Explainable and Uncertainty Aware Deep Learning for Concealed Prohibited Item Detection in Nonintrusive X-ray Inspection
تقدم هذه الورقة البحثية CAU-XInspect، وهو إطار عمل للتعلم العميق قابل للتفسير وواعٍ بالشك مبني على YOLO26، والذي يحسن بشكل كبير من اكتشاف المواد المحظورة المخفية في صور الأشعة السينية من خلال وحدة تعزيز ميزات مدركة للإخفاء مبتكرة، محققاً أداءً قوياً على معيار PIDray مع تسليط الض الضوء على الحاجة إلى مزيد من التكيف مع المجال قبل النشر في العالم الحقيقي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تعتمد عمليات التفتيش الأمني في المطارات ومحطات القطارات على تقنية هادئة وعالية المخاطر: جهاز الأشعة السينية (X-ray). فعندما تمر حقيبة عبر الماسح الضوئي، لا يلتقط الجهاز صورة بالمعنى التقليدي؛ بل يرسل حزمًا من الطاقة عبر الأمتعة، مما يخلق صورة مسطحة حيث تمتص المواد المختلفة الإشعاع بدرجات متفاوتة. تظهر المعادن الكثيفة بلون داكن، واللدائن (البلاستيك) تبدو أفتح لونًا، وتأخذ المواد العضوية لونًا مميزًا. ويتم تدريب المشغلين البشريين على تفسير هذه الأشكال الشبحية والمتداخلة، بحثًا عن ظلال مسدس أو سكين أو سلاح مخفي داخل تشابك من الملابس والإلكترونيات. ومع ذلك، فإن هذه المهمة صعبة للغاية؛ فالحقائب غالبًا ما تكون محشوة بإحكام، مما يؤدي إلى حجب بعض العناصر لبعضها البعض. وقد يكون جسم محظور مخبأً عمدًا تحت طبقات من المقتنيات غير الضارة، أو قد يكون صغيرًا وباهتًا جدًا لدرجة أنه يندمج في الفوضى المحيطة. وعندما يغفل البشر عن تهديد ما، تكون النتيجة خرقًا أمنيًا؛ وعندما يشيرون إلى عنصر غير ضار، تكون النتيجة تأخيرًا للمسافر وعبئًا على النظام. لسنوات، حاول الباحثون بناء ذكاء اصطناعي للمساعدة في هذا الأمر، وتعليم الحواسيب التعرف على هذه المخاطر الخفية، لكن الآلة التي تجيد رصد مسدس في حقيبة مفتوحة وواضحة، غالبًا ما تفشل عندما يكون نفس المسدس مدسوسًا داخل حقيبة فوضوية.
قام باحث في جامعة كافنديش في أوغندا، وهو بول كاتيجايا كيسوزي، بتطوير نهج جديد لهذه المشكلة، حيث ابتكر نظامًا مصممًا خصيصًا للرؤية من خلال ارتباك الحقيبة المزدحمة. إن العمل الذي يحمل عنوان "CAU-XInspect" لا يقتصر فقط على جعل الكمبيوتر أكثر ذكاءً في العثور على الأشياء، بل يتعلق بتعليم الكمبيوتر لماذا ينظر إلى شيء ما وكيف يعترف عندما يكون غير متأكد. بُني النظام باستخدام محرك كشف قوي وحديث يُعرف باسم "YOLO26"، والذي يعمل كقاعدة للعملية بأكملها. وإلى هذا المحرك، أضاف الباحث طبقة ذكاء خاصة تسمى وحدة "الإدراك بوجود إخفاء" (concealment-aware). تخيل هذه الوحدة كأنها مجموعة من العيون الإضافية التي لا تنظر إلى الجسم فحسب، بل تنظر أيضًا إلى الظلال المحيطة به، والتباين بين الجسم وجيرانه، والسياق الأوسع لمحتويات الحقيبة. فإذا كان هناك سكين مخفي جزئيًا بواسطة قميص، فإن هذه الوحدة تساعد الكمبيوتر على التركيز على الحواف الباهتة لنصل السكين التي تظل مرئية، بدلًا من التشتت بسبب القماش الذي يغطيه.
اختبر الباحث هذا النظام على مجموعة ضخمة من صور الأمن الواقعية التي تحتوي على آلاف الحقائب مع عناصر محظورة مختلفة مثل المسدسات والسكاكين والأدوات. كان الاختبار صارمًا، حيث تم تقسيم الصور إلى ثلاث فئات: حالات سهلة حيث تكون العناصر واضحة، وحالات صعبة حيث تكون العناصر مزدحمة، وحالات "مخفية" حيث تكون العناصر مخبأة عمدًا. وأظهرت النتائج أن النظام الجديد كان أفضل بكثير في العثور على العناصر المخفية مقارنة بالنسخة القياسية من التكنولوجيا. وفي المجموعة الأكثر صعوبة من الصور، حيث وجد النظام القياسي حوالي 35 بالمائة فقط من التهديدات المخفية، وجد النظام الجديد ما يقرب من 49 بالمائة. وهذا يمثل تحسنًا جوهريًا في مجال يعتبر فيه تفويت عنصر واحد بمثابة فشل. كما أصبح النظام أفضل في شرح قراراته؛ فبدلاً من مجرد رسم مربع حول عنصر مكتشف، استطاع النموذج الجديد تسليط الضوء على البكسلات المحددة التي أدت إلى استنتاجه، واستطاع الباحثون قياس مدى قرب هذه التحديدات من الشكل الفعلي للجسم المخفي. وأثبت النظام أنه موثوق للغاية، مما يعني أنه عندما يعلن عن ثقته في عملية رصد ما، فإنه يكون محقًا في الغالب.
ومع ذلك، كشفت الدراسة أيضًا عن قصور كبير يمنع استخدام هذه التكنولوجيا في المطارات غدًا. فعندما اختبر الباحث النظام على مجموعة مختلفة تمامًا من الصور من ماسح ضوئي آخر، لم يسبق له رؤيتها أثناء التدريب، انهار الأداء. فالنظام، الذي كان فعالًا للغاية في مجموعة بياناته الأصلية، فشل في التعرف على نفس أنواع الأجسام في البيئة الجديدة. حدث هذا لأن الصور من الماسحات الضوئية المختلفة تبدو مختلفة؛ فهي تمتلك ألوانًا وتباينات وأنسجة خلفية مختلفة، تمامًا كما تبدو الصورة الملتقطة بكاميرا واحدة مختلفة عن صورة أخرى، حتى لو كانت لنفس المشهد. وتخلص الدراسة إلى أنه بينما يعد النهج الجديد إثباتًا قويًا للمفهوم يوضح كيفية جعل الحواسيب أكثر حساسية للمخاطر الخفية، إلا أنه ليس جاهزًا بعد للنشر في العالم الحقيقي. فهو يعمل جيدًا في بيئة محكومة، لكنه يحتاج إلى مزيد من التطوير للتعامل مع التنوع الفوضوي للعالم الحقيقي. وتشير الأبحاث إلى أنه بالنسبة للمستقبل، يجب أن تكون الأنظمة الأمنية ليست دقيقة فحسب، بل أيضًا شفافة بشأن عدم يقينها، مما يسمح للمشغلين البشريين بالتدخل عندما تكون الآلة غير متأكدة، بدلاً من الاعتماد على الآلة لاتخاذ القرار النهائي بمفردها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.