Explainable and Uncertainty Aware Deep Learning for Concealed Prohibited Item Detection in Nonintrusive X-ray Inspection
Dit artikel introduceert CAU-XInspect, een uitlegbaar en onzekerheidsbewust deep learning-framework gebouwd op YOLO26 dat de detectie van verborgen verboden voorwerpen in röntgenfoto's aanzienlijk verbetert door middel van een nieuwe Concealment-Aware Feature Enhancement Module, waarbij sterke prestaties worden behaald op de PIDray-benchmark terwijl tegelijkertijd de noodzaak voor verdere domeinadaptatie vóór echte implementatie wordt benadrukt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Beveiligingscontroles op luchthavens en treinstations vertrouwen op een stille, risicovolle technologie: de röntgenmachine. Wanneer een tas door de scanner gaat, maakt de machine geen foto in de traditionele zin van het woord. In plaats daarvan stuurt de machine energiestralen door de bagage, waardoor een plat beeld ontstaat waarbij verschillende materialen de straling in verschillende mate absorberen. Dichte metalen verschijnen donker, plastics zien er lichter uit en organische materialen krijgen een duidelijke tint. Menselijke operators zijn getraind om deze spookachtige, overlappende vormen te interpreteren, waarbij ze zoeken naar de silhouetten van een pistool, een mes of een wapen dat verborgen zit in een wirwar van kleding en elektronica. Deze taak is echter ongelooflijk moeilijk. Tassen zijn vaak dicht gepakt, waardoor voorwerpen elkaar kunnen maskeren. Een verboden object kan doelbewust begraven zijn onder lagen onschuldige bezittingen, of het kan zo klein en vaag zijn dat het opgaat in de rommelige achtergrond. Wanneer een mens een dreiging mist, is het gevolg een beveiligingslek; wanneer zij een onschuldig item signaleren, is het gevolg een vertraging voor de reiziger en een belasting voor het systeem. Jarenlang hebben onderzoekers geprobeerd kunstmatige intelligentie te bouwen om hiermee te helpen, door computers te leren deze verborgen gevaren te herkennen. Maar een machine die goed is in het opsporen van een pistool in een duidelijke, open tas, faalt vaak wanneer datzelfde pistool weggestopt zit in een rommelige koffer.
Een onderzoeker aan de Cavendish University in Oeganda, Paul Kategaya Kisozi, heeft een nieuwe aanpak voor dit probleem ontwikkeld door een systeem te creëren dat specifelijk is ontworpen om door de verwarring van een volle tas heen te kijken. Het werk, getiteld CAU-XInspect, gaat niet alleen over het slimmer maken van een computer bij het vinden van objecten; het gaat erom de computer te leren waarom hij naar iets kijkt en toe te geven wanneer hij het niet zeker weet. Het systeem is gebouwd met behulp van een krachtige, moderne detectiemotor genaamd YOLO26, die als basis dient voor de gehele operatie. Aan deze motor voegde de onderzoeker een speciale laag intelligentie toe, een zogenaamde "concealment-aware" module. Stel je deze module voor als een set extra ogen die niet alleen naar een object kijken, maar ook naar de schaduwen eromheen, het contrast tussen het object en de buren, en de bredere context van de inhoud van de tas. Als een mes gedeeltelijk wordt verborgen door een shirt, helpt deze module de computer om zich te concentreren op de vage randen van het lemmet die nog zichtbaar zijn, in plaats van afgeleid te raken door de stof die het bedekt.
De onderzoeker testte dit systeem op een enorme collectie echte beveiligingsbeelden met duizenden tassen die verschillende verboden items bevatten, zoals pistolen, messen en gereedschap. De test was grondig en verdeelde de afbeeldingen in drie categorieën: gemakkelijke gevallen waarbij items duidelijk zichtbaar waren, moeilijke gevallen waarbij items in een wirwar zaten, en "verborgen" gevallen waarbij items doelbewust waren verzwegen. De resultaten toonden aan dat het nieuwe systeem aanzienlijk beter was in het vinden van de verborgen items dan de standaardversie van de technologie. Op de meest moeilijke set afbeeldingen, waar het standaard systeem slechts ongeveer 35 procent van de verborgen dreigingen vond, vond het nieuwe systeem bijna 49 procent. Dit is een substantiële verbetering in een vakgebied waar het missen van zelfs maar één item een falen is. Het systeem werd ook beter in het uitleggen van zijn eigen beslissingen. In plaats van alleen een kader rond een gedetecteerd item te tekenen, kon het nieuwe model de specifieke pixels highlighten die tot zijn conclusie leidden, en konden onderzoekers meten hoe nauw deze highlights overeenkwamen met de werkelijke vorm van het verborgen object. Het systeem bleek zeer betrouwbaar te zijn, wat betekent dat wanneer het aangeeft dat het vertrouwen heeft in een detectie, het meestal ook echt zo is.
De studie onthulde echter een belangrijke beperking die voorkomt dat deze technologie morgen al in luchthavens kan worden gebruikt. Wanneer de onderzoeker het systeem testte op een volledig andere set afbeeldingen van een andere scanner, een scanner die nog nooit tijdens de training was gezien, stortte de prestatie in. Het systeem, dat zo effectief was op zijn eigen dataset, slaagde er niet in om dezelfde soorten objecten in de nieuwe omgeving te herkennen. Dit gebeurde omdat de afbeeldingen van verschillende scanners er anders uitzien; ze hebben verschillende kleuren, contrasten en achtergrondtexturen, vergelijkbaar met hoe een foto gemaakt met de ene camera anders oogt dan een foto gemaakt met een andere, zelfs bij hetzelfde tafereel. De studie concludeert dat hoewel de nieuwe methode een krachtig bewijs van concept is dat laat zien hoe computers gevoeliger kunnen worden voor verborgen gevaren, het nog niet klaar is voor implementatie in de echte wereld. Het werkt goed in een gecontroleerde omgeving, maar moet verder worden ontwikkeld om de rommelige variëteit van de echte wereld aan te kunnen. Het onderzoek suggereert dat beveiligingssystemen in de toekomst niet alleen accuraat moeten zijn, maar ook transparant over hun onzekerheid, zodat menselijke operators kunnen ingrijpen wanneer de machine het niet zeker weet, in plaats van alleen te vertrouwen op de machine om de definitieve beslissing te nemen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.