研发的。该算法在目标检测领域（Object detection）、图像分类领域（Image classification） 和语义分割领域（Semantic segmentation） 中效果显著，对物体种类识别精准率很高。除此之外，Goodfellow小组[11]在CNN算法基础上提出生成对抗网络模型算法（Generative adversarial networks，GAN），该深度学习算法可以根据已有的样本数据，生成更多高质量的目标数据，用来扩充样本数据，解决训练样本数据不足的问题。GAN算法其实是一种尝试着用伪装的手段，以假乱真凭空地生成一些向量矩阵的技术。该算法的目的是通过一定的方法手段，模拟出一种数据的概率分布生成，并且这种模拟出的数据概率分布与实测数据的概率统计分布尽可能接近或者一致。GAN算法具有生成器网络和鉴别器网络两个网络，生成器网络可以完美生成逼真的虚假图像，鉴别器网络可以很好地判断图像是真实的还是虚假的。也就是说，生成器网络可以将来自潜在空间的随机噪声矢量，即不是来自潜在空间的所有GAN样本变换为真实数据集的样本，所以GAN的训练是一个非常直观的过程。Radford小组[12]在CNN算法基础上，将GAN算法与之结合，提出深度卷积生成对抗网络算法（Deep convolutional generative adversarial networks，DCGAN），该算法训练过程稳定，生成样本多样性丰富，可以将少数类图像通过DCGAN网络进行扩充，实现训练样本数据集均衡化。DCGAN算法是GAN研究的一个重要里程碑，因为它提出了一个重要的架构变化来解决训练不稳定、模式崩溃和内部协变量转换等问题。条件生成式对抗网络算法（Conditional generative adversarial networks，CGAN） 也是另外一种对原始GAN算法的扩展，该算法对抗训练框架相当灵活，通过添加额外信息或者参数，使得网络学习在参数不同的情况下，生成规则不同。这种条件式对抗学习可以生成所有传统深度学习输入的向量样本，可以“伪造”图片和文字，模型可以学习多种不同分类的样本生成过程。目前GAN算法仍处于理论研究范畴，但实用前景光明，一些新的成果正在不断展现[13]。

2.2 人工智能识别算力与深度学习技术

加速芯片作为人工智能基础层中硬件的一部分，主要是为人工智能识别提供强大的算力支撑，决定了算力即运算速度的快慢和效率高低。目前，芯片的加速方法主要包括尽可能做小晶体管尺寸、定制加速器如GPU和通过新的底层物理结构计算。目前晶体管最小尺寸为3～4 nm，已接近物理极限1 nm，新的底层物理结构计算处于起步阶段，故量体裁衣地定制芯片是最佳解决之道[14]。芯片的通用性和高效率不可兼得，故其种类也有不同[15-17]。传统芯片主要指CPU（通用处理器），人工智能时代芯片主要包括GPU（图像处理器）、DSP（数字信号处理器）、FPGA（现场可编程门阵列）、ASIC（专用集成电路）和类脑芯片。

在深度学习中，人工智能芯片主要用于训练和推断环节。训练环节需输入大量标记过的数据来训练一个具有特定功能的深度神经网络模型；推断环节利用已经训练好的模型，在此之上使用新数据推理出各种结论。在训练环节由于数据需要量大、运算量也大，主要硬件为GPU芯片。在推断环节由于数据需要量少、运算量也小，可供选择芯片范围较广，如CPU、GPU、FPGA和ASIC等。目前，在人工智能工程应用及实验室研发阶段的训练加速技术中，主要用到的芯片有英伟达（nVIDIA） 的GPU、谷歌的TPU（张量处理器）。在数据中心人工智能应用推断中（即云端推断加速技术），主要用到的芯片有DSP、FPGA、ASIC，目前以FPGA芯片为主。在面向智能手机、智能安防摄像头、无人机、机器人、自动驾驶、虚拟现实（VR）等终端设备推断中（即终端推断加速技术），主要用到的芯片需要低能耗，并且高度定制化，目前以ASIC芯片为主[18]。

2.3 人工智能安检系统

人工智能安检系统的核心技术是人工智能技术，通过机器学习来模拟人类思维进行学习活动和识别。人工智能安检系统主要通过软件、硬件及线上线下结合，汇集、分析各安检领域（包括海关、机场、地铁、车站、展会、快递点等）设备采集到的图像等数据，并将之作为安检底层的信息初始化数据，在运行过程中通过深度学习算法，系统自动学习相关危险品、违禁品的图像特征，对经过安检的禁带物品（不同形态的毒品、易燃易爆物、枪支配件、刀具、生化品）进行智能识别，实现自动报警。其次，人工智能安检机系统需要建设涵盖安检设备信息、安检人员信息及被检物品信息的多级联网的、统一管理的物联网平台，有利于警、企、海关等多部门联动处置和后台远程监控以及安检大数据的集中分析、存储与管理。其系统前端以并入物联网的安检机为节点进行数据汇聚，再逐点逐线地整合全网络每个安检点的各类安检设备，对采集到的相关安检设备状态信息、实时音视频监控信息、实时预报警信息和采集的物品信息进行存储、分析、处理和转发，上一级安检管理中心系统实时接收和统计分析全网络安检点数据。

通过建设统一的物联网大数据平台，可以汇聚大量的、单一的、不同的安检设备的数字化信息，提高识别度。而大数据平台也可以再次反馈大数据用于补充人工智能算法数据库，待安检机再次机器学习后，其学习结果可以通过大数据平台反馈到安检设备中，整体提高了所有单一运行的安检机的禁限带物品识别率，既降低劳动强度，又大大减少人为误差。

2.4 人工智能安检机的应用基础

人工智能安检机的应用基础主要包括系统结构、神经网络模型的训练、系统能力识别、人工智能辅助图像识别和人工智能辅助视频识别等五个方面[19]。

系统结构是指在各安检点建立数据库并且联网，将获得的安检数据实时上传数据库云端，云端对数字化的安检数据进行分析与交换，系统再反馈数据至终端，这样就提高了人工智能算法的辨别能力，促进深度学习的更新迭代和升级。其中，各安检点的安检设备属于前端，可以作为识别节点对扫描图像进行自动、实时判别。各识别节点需要进入识别客户端系统显示识别结果和预报警，识别客户端系统再将识别数据上传于数据库终端，数据库终端可对权限内的识别节点数据进行查询、统计、分析和管理。

神经网络训练模型通过采集大量的扫描图像形成数据库，对库里所有图像中的目标进行分割与标定，再送入卷曲神经网络进行调参训练，进而训练出泛化能力好、准确度高的参数（危险品参数）。这个参数便是最终的神经网络模型训练结果。廖癸秋等[20]等以深度卷曲神经网络R-CNN算法为架构，引入数据集增强技术随机生成背景，扩充样本量，进行深度学习训练，智能X-光机对图像中不同类别物体识别效果良好，可在500 ms至1200 ms内快速识别管制刀具、枪支，识别率均在95%以上，最高可达98%。

人工智能安检机的系统能力识别主要是针对危险品和违禁品。旨在通过提供足够数量和形态的样本，获得系列扫描图像输入数据库进行训练，使系统能够较准确地识别扫描图像中的危险品和违禁品，并对识别目标进行预报警输出，提醒实物查验和确认。其软件系统包括图像识别算法和违禁品数据模型库。图像识别算法分析接收到的图像，并进一步获得图像中违禁品的位置和种类。违禁品数据模型库针对特定的违禁品、危险品进行深度学习算法训练，直接决定了识别的效果。在实际调试过程中智能安检机系统需要人工辅助查验与干预，进行系统修正，提升自动化查验判断能力。

基于大数据技术的人工智能辅助图像识别技术，通过设计开发模拟人类大脑进行图像识别活动的计算机程序，利用数学模型来识别、提取和表达图像的主要特征。图像识别技术极大地提高了安检查危效率和准确性，给安检查危工作带来了新的思路和机遇。以海关、船舶码头为例，大型集装箱的安检主要以装箱照片审核和人工开箱查验为主。根据货物外包装明显标识、客户提供照片和现场检查的大量照片形成数据，人工智能安检系统对包装储运图示标志的特征点进行学习、分类，辨明包装储运图示标志的逻辑，可以有效降低作业人员劳动强度，减少漏判、错判风险，提高判图效率和作业站点的运输组织效率。智能图像识别技术主要包括图像采集、新拍图片和原始图片特征点提取、新拍图片和原始图片特征点匹配、求得新拍图片和原始图片之间的空间变换矩阵、对新拍图片进行透视变换、对变换后图片与原始图片进行相减等六个部分。其中，图像中的特征点一般指一些独立的物点，包括面状要素边界线拐点和一些线型要素的交叉点，如墙角、桌角和树枝交叉点。这些特征点可用来进行图像配准、物体识别和图像的三维重建等。图像识别技术针对图像特征点进行局部的分析，精确定位图像的某些稳定的特征，进而对两幅图像进行特征点匹配。通过图像迁移解析获得其相应的空间变换矩阵，再通过该空间矩阵对新拍图像进行变换，获得与原始图像配准程度高的图像。对经过变换过后的新拍图像和原始图像进行配准操作，通过图像剪切技术对两幅图像的相同区域进行对比，采用图像像素值差法对处理后的两幅图像进行图像相减，可以判断两图像之间有无差异。

人工智能辅助视频识别技术是利用现场摄影设备和传送装箱、装车视频的数字图像信息，对拍摄视频进行背景提取、图像灰度处理、图像滤波去噪、图像增强处理和图像矫正处理等技术处理，再进行特征图像定位和图像识别处理，呈现最终结果的实时识别技术。基于卷积神经网络的视频识别技术可以让系统学会判断货物装载是否稳固、货物摆放方式是否与包装储运图示标志要求相符、是否夹带危险品和违禁品以及是否存在偏载偏重风险等，并自动判别给出危险系数，实时对装箱过程进行全程监督。

3 人工智能安检机的应用

基于深度学习算法，目前可用于智能安检的设备主要是X-光机和毫米波-太赫兹成像系统。无论是主动式还是被动式毫米波-太赫兹成像系统，其主要用于人体安检成像，检测人体随身携带物品是否为违禁品和危险品。对大量行李物品包裹的检测仍然以X-光机为主。通过建设智能安检系统平台，人工智能安检机的目标是对安检过程中易燃易爆品、枪支刀具、毒品、生化品进行精准、高效识别，并实时预报警。

王翠翠等人[21]提供了一种违禁品检测技术领域的基于边缘计算的智能安检系统，用于物流企业的安检作业。该系统包括：采集设备、边缘计算设备、安检识别云平台、智能监控服务系统。其中，采集设备采集原始X光图片，并将原始X光图片分别传输给安检机和边缘计算设备。边缘计算设备基于CNN算法和GPU芯片，通过深度学习算法模型yolac++对接收到的原始X光图片进行处理，输出结构化的信息数据和视频流，以供本地查看或远程查看。安检识别云平台通过边缘计算设备获取由X光图像组成的视频流，并将X光图像输入到违禁识别模型中去，识别X光图像中是否包含违禁品。智能监控服务系统在识别到违禁品后，存储违禁品对应的图片及包裹信息，并触发相应的警示设备进行报警。该安检系统接入中通物流系统，全网连接有20 000台安检机，所有安检机均可同步共享图片资源，平均每日处理总单量达5000万至6000万单，提升了物流的安检效率，极大地降低了人力成本，实现了专业人员的远程作业和违禁图片共享学习，提高了安检识别的便宜性。

高强等人[22]将一种基于CNN算法的GAN危险品自动识别模型和采用英伟达技术的GPU芯片应用于X光安检机，安检准确识别率和实时性效果有显著提高，这大大提升了机场的智能化安检水平。作者通过GAN算法使危险品图像数据集均衡化，引入随机失活优化技术，再将图像输入卷积神经网络模型进行训练。将其应用于2017公安一所危险品图像数据集上，经均衡化处理后，数据集由9个类别、3225幅图像扩展至9个类别、7391幅图像。均衡化之后模型的识别准确率从57.3%升高至90.7%。对比实验显示，模型的识别准确率分别比ResNet、GoogLeNet、AlexNet等CNN模型高出5.4%、7.2%和5.8%。

长春西高铁站升级改造X-光机，引入基于CNN算法和GPU芯片的图像处理技术和人工智能云端计算，设备的图形运算能力达到200亿次/秒～1000亿次/秒，该大数据的云平台系统运算速度已达毫秒级。实验测试显示无论业务高峰期还是低谷期，智能X-光机可自动识别背景复杂的枪支有30余种、刀具100余种、常见的液体上百种以及锂电池100余种，并能识别枪支零部件和多种3D打印的枪支。

南京地铁X-光机采用人工智能技术，对过机图片进行分析，实现对违禁物品（包括液体和固态物品） 的智能识别与自动报警，并于2018年在部分地铁站开展智能安检测试[23]，其测试内容包括单包过机测试和双包连过测试。在双肩包和电脑包分别放置刀具 (10种)、液体（10种）、枪支（5种）、干扰物（10种）、刀具和干扰物（组合测试）、液体和干扰物（组合测试）以及枪支和干扰物（组合测试），单包过机测试70组次，双包连过测试70组次。测试结果显示，智能安检X-光机对管制刀具识别率平均为85%，对液体识别率平均为90%，对仿真枪支识别率平均为99%，对干扰物识别率平均为92%。当加入干扰物之后，智能安检X-光机对所有违禁物品组合的识别率均下降了10%左右。智能安检X-光机测试检出率平均值为87.37%，误报率平均值为3.93%。误报物品主要为钢笔、铁质书脊等形似管制刀具的干扰物和形似液体容器的储蓄罐和空罐等干扰物。通过算法训练，检出率将随着训练样本的增多而提高。这些测试大大提高了实现远程监控实时化、现场处置流程化、对抗检查在线化、数据分析可视化、人员上岗实名化和设备管理档案化的可行性。

4 结束语

传统安检目前尚未建立完整的物联网系统平台，存在数据资源浪费、人力资源耗费大等不足，安检设备面临转型升级。基于深度学习的人工智能技术，可以匹配安检机所需的大量图片查验，实现智能识别与实时预警，为智慧安检保驾护航。与人工智能技术结合后，智能安检机对危险品的识别率将显著提高，既降低作业人员的劳动强度，减少人为误差，提升货运安检的工作水平和安检查危效率，又进一步推动智能化与信息化的快速发展。安检领域智能化已是大势所趋，各类人工智能安检设备的研究与开发将大大拓展和提升安检领域技术水平，为建设平安中国保驾护航。