胡紫薇，項 安，陳奕杰

(同濟大學(xué) 電子與信息工程學(xué)院, 上海 201804)

近年來，機場、地鐵、車站等區(qū)域?qū)τ谝后w危險品的安全檢查越來越重視，由于這些區(qū)域人口密集，一旦被不法分子利用將產(chǎn)生難以預(yù)料的后果。然而，實際的液體一般是多種液體的混合物，混合物的配比不同，容器的形狀、材料、在安檢機中的位置不同均會導(dǎo)致識別結(jié)果精度偏低，誤報率和漏報率較高。

現(xiàn)階段利用X射線安檢技術(shù)對固體爆炸物的識別技術(shù)取得了極大的突破。SAMET等[1]提出了利用X射線安檢設(shè)備，基于深度神經(jīng)網(wǎng)絡(luò)對行李的X射線圖像進行特征提取后實現(xiàn)分類，成功檢測出手槍、管制刀具等危險物品；ANDRE等[2]提出了利用雙能量CT安檢設(shè)備，基于三維模型重構(gòu)計算行李中任何區(qū)域的原子序數(shù)和密度信息，實現(xiàn)物質(zhì)分類，識別諸如金屬、毒品、爆炸物等危險品。

對于固體危險品的檢測方法已日漸完善，識別準確率非常高，但是在液體危險品檢測方向上還存在著諸多問題。Optosecurity公司提出了通過知識庫去除傳送帶和玻璃壁的影響，基于數(shù)學(xué)模型計算有效路徑對液體進行識別[3]，但是由于容器形狀不一，在行李中的位置難確定，容器材料與厚度對識別結(jié)果的影響，檢測結(jié)果并不精確。李文博[4]提出在靜態(tài)條件下對危險液體進行區(qū)分，該方法僅針對靜態(tài)放置被檢品，且未提出去除容器影響的方案；王宇石等[5]提出MMA算法可對圓形或橢圓形容器盛放的高密度危險液體實現(xiàn)識別，但需要多個光源來實現(xiàn)高識別率；查艷麗[6]在此基礎(chǔ)上提出對液體容器材料的識別算法，為實現(xiàn)液體檢測去除容器影響提供了一定的借鑒。

筆者利用現(xiàn)有雙能X射線安檢機，基于圖像深度學(xué)習(xí)，提出了一種去除容器壁厚的數(shù)學(xué)模型，計算容器吸收系數(shù)，并利用圖像處理方法獲得精準的容器定位，采用支持向量機和邏輯回歸模型實現(xiàn)R值分類，完成對液體危險品的識別，此方法能夠提升安檢效率與識別精度。

1 雙能X射線危險液體識別方法原理

1.1 X射線安檢機結(jié)構(gòu)與原理

雙能X射線安檢機主要由射線源和陣列探測器組成。由一列探測器收集線性的扇形X射線穿透物體后的衰減信號組成單個列陣，經(jīng)由傳送帶及采集率匹配得到行程矩陣數(shù)據(jù)信息，處理后由灰度信息形成偽圖像。由于被檢測物體的密度與厚度不同，形成圖像的灰度值也不同。對于單能系統(tǒng)，只能通過圖像中物體形狀來判斷。而對于雙能系統(tǒng)，則可以利用高低能數(shù)據(jù)圖像得到R值，從而計算得到物質(zhì)的有效原子序數(shù)Zeff的信息，實現(xiàn)物質(zhì)鑒別。

1.2 雙能X射線物質(zhì)的分類原理

假定入射X射線束能量為I0，通過厚度為H的物質(zhì)后其衰減為I。經(jīng)過簡化后，其關(guān)系表現(xiàn)為Beer-Lambert定律[7]

(1)

式中：μm()為坐標為處物質(zhì)的質(zhì)量吸收系數(shù)；ρ()為物質(zhì)的密度。

對式(1)進行變換得到X射線透視成像公式為

(2)

式中:L為射線穿透的有效長度。

將X射線透過混合物等效為通過N份均勻的不同物質(zhì)(見圖1)，那么式(2)可以表示為

圖1 雙能X射線安檢機結(jié)構(gòu)示意

(3)

根據(jù)式(3)可以發(fā)現(xiàn)X射線穿透物質(zhì)的吸收強度由物體長度和透射厚度決定。

X射線穿透物質(zhì)等效示意如圖2所示，高低能圖像的物質(zhì)厚度相抵消。可以得到R值計算公式如式(4)所示。

圖2 X射線穿透物質(zhì)的等效示意

(4)

這種方法即目前安檢機區(qū)分有機物、無機物和混合物的方法[8]。

通過高低能數(shù)據(jù)得到被檢液體等效的R值之后，根據(jù)式(5)得到有效原子序數(shù)Zeff,從而完成對液體的識別。

Zeff=a·exp(α·R)+b·exp(β·R)

(5)

式中：a=-6.596X105,b=4.685,α=-9.815,β=0.678 3。這4個常數(shù)的取值為經(jīng)驗值。

1.3 去除容器壁厚的數(shù)學(xué)模型

根據(jù)式(4)和式(5),可以得到X射線安檢機檢測危險品是通過高低能數(shù)據(jù)得到等效的R值,或者通過擬合曲線得到有效原子序數(shù)Zeff，實現(xiàn)物質(zhì)分類的[9-13]。但是，這種方法在檢測液體危險品時需要經(jīng)過一定的改進。因為液體一般被盛放于容器中，容器的材料、壁厚等對高低能數(shù)據(jù)的影響將會直接影響到對液體物質(zhì)的分類。所以，提出如下的一種理想狀態(tài)下的算法模型，盡可能剔除容器的干擾，得到液體的高低能數(shù)據(jù)與R值。

假定不考慮空氣、傳動帶等因素的影響，將容器壁假定為均一、厚度相等的材料，將容器中的待檢測液體也視為均勻的?；谝陨系睦硐牖僭O(shè)，可以將整個待檢測物體的吸收強度等效為

A=μbottleLbottle+μliquidLliquid

(6)

式中：A為吸收強度；μbottle為容器的吸收系數(shù)；Lbottle為射線穿過容器的有效長度；μliquid為液體的吸收系數(shù)；Lliquid為射線穿過液體的有效長度。

只要能夠求得μbottle，Lbottle的值，即可得到液體的相關(guān)參數(shù)并實現(xiàn)識別。

對于X射線源發(fā)出的一條X射線，其在穿過容器壁后，通過待檢測液體，再穿過容器壁到達直線上的陣列探測器接收點。此種理想狀態(tài)下的數(shù)學(xué)模型如圖3所示。

圖3 理想狀態(tài)下的數(shù)學(xué)模型

對于射線源發(fā)出的兩條射線S1與S2，在分別經(jīng)過有效長度為L1與L2的物質(zhì)吸收后被探測器接收。通過分析最終的成像信息，可以推算得到S1與S2對應(yīng)的探測的實際位置(x1，y1)，(x2，y2)。

假定X射線源處正上方的傳送帶為坐標軸原點，那么對于S1和S2分別有

(7)

(8)

(9)

(10)

將式(9)與式(10)代入式(7)與式(8)，化簡得到

AS1cosα1=2dμbottle+μliquidHliquid,S1

(11)

AS2cosα2=2dμbottle+μliquidHliquid,S2

(12)

式中：Hliquid,S1，Hliquid,S2為射線穿過液體的有效長度在垂直方向上的投影。

由于傳送帶的運動與慣性的存在，一般情況下，Hliquid,S1≠Hliquid,S2。

對式(11)與式(12)進行差分得到

AS1cosα1-AS2cosα2=μliquidΔHliquid

(13)

由式(13)可以發(fā)現(xiàn)，通過差分可以消除容器壁對液體R值的影響。對高低能圖像同時進行差分處理，后通過高低能數(shù)據(jù)相除可以得到理想狀態(tài)下液體R值的求解方法為

(14)

根據(jù)式(14)即可得到液體R值，再根據(jù)式(5)可得到液體的有效原子序數(shù)，實現(xiàn)對危險液體的識別分類。

2 液體容器的X射線數(shù)學(xué)圖像定位方法

2.1 基本圖像處理

2.1.1 圖像噪聲分析與平滑處理

在X射線穿透被檢測液體的過程中，會存在暗電流產(chǎn)生的噪聲、探測器之間相互接收產(chǎn)生的噪聲、系統(tǒng)的噪聲等干擾。若不對噪聲進行前期處理，會影響容器定位的效果。

對于暗電流產(chǎn)生的噪聲，采集射線源關(guān)閉時的圖像，對其進行列均值處理，得到的值可以近似認為是每個探測點的暗電流數(shù)據(jù)。在通過被檢測液體時，將得到的雙能圖像減去暗電流數(shù)據(jù)，即可排除暗電流噪聲的干擾[14]。對于其他噪聲，可采用中值濾波的方法濾除。

2.1.2 圖像二值化處理

圖像二值化處理是為了減少圖像的冗余信息，對圖像進行輪廓清晰化處理而進行的步驟。二值化處理的基本原理是設(shè)定一個閾值，將高于該閾值的像素點設(shè)為1，小于該閾值的像素點設(shè)為0，從而達到過濾不相干信息，突出所需被檢物輪廓的目的。

在危險液體檢測中，一般方法的處理結(jié)果顯示仍有較多的不相干背景殘留，無法得到較好的容器輪廓。在上述理論基礎(chǔ)上，筆者提出一種基于R值的圖像二值化處理方法，以盡可能多地濾除背景的影響。

基于R值的二值化處理方法為：首先，在不放置任何待檢測物的狀態(tài)下，得到“亮場圖片”數(shù)據(jù)，對其進行列均值處理后，以得到的數(shù)值作為每個探測點的滿載數(shù)據(jù)。然后，通過盛有被測液體的容器，得到被測物的高低能圖像數(shù)據(jù)，根據(jù)式(4)將其分別除以對應(yīng)的滿載數(shù)據(jù)后，進行對數(shù)變換再相除可以得到R值圖像。通過選取合適的R值可以突出液體容器的信息，剔除其他不相關(guān)信息。

基于R值的二值化處理結(jié)果如圖4所示，通過對圖4的分析可以發(fā)現(xiàn)，基于R值的二值化算法能夠有效地濾除與液體容器無關(guān)的信息(如尺子等)，保留所需物體信息。

圖4 基于R值的二值化處理結(jié)果

2.1.3 圖像形態(tài)學(xué)處理

基于R值的二值化處理雖然能夠有效地剔除無關(guān)信息,得到液體容器信息，但是也導(dǎo)致了圖像出現(xiàn)缺失和存在多余點，甚至部分圖像未能連接在一起。為了更好地實現(xiàn)容器定位，在圖像二值化后進行形態(tài)學(xué)處理，以減小空隙和去除多余信息點。對二值化處理后的圖像迭代4次腐蝕操作，再迭代4次膨脹操作，最后進行融合操作，能夠保留較多的有用信息，并去除不必要的信息。

2.2 液體容器定位

一般的圖像識別問題中，通常采用如圖5(a)所示的邊界矩形框?qū)崿F(xiàn)目標物體的查找，但是對于液體識別來說，其無法實現(xiàn)等厚度截面下的分析，所以采用如圖5(b)所示的最小外接矩形的方法實現(xiàn)容器定位。

圖5 矩形框方案示意

在簡單場景下進行試驗可以發(fā)現(xiàn)，最小外接矩形的方案對經(jīng)過二值化和形態(tài)學(xué)處理后的液體容器的定位準確性較高(見圖6)。

圖6 簡單場景下最小外接矩形試驗方案

3 液體R值的分類算法研究

在基于去除容器壁厚的數(shù)學(xué)模型方法進行處理后，不同液體的R值仍存在交叉，需要對其采用邏輯回歸模型與支持向量機模型進行分類。

3.1 分類算法實現(xiàn)流程

對于分類模型，為了避免參數(shù)在訓(xùn)練過程中過擬合的現(xiàn)象，在訓(xùn)練過程中會隨機選取80%的數(shù)據(jù)作為訓(xùn)練集，20%的數(shù)據(jù)作為驗證集。在訓(xùn)練邏輯回歸模型上，首先在訓(xùn)練集上訓(xùn)練迭代幾次，得到一個模型參數(shù)，再通過得到的模型參數(shù)對驗證集進行判別，并將判別結(jié)果反饋給模型，模型通過梯度下降的方法對參數(shù)進行迭代優(yōu)化。執(zhí)行以上步驟多次，得到一個較為理想的模型參數(shù)作為邏輯回歸的參數(shù)值。對于支持向量機，因為模型是基于數(shù)學(xué)方法求解的唯一值，因此不需要進行梯度下降的方法優(yōu)化。但為了能夠與邏輯回歸模型訓(xùn)練的結(jié)果進行比對，因此在選取數(shù)據(jù)中，選取同等訓(xùn)練數(shù)據(jù)值優(yōu)化支持向量機。

圖7為邏輯回歸模型、線性SVM(支持向量機)以及非線性SVM在兩個γ值(支持向量機選擇高斯核函數(shù)作為內(nèi)核的一個參數(shù))下，二維數(shù)據(jù)(低能數(shù)據(jù)、R值)的分類結(jié)果。由圖7可以直觀地看出，支持向量機的分類效果在本該試驗采集的樣本內(nèi)比邏輯回歸模型的效果更好，且對于非線性模型進行非線性描述有更好的顯示結(jié)果。

圖7 分類模型可視化結(jié)果

3.2 分類算法評估

危險液體識別事件是一個二分類問題，其檢測結(jié)果存在4種情況，即TP(True Positive)，F(xiàn)P(False Positive)，F(xiàn)N(False Negative)，TN(True Negative)。TP是指將危險液體正確識別；FP是指將危險液體錯誤識別為非危險液體；FN是將非危險液體錯誤識別為危險液體；TN是正確識別非危險液體。假定危險液體判定為1，非危險液體判定為0，該4種情況如表1所示。

表1 二分類問題判定情況

表中FN為誤報情況，F(xiàn)P為漏報情況。查準率=TP/(TP+FP)，代表在所有判定為1的樣本中實際為1的正確率。查全率=TP/(TP+FN)，代表所有實際為1的樣本中被判定為1的正確率。

通過查準率和查全率可以得到PR曲線(查準率-查全率曲線)，查準率與查全率一般呈負相關(guān)，即一個指標高時另一個指標偏低。所以，根據(jù)PR曲線包圍的面積大小可以定性判斷結(jié)果的準確性。定義該面積為AP，AP越大，表明判定準確率越高。如圖8所示，邏輯回歸模型的AP值小于支持向量機。

圖8 不同模型PR曲線對比

ROC曲線(Receiver Operating Characteristic Curve，接收者操作特征曲線)利用混淆矩陣派生假正率和真正率兩個度量，并用這兩個度量作為橫縱坐標，生成ROC空間。其中，ROC曲線下方面積值為分類模型的AUC(ROC曲線下的面積)值。在模型評比中，通常利用AUC作為衡量分類器性能的度量，隨機效果對應(yīng)的AUC值為0.5，若數(shù)值小于0.5，需要考慮數(shù)據(jù)之間清洗以及替換其他模型，AUC值越接近1，就表示對應(yīng)的分類模型的效果越好。不同模型和ROC曲線如圖9所示，邏輯回歸模型的AUC值小于支持向量機模型的。

圖9 不同模型ROC曲線對比

4 試驗驗證與分析

液體識別算法流程圖如圖10所示，在對得到的雙能X射線高低能圖像進行濾波、二值化、形態(tài)學(xué)處理后，獲取液體容器的最小外接矩形，然后根據(jù)高低能數(shù)據(jù)，利用R值識別算法，對無托盤等遮擋物場景下的危險液體進行識別。設(shè)置了兩種場景，其識別信息如表2所示。

圖10 液體識別算法流程圖

表2 無遮擋物場景識別信息

簡單場景識別結(jié)果如圖11所示(自上而下分別為容器1，2，3，4，紅色邊框表示識別為危險液體)。

圖11 簡單場景識別結(jié)果

對市面上存在的U型探測器和L型探測器分別進行779次和740次采樣(總計1 519次采樣數(shù)據(jù))，采用兩種模型和R值分類模型進行評估，得到的評估結(jié)果如表3所示。

表3 各種分類模型評估結(jié)果

根據(jù)表3，可以發(fā)現(xiàn)支持向量機模型對雙能X射線危險液體的識別表現(xiàn)較好，能夠?qū)崿F(xiàn)較高的識別準確度，精確度能夠達到80%以上。

5 結(jié)語

根據(jù)圖11可以發(fā)現(xiàn)，筆者提出的數(shù)學(xué)模型可以在一定程度上去除容器壁厚對識別結(jié)果的影響，經(jīng)過中值濾波、二值化、形態(tài)學(xué)處理后，根據(jù)高低能圖像能夠利用最小外接矩陣得到液體容器的精確定位，從而得到液體的R值的原理，實現(xiàn)了對液體的識別。支持向量機模型和邏輯回歸模型均能夠利用物體的三維信息(高能、低能、R值)對液體進行特征提取后分類，而支持向量機模型對于文章研究的對象具有更好的分類效果。

然而，去除容器壁厚的方法是在容器壁厚均勻的前提下建立的，對于不均勻壁厚的容器容易出現(xiàn)誤檢、漏檢，而現(xiàn)實中極有可能存在壁厚不均勻的情況，在此方面需要進一步完善模型。另外，由于現(xiàn)實中液體容器所處的環(huán)境復(fù)雜，其他物體的遮擋對于判別結(jié)果的影響也需要作進一步考慮。