摘要：智能化发展是未来各行业改革升级的必然趋势，并且当下人工智能技术发展迅速，在各行业领域中应用广泛。其中，传统安检行业也发生了巨大变化，进一步应用了危险品智能识别技术，一定程度上替代人工作业，提升了安检质量和效率。因此，在今后安检行业发展中要积极应用新技术和设备，促进安检智能化发展，维护社会治安环境。

关键词：人工智能；安检领域；应用

1引言

近年来，随着安检机在火车站、机场、海关旅客检查等区域的应用，我国社会治安环境越来越稳定，人民群众的出行安全得到了更多保障。而在现代化背景下，各种安检设备层出不穷，传统安检设备的缺点越发明显，如安检存在枪支零部件、瓶装酒精等盲区，因而存在较大漏洞。同时，使用人工进行图像判别的安检机会消耗大量的人力资源，所以投入的人工成本较多，甚至高于设备成本，并且人工判图容易受到主观因素影响，如对x射线透视图像错误理解，从而造成误检，漏检。其次，部分安检设备成本过高，对安检人员专业性要求高，并且检测速度缓慢，如毫米波人体安检设备、太赫兹人体安检设备等，所以实际应用并未普遍，还需进一步完善。

随着计算机网络技术的诞生，各行业发展迎来了黄金时期，如今已经在各行业领域中普及，并且20世纪50年代在此基础上研发的人工智能技术，也逐步应用到日常生活和办公中，其通过模拟人类思维，成功实现了计算机的智能化发展，提升了生活质量和办公效率。在此背景下，国家对智能领域也给予了高度关注，出台了《关于促进人工智能和实体经济深度融合的指导意见》，明确指出智能经济形态的基本内涵，要求各行业明确市场需求，落实创新理念，不断探索新时代数据驱动、人机协同的新路径。

在国家高度重视和高要求下，安检行业也结合实际需求，围绕智能化技术进行了改革创新，提出目标识别技术，升级更换有关软硬件，从根本上解决安检盲区、人工成本过高、安检错误率较高等问题，从而在基本保留原有安检模式和设备的同时，实现智能化、网络化、信息化作业，进而提升安检效率，杜绝安检问题。

2分析安检行业未来发展趋势

我国人口密度大，难免存在安全意识淡薄的群众或者违法分子，从而为航空运输、旅检等带来安全隐患，所以在火车站、机场、海关等人口密集区域都要设置安检，以此检测衣服、行李中的危险品，从而保障人民安全。因此，在此类人口密集场合，可以看到安检机、手持式金属探测器、通过式金属探测门等设备，并且一些特殊场所还会设置毫米式安检设备、太赫兹安检设备、痕量爆炸物探测设备等更为全面的安检设备。同时，在现代化信息技术发展背景下，安检设备中也应用了大数据、物联网等先进技术，如目标识别技术可最大程度检出危险品，而大数据平台支持下，未来对重点区域的检测和预警机制会更加完善，安全性更高[1]。

2.1应用先进安检设备

（1）主动式毫米波人体安检设备。该设备通过主动式扫描，利用发射的毫米波进行探测，与微波相比，探测精度更高，在较短的波长范围内可以精准探测，并且穿透能力更强，可以有效探测书本、烟尘等障碍物。同时，该设备具有非电离性，能够避免对人体造成辐射。而扫描方式有垂直阵列旋转扫描、平板扫描等，通过对被检物反射回的数据进行成像，以此发现危险品。

（2）被动式太赫兹人体安检设备。该设备成像与红外成像仪类似，原理简单，不是发射射线以及电磁波探测，而是借助人体、环境、物体的太赫兹波差异进行成像探测，没有辐射危害，不过与毫米波安检设备相比，成像质量容易受到环境影响，因而探测效果与之相比不佳[2]。

（3）安检CT设备。该设备现阶段应用还未普及，存在的缺点较多，如成本高、占地大、噪音大、辐射强、耗时长等。但其具有良好的探测效果，在检测过程中，可以直观展示被检物三维图像，全面识别物体，并且可以检测物质厚度、密度、有效原子序数，从而精准识别毒品等危险品。其使用原理为利用滑环结构，并在滑环上装载射线源和探测器，通过旋转扫描被检物。同时，输送机皮带迅速运行，使被检物被完全覆盖，形成无间隙的三维图像数据。

（4）背散射设备。该设备由于没有外壳防护，所以要在设置防护和监督环境下使用，其强大的穿透能力，可以高效率地检测爆炸物、毒品等一类有机物，目前应用也并未大范围普及。在具体使用中，背散射设备是利用电子反射进行成像，即碰撞中入射电子能量损失小，与反射电子能量值相近，因而能够进行成像。一般背散射电子成像会由于原子序数物质的高低出现明暗差异，这是因为x射线在碰到高低原子序数物质时散射性不同[3]。

2.2应用现代化先进技术

（1）物联网技术。传统安检设备主要以设备自身进行结果存储，并未接入局域网和互联网，因而安检人员要短时间内对物体进行判定，因而容易发生误判。不过应用物联网技术后，可以实现数据传输，不仅安检员可以查看安检结果，监管平台也能接收有关数据，进行存储。同时，这可以实现对安检结果的复核，最大程度避免误检、漏检。其次，物联网技术也可以实现对前端设备的实时监测，从而第一时间发现设备运行问题。另外，通过物联网技术，人脸识别、异常行为分析等技术的可以在安检工作中发挥重要应用，用于分析和跟踪可疑人员和包裹。

（2）大数据技术。目前，各领域运行中都会产生大量的信息数据，安检行业也不例外，在设备运行中，会不断产生数据，如设备运行状态数据、安检员工作行为数据、被检物数据、人员身份数据，通过大数据技术对这些产生的多源异构数据进行分析处理，可以提升安检工作的实际价值。具体而言，安检卡口可以设置多种类型设备，如用于识别证件、轨迹的设备，并利用大数据技术收集和存储，通过智能算法发现卡口流量、包裹种类等数据规律，建立预警模型、风险等级模型等。此外，根据数据分析结果，提前做好应急处理预案，以便于应对突发状况。并且视频监控系统的融入，通过人或包这一单体就可以查询其他数据。

（3）云技术。云技术主要有云计算和云存储技术，可以实现分布式运算和存储，从而提升存储和计算能力，避免安检设备、监管平台出现高强度的计算和存储。其次，云技术能够形成危险品数据集，并实时更新，有助于安检工作及时发现新型危险品。

2.3智能识别技术应用

随着全球科技水平不断提高，智能识别技术的功能越来越完善，如今已经广泛应用到安检行业中，如安检机图像智能识别设备，不仅可以避免人工成本过高，也可以提升安检效率。具体应用如下：

首先，根据设备在进行算法训练时的形式不同，可以分为通用型和专用型设备。通用型设备在算法训练时采用的是多个生产厂商的含危险品图像的不同机型，因而可以适用于多重安检机，不过识别效果不佳。而专用型设备是根据特定的安检机生产的，因而算法训练以单一机型为主，所以精准度较高，到必须与该特定机型搭配使用。

其次，针对不同场景的危险品识别，安检机图像智能识别设备也要做到全面细致的分类，以及个性化识别。一般不同的应用场景对待危险品的划分是不同的，枪支刀具、易燃易爆物品在大多数场景中都被认为是危险品，而机场危险品有打火机、锂电池，但地铁中并没有。电子产品则在飞机、地铁中都不属于危险品，而海关中属于危险品，生物制品则在多数场景中极为罕见，而海关中要严格检测。因此，不同场景下智能识别要做好分类，选择科学的报警联动方式和条件。

最后，智能识别设备可根据形态分为嵌入式设备，即通过硬件计算的设备，能够在较低的功耗下快速计算，应用成本也相对较低，不过需要投入的研发成本过高。另外，还有通过软件计算的服务器设备，能够在较低的成本投入下进行研发，后期调整修改也比较容易，不过具有高功耗、低效率等缺点。

3阐述智能识别算法

就目前而言，机器学习主要为计算机视觉、自然语言处理、语音识别三模块，其中，计算机视觉研究中主要以目标识别为主，众所周知的人脸识别、自动驾驶就是应用了目标识别技术，安检工作中该技术的应用也至关重要。

就机器识别的算法而言，词袋算法、尺度不变特征转换算法的应用时间较长，是最传统的目标识别算法。在具体应用中，前者是对图像进行均匀分割，形成大小相等的图像片段，后通过算法表示，成为和不同比例语言单词类似的局部视觉特征，这些特征就可以构成视觉词汇词典，从而作为目标识别和检索的依据。而后者是检测图像局部特征，通过特征相距最大距离，分析特征尺度和旋转不变量，从而进行识别。

早在2014年，卷积神经网络特征区域方法就被加州大学伯克利分校提出，其构建的特征层次结构，可以进行准确目标检测以及语义分割，具体而言，该方法在目标定位、目标分割时可以自下而上利用大型卷积神经网络，具有良好的效果。同时，当算法训练中应用的训练数据较少，不满足训练要求时，该方法的应用可以对辅助任务开展预训练，并进行监督，之后可进行特定任务的调整优化，从而减少运行参数，提升识别性能。目前，该方法成果显著，不过训练R-CNN问题依然存在，需要最后进行支持向量机分类器训练，在这之前则要生成方案，提取CNN特征，并完成各区域应用。

随着时间推移，R-CNN的应用更为普遍，而在2015年出现的Fast R-CNN与其极为相似，使用的方法是选择性搜索生成对象，不过存在的差异是比较明显。如R-CNN在提取各区域特征时是独立的，后利用SVM分类器，而Fast R-CNN则在完整的图片上应用CNN，并对特征映射进行兴趣区域池化，分类以及回归则之后利用前反馈网络实现。与R-CNN相比，该方法的速度比较快，并且使模型实现了端到端的可微性，也为算法训练提供了可靠条件，这与Rol池化层和全连接层的应用息息相关，不过该方法对选择性搜索的依赖也是比较明显的缺点。

此外，更加简单的卷积神经网络法在一篇由Joseph Redmon发表的有关统一实时对象检测的论文中出现，论文指出该法具有更准确的结果和更快的速度，也是首次实现实时对象检测。随着科研人员的进一步研发，Faster R-CNN作为Fast R-CNN的进一步升级版诞生，在其基础上增加了区域生成网络，用于输出对象，并通过Rol池化层和全连接层分类，解决了其对选择性搜索的依赖。

为了提升算法性能，可以进一步扩大神经网络规模，通过更大的神经网络，得到大量的隐藏节点和隐藏层以及权重系数，从而以便于在大量数据支持下进行算法训练，由此可得，神经网络规模与算法性能息息相关，可以为其提供更多的训练数据。

4现阶段存在的问题

机器智能化发展，需要通过算法、算力、数据三方面基础支撑，因而在机器深度学习中这三方面是重点内容。

（1）算法分析。目前，随着危险品分类的细致化，为了确保识别准确率、分类准确率，往往会增加算法的复杂程度。对此，现阶段算法改进中，应该综合分析安检机特点、危险品种类，尽可能降低算法复杂度，提升算法的准确率、召回率。其次，现阶段算法对训练数据的高需求，以及执行效率也应得到改善。

（2）算力分析。算力也是现阶段急需提升的部分，通过对该部分强化，可以扩大智能分析设备的数据处理能力，同时支撑多台安检设备的复核。现阶段流水线和并行化技术在电路计算中的应用，有效解决了操作系统任务调度问题，使预算效率得以提高，不过研发难度大、投入高、周期长这一缺点也比较明显。在具体的深度学习中，CPU即中央处理器、GPU即图形处理器、FPGA即现场可编程门阵列、ASIC即专用集成电路都在运算中起着决定性作用，特别是专用集成电路能够提升超过一千倍的计算速度，因而在今后有待进一步应用。

（3）数据分析。不同应用场景和生产厂商下形成的安检图像是不同的，因而需要信息具有准确性和完整性，从而保证图像的价值体现。其次，在算法训练中需要综合考虑各种类型的数据，而枪支弹药、毒品、爆炸物等严重违禁品以及象牙等生物制品很难获得，导致算法训练时缺乏此类物品的数据支持。因此，实际检测中的准确性就很难得到保障，所以公安、海关等部门要协同合作，加强数据共享，以此为算法训练提供可靠数据，提升智能识别质量。

5总结

综上所述，智能化发展正在改变着人类生活，在未来各行业发展中必然以人工智能为主，所以安检行业改革创新也要加强人工智能技术的应用，重视对算法、算力、数据三方面的强化，从而提升航空运输、旅检等场景安检设备对危险品的识别能力。同时，深入分析安检行业智能化发展问题和重点，探索新时代的发展路径。

参考文献：

[1]米仲勇.人工智能技术在高铁安检系统中的前瞻性应用[J].电子技术与软件工程， 2017（12）：254-255.

[2]陈燕蝶.人工智能在安检工作的应用研究[J].电大理工， 2022（2）：65-71.

[3]邵常清.人工智能的十大应用领域[J].张江科技评论， 2021（5）：2.