打开文本图片集

摘要：科技兴警战略下，大数据分析在公安边境管控中的应用与挑战是当前社会安全领域面临的重要课题。随着科技的不断发展和普及，大数据分析已经成为公安边境管控的重要手段之一。通过对大数据的收集、整合和分析，可以更好地了解边境地区的安全状况，及时发现和应对潜在的安全风险，提高公安边境管控的效率和精准度。本文正是基于上述问题探讨了基于CNN（Convolutional Neural Networks）算法和注意力机制的边境物品检测模型，试图通过大数据分析技术对边境公安管控的物品图片数据集进行特征提取，并建立识别模型，以此减少人工识别，并提高边境公安管控物品识别的精准率。实验结果证明了CNN算法在识别雨伞、手枪、金属杯、刀具、电脑和剪刀物品的准确率分别97.43%、95.11%、93.86%、98.21%、86.05%和98.13%，比YOLO（You Only Look Once）算法高出11.04%、11.43%、11.56%、14.36%、3.30%和18.68%。

关键词：公安边境管控；图像识别技术；大数据；CNN算法

I.前言

随着现代科学技术的迅猛发展，以及人工智能、云计算等先进科技思想的广泛普及，人类社会已经步入了基于大数据的新的信息化时代。在这种情况下，加速新工艺的研发，扩大实用技术的适用领域，就成了世界各国进行探索和研究的重点。公共安全管理系统是城市建设与人民群众生命安全的重要保障，通过对大数据的挖掘，完善已有的技术体系，既可以有效地解决过去管理体制中的不足，又可以为警务侦查与管理实践提供有力的技术支撑。

本文在第3章介绍了公安边境管控和基于CNN算法的边境安全检测模型，在第4章介绍了

基于CNN算法的边境物品检测模型的实验对比分析结果，最后作出了全文的总结。

II. 相关工作

对公安边境管控，早有专家对此作出专门的研究。Martins B O将“安全化”理论与科技研究有机地融合起来，首先阐明边界技术中所体现的价值观念往往包括关于移民安全的认识，然后指出，到达欧洲的移徙者是怎样被认为是一种潜在的安全威胁，并被认为是需要救助和保护的人。这些架构激发出一种“安全”动力，把移民问题描述为当前科技能够处理的难题[1]。Wong Villanueva J L以“治理-集成-协同”为切入点，构建“治理-集成-协同”的边界管理理论分析框架，并给出评价指标。研究发现，跨尺度（区域、部门等）的“环境驱动型”治理模式源于区域与部门间的交互作用，而强化各层级间的关联则有助于形成更优的治理格局[2]。Lima R C对国家安全政策制定和国防部门的关系进行了分析。分析显示，在内部安全问题日益复杂化的背景下，民间政治精英推动军队参与公共安全、边境安全以及国家安全政策制定等问题[3]。Brandariz J A以西班牙刑法移民法中若干（但不是惟一）为例，探讨了对非公民实施的管制犯罪行为和整体刑法制度产生重大影响的所谓“工具主义”战术[4]。Bellanova R以美国旅客姓名档案为基础，以跨大西洋为基础，结合欧洲-美国旅客姓名档案及恐怖分子资金追踪方案，对算法管制进行了研究，对算法安全性及其在物质、法律和政治方面的进行了批判性阐释[5]。

Panebianco S在分析地中海移民问题时，发现欧盟在应对过程中存在着诸多冲突，特别是在地中海地区，通过将外来人口纳入到移民管理体系中，使其成为移民危机的管理者，从而实现对其边境的管控。这一政治过程发生于2015年，在欧洲大陆引发了一场关于移民安全问题的恶性循环[6]。Schaap D从社会与制度的视角出发，采用比较与动态的观点，勾勒出一种了解公安机关建构诚信策略的途径[7]。Rigaux C考虑到警方在争取明显的少数民族上仍有困难，他回顾了少数民族警务人员对他们遇到的阻碍。调查发现，社群回馈、自主性、事业发展机会与团体合作等因素，是影响警务公务员职业发展的重要因素[8]。Pinto Hidalgo J J利用地理空间智能和人工智能来检测遥感图像中的这些物体并识别它们的地理位置，分析了泛化能力并进行了不同的实验，以证明所提出的方法如何加强打击毒品贩运的干预策略[9]。Bircan T以个人隐私与移徙权利为切入点，以大数据为研究对象，通过对跨国流动人口流动行为的分析，实现对跨国流动人口的有效管控[10]。

Kithii N N研究了多部门司令部战略，以便为国家安全提供跨越国界的用途，使用 SPSS 27版的社会统计软件对数据进行处理。这份报告建议，在一个多部门的指挥中心，应该强化信任领导的培训，并且根据他们的专业知识，提升各个部门的合作能力。迫切需要部署更多的边界情报人员，以更有效地保护国家的边界[11]。针对跨国数据的安全性评价与风险管理，各国纷纷制定了相应的法律、法规与评价准则。Li J在单个机构视角下，将多国有关风险评价的准则进行集成，以引导风险因子的辨识与判定。在此基础上，建立跨国数据流风险评价的指标体系[12]。Huang L结合广西的实际情况，对数字治理背景下的城市社区治理进行了初步探索。并以此为基础，对边境民族地区城市社会治理进行了实证研究[13]。Sadri E通过适当评估港口的绩效指标，可以为这些港口制定发展政策。他提出在港口绩效评价领域引入了一种基于绿色和智能成分的新方法。结果表明，只有5%的港口符合智能化和绿色化标准[14]。Beduschi A考虑如何利用人工智能技术来解决出入境管理问题。他从法律、政治、技术等多个领域的学术文献出发，分析当今科技发展的动态，并讨论其对跨国人员流动的影响[15]。

现有公安边境管控决策的缺点有：1）缺乏智能化技术支持：现有的公安边境管控决策多依赖人工判断和经验，缺乏智能化技术支持，导致决策效率较低。2）信息不及时共享：边境管控涉及多个部门和地区，信息共享不畅，导致信息不及时、不全面，影响边境管控决策的准确性和有效性。3） 缺乏跨部门协同：边境管控需要多个部门协同作战，但各部门之间协作不够紧密，导致决策执行效率低下。4）缺乏科学化数据支持：现有的边境管控决策多基于经验和主观判断，缺乏科学化数据支持，容易出现决策偏差。5） 缺乏国际合作：边境管控需要与其他国家开展合作，但现有合作机制不够完善，影响了边境管控的整体效果。

III. 方法

3.1公安边境管控

传统的治安防控工作多采取“人海战术”的方式，对执法人员的体力和耐力提出了更高的要求，浪费了大量的资源和资源，增加了治安管理的难度。“智慧公安”就是运用大数据和互联网等技术，统筹社会治安各个部门的工作，通过对信息的灵活运用和合理使用，使治安管理成为一种智能化的管理方式，是一种新型的、具有很强的社会治理能力。“智慧公安”建设了一个完备的大数据链条，充分运用大数据，对社会环境中的人、车、物等多要素进行全面的分析，能够预先判定各种违法犯罪行为，为应对各种类型的案件做好准备，为公安机关的内部管理工作提供强有力的支持。

利用大数据可以有效地增强管控主体的分析与决策能力，增强其从现象中把握趋势、规避风险的能力，从而提升中国边疆控制的科学水平。在“数据治国”与“数字国防”背景下，党政军、和公安等部门必须按照“偱数治理”的理念，努力成为边界大数据的搜集者、传递者、分析者、使用者和共享者，打破以往以经验为基础的路径依赖，实现对边界大数据的有效利用。大数据最大的优点，就是可以为边界控制的决策提供准确的基础和快速的方便。本文能厘清边界控制决策过程中多个变量间的内在关系，从而改变过去依靠传统的信息收集、简单调查等方式进行决策的惯性思维；该方法能够很好地解决由局部变化推断整体发展，由局部变化预测未来发展的难题，从而降低决策错误。

3.2基于CNN算法的边境安全检测模型

（1）数据增强

安全检查数据库使用的图像来自安全检查X光机，在图像采集过程中，尽可能地获得了不同角度和背景的图像。本文在采集到的管制器材影像样本前，先去除影像样本中的无用内容，再将影像资料过滤，再以人工方式加以标记。在获取的样本数量非常少的情况下，为防止过度拟合和增强网络的推广性能，模型将使用随机微扰、旋转等方法来增强数据集[16-17]。

（2）多尺度特征

在Fast Region-CNN、Faster Region-CNN中，只使用一层特征图进行目标检测，然而，这种方法对于尺度和长宽比变化范围较大的目标难以得到较好的结果[18-19]。实际上神经网络不同层上可以学到不同尺度的特征，浅层特征图拥有高分别率小感受野适合用来检测小目标，深层特征图拥有更加丰富的语义信息，对光照、平移的鲁棒性更好，且具有大感受野，更加适合检测出大目标[20]。所以当检测小目标时，需要高分辨率特征，而深层特征不具备需要的大分辨率，使得小目标检测困难，有一些技巧，如空洞卷积使得深层也获得高分辨率信息。同时，因为浅层没有足够大的感受野使得浅层检测大目标不是最佳方案，所以处理多尺度特征问题是目标检测中的一个基础性问题，常用到四种方案：图像金字塔、预测金字塔、特征整合、特征金字塔。

（3）尺度空间理论

尺度空间的生成是为了模拟图像数据的多尺度特征，高斯卷积核是尺度变换的唯一线性核实现，以下公式（1）为一副二维图像的尺度空间定义：

式（1）中，为尺度可变高斯函数，（x ，y）是空间坐标，是尺度坐标。图像的平滑程度由 的大小决定，图像的概貌特征由大尺度来对应，而图像的细节特征由小尺度对应。

其中，用k个高斯卷积核分别与二维图像卷积，得到h幅具有不同尺度的图像。最后将这幅图像中相邻的两幅两两相减，得到具有不同尺度的高斯差分图像。

（4）注意力监督下采样

机器视觉注意机理的核心是通过训练系统学习注意，在不相关信息的情况下，只关注关键信息，从而提高编码器的特征抽取能力。注意机制大致可分为硬注意（Hard-attention）和软注意（Soft-attention）。硬注意力实质上就是一个0或者1的判断，它指出了哪个区域受到了关注。图像剪切是目前最为人们所熟悉的图像处理技术。软注意力实质上是一类[0，1]的连续分布问题，在此基础上，有选择的将剩余的信息进行再权重融合。两者最大的不同是，硬注意是不能差的，需要通过强化学习才能实现；而软注意则是可差分的，可以通过计算梯度，并通过双向传递的方式获得权重。对于边境违禁品的识别可以进一步通过注意力机制加强基于CNN算法的边境违禁品识别的精度。

IV. 结果和讨论

4.1数据采集与预处理

本试验所使用的资料，是由安检机所收集的资料，经过后加工而成。首先，对经过安检的图像进行投影和存储，再对其进行常规的图像处理，再对其进行剪切等运算，使之成为适用于深度学习的图像。利用 Labellmg软件对所要检查的项目做标记。本研究共收集了8个项目，其中3个是危险物质，5个是日常生活中经常使用的。项目的类别和所含的量见图1。

图1中的不同类别的图像至少也有599张，足够用作本文实验的数据训练。为使模型具有稳健性，必须在图1数据中加入适当的数据增强。在探测任务中，无法直接对图像进行旋转、平移和翻转等传统的图像增强技术。由于在处理图象时，物体的位置会发生变化，也就是物体的边框也会发生变化。在此试验中，本文采用了一种新的方法来改变物体的边缘，使得物体在进行旋转、平移、翻转等操作时，物体始终保持在一个框中。

4.2训练结果

从图2中可以看出，CNN算法和YOLO算法的迭代过程的达到收敛的迭代次数都是20000左右，但是CNN算法的Loss值可以达到1左右，YOLO算法的Loss值达到了3左右。说明了2个算法的计算过程速度相差不大，但是就收敛效果而言，CNN算法更胜一筹。CNN算法比YOLO算法收敛效果更好的原因主要是：（1） CNN算法在图像识别领域应用广泛，经过多年的发展和优化，具有更加成熟的网络结构和训练方法，能够更快地收敛到较好的结果。（2）YOLO算法虽然在目标检测任务中表现出色，但其设计更加复杂，需要更多的参数和计算资源，导致训练过程更加困难，收敛速度较慢。（3）CNN算法通常使用预训练的模型进行微调，可以更快地适应新的数据集，而YOLO算法需要从头开始训练，需要更多的迭代次数才能取得较好的效果。综上所述，CNN算法在图像识别任务中的收敛效果更好可能是由于其成熟的网络结构和训练方法，以及更高的训练效率所致。

4.3识别效果

总结图3中的CNN算法和YOLO算法对边境物品识别的效果：

（1）准确率

CNN算法在识别雨伞、手枪、金属杯、刀具、电脑和剪刀物品的准确率分别97.43%、95.11%、93.86%、98.21%、86.05%和98.13%，比YOLO算法高出11.04%、11.43%、11.56%、14.36%、3.30%和18.68%。但是CNN算法在识别塑料杯和手机的准确率是78.47%和81.05%，比YOLO算法低了8.28%和4.67%。总的来说，CNN算法在识别物品的准确率是高于YOLO算法的。

（2）查全率

CNN算法在识别雨伞、金属杯、塑料杯、手机、电脑和剪刀的查全率分别是78.43%、79.84%、78.60%、78.27%、78.46%和80.38%，比YOLO算法高出了1.28%、4.13%、0.64%、5.34%、3.19%和7.81%。CNN算法在识别手枪和刀具的时候比YOLO算法少了0.73%和0.69%。总体来说，CNN 算法的查全率也比YOLO算法更加优秀。所以CNN算法是可以保证较高的准确率的同时识别的图片比YOLO更加全面。

（3）F1

CNN算法在识别雨伞、手枪、金属杯、塑料杯、刀具、手机和剪刀的F1值分别是75.93%、67.87%、62.88%、75.53%、74.15%、68.71%和75.18%，比YOLO算法高出了19.02%、0.31%、2.74%、7.34%、15.91%、3.33%和0.40%。CNN算法在识别电脑的时候F1是63.79%，比YOLO算法少了10.01％。上述数据表示模型在识别边境物品时同时具有较高的精确度和查全率，即更准确地识别出目标物品并且漏报率较低。因此，基于CNN算法的边境物品识别可能在准确性和全面性方面表现更好，相比之下，YOLO算法可能在某些方面表现不如CNN算法。

4.4算法识别的时间

从表1中可以看出，CNN算法的识别时间最大是0.0987ｓ，最小是0.0088ｓ。YOLO算法的识别时间最大是9.1ｓ，最小的识别时间是5.69ｓ。因为CNN算法在处理图像时可以更有效地利用硬件资源，例如GPU（graphics processing unit）加速，从而提高计算效率。此外，CNN算法在一些情况下可能具有更简单的网络结构，导致计算量较少，从而加快物体识别的速度。另外，CNN算法可能对输入图像进行更有效的预处理，减少了处理时间。综合来看，这些因素可能导致基于CNN算法的边境物品识别的时间比YOLO算法少。

V. 结论

科技兴警战略下，大数据分析在公安边境管控中的应用具有重要的意义和价值，可以帮助公安机关更好地了解边境地区的安全状况，提高边境管控的效率和精准度。但同时，大数据分析在公安边境管控中也面临着一些挑战和困难，需要公安机关加大投入和支持，加强技术研发和人才培养，不断完善大数据分析技术和应用，提高边境管控的水平和能力。本文正是基于上述问题，探讨了基于CNN算法的边境物品图像识别模型，并在模型中引入注意力机制，通过处理后数据库的图像进行训练，提取边境物品的特征，构建数学模型，本文将构建的CNN算法模型与YOLO算法进行对比分析。

参考文献

[1] Martins B O，Jumbert M G.欧盟边境技术与安全“问题”和“解决方案”的共同产生[J]。《民族与移民研究杂志》，2022，48（6）：1430-1447。

[2] Wong Villanueva J L，Kidokoro T，Seta F.跨境一体化、合作与治理：评估跨境地区“良好”治理的系统方法[J]。《边疆研究杂志》，2022，37（5）：1047-1070。

[3] Lima R C，Silva P F，Rudzit G.没有权力真空：巴西的国家安全忽视与国防部门[J]。国防研究，2021，21（1）：84-106。

[4] Brandariz J.A.定罪还是工具主义？边境犯罪学研究的新趋势[J]。理论犯罪学，2022，26（2）：285-303。

[5] Bellanova R，De Goede M.安全的算法监管：基础设施视角[J]。监管与治理，2022，16（1）：102-118。

[6] Panebianco S.欧盟与地中海移民：欧盟边界代理控制[J]。民族与宗教杂志

[7] Schaap D.警察建立信任战略。一种社会制度的比较方法[J]。警务与社会，2021，31（3）：304-320。

[8] Rigaux C，Cunningham J B.加强加拿大警务机构中可见的少数族裔警官的招聘和留用[J]。警务与社会，2021，31（4）：454-482。

[9] Pinto Hidalgo J J，Silva Centeno J A.用于检测委内瑞拉和哥伦比亚边境地区潜在古柯酱生产基础设施的地理空间智能和人工智能[J]。应用安全研究杂志，2023，18（4）：1000-1050。

[10] Bircan T，Korkmaz E.大数据是为了谁？人工智能治理移民[J]。人文社会科学传播，2021，8（1）：1-5。

[11]Kithii N N， Odhiambo E O S. Impacts of Using Multi Agency Command Centre Strategy on National Security at Isebania Trans-Border， Migori County， Kenya[J]. Open Access Library Journal， 2023， 10（9）： 1-23.

[1]Li J， Dong W， Zhang C.Development of a risk index for cross-border data movement[J]. Data Science and Management， 2022， 5（3）： 97-104.

[2] Huang L， Yang X， Qin Y.A Study on the Path of Digital Technology to Improve the Level of Municipal Social Governance in Border Minority Areas—Taking Guangxi Zhuang Autonomous Region as an Example[J]. Academic Journal of Humanities & Social Sciences， 2023， 6（5）： 117-125.

[3]Sadri E， Harsej F， Hajiaghaei-Keshteli M.Evaluation of the components of intelligence and greenness in Iranian ports based on network data envelopment analysis （DEA） approach[J]. Journal of Modelling in Management， 2022， 17（3）： 1008-1027.

[4]Beduschi A. International migration management in the age of artificial intelligence[J]. Migration Studies， 2021， 9（3）： 576-596.

[5]Chandraprabha M， Dhanaraj R K. Adaboost CNN with Horse Herd Optimization Algorithm to Forecast the Rice Crop Yield[J]. International Journal on Recent and Innovation Trends in Computing and Communication， 2023， 11（4）： 192-203.

[6]Wu J M T， Li Z， Herencsar N.A graph-based CNN-LSTM stock price prediction algorithm with leading indicators[J]. Multimedia Systems， 2023， 29（3）： 1751-1770.

[7]Permana S D H， Saputra G， Arifitama B.Classification of bird sounds as an early warning method of forest fires using Convolutional Neural Network （CNN） algorithm[J]. Journal of King Saud University-Computer and Information Sciences， 2022， 34（7）： 4345-4357.

[8]Watanobe Y， Rahman M M， Amin M F I.Identifying algorithm in program code based on structural features using CNN classification model[J]. Applied Intelligence， 2023， 53（10）： 12210-12236.

[9]Rammo F M， Al-Hamdani M N. Detecting the speaker language using CNN deep learning algorithm[J]. Iraqi Journal for Computer Science and Mathematics， 2022， 3（1）： 43-52.