介紹一下近些年在安檢領域比較熱門的雙能（能譜）CT技術和基於深度學習的影象識別技術。

安檢CT

近十幾年來，隨著科學技術的發展和製造水平的提升，以通道式 X 光機為主的安全檢查裝置在機場、海關、車站、公檢法機構、大型活動現場等場所得到了廣泛的應用，對預防和制止爆炸、槍擊、行兇等案件發生，具有重要的意義。

車站安檢：

通道式 X 光機的透視成像圖為物體在垂直於 X 射線平面的投影圖，投影圖中畫素點表徵射線衰減情況，難以穿透的區域（射線衰減大）以深色顯示，容易穿透的區域（射線衰減小）以淺色顯示。在通道式 X 光機的透視成像圖中，刀具、棍棒、槍支等金屬危險品具有較為明顯的輪廓和顏色，容易被識別出。

刀具識別：

而易燃易爆的液體、固體爆炸物和毒品的透視成像圖與生活中常見的飲料、化肥、洗衣粉、奶粉等相似，難以被有效識別。通道式 X 光機進行安全檢查時，還存在空間解析度有限、無法分辨出複雜背景中疊放的物質、無法測定物質的真實密度、也無法準確測定物質的有效原子序數等問題。

上世紀 90 年代，美國的 Invision 公司和 L-3Comm 研發出了基於 X 射線的計算機斷層成像安檢裝置，並相繼透過美國聯邦航空管理局（Federal Aviation Administration，FAA）的認證，開啟了基於 X 射線的計算機斷層成像技術 在 安 檢 領 域 的 應 用。2018 年 12 月， 國 家 標 準 GB/T 37128-2018《X 射線計算機斷層成像安全檢查系統技術要求》正式釋出，從功能、效能、電氣安全、電磁相容適應性和環境適應性等多個角度規範了 X 射線的計算機斷層成像裝置，使得安檢計算機斷層掃描（Computed Tomography, CT）裝置的設計、製造、驗收和使用有據可查，也為安檢 CT 裝置的廣泛應用奠定了基礎。

在安檢領域的檢測手段中，CT 技術是比較成熟並逐漸成為重要的技術手段。由於 CT 技術能夠使得安檢無需開箱，實現行李的快速、三維成像檢查，有效地識別隱藏的物體，其漏報率和誤報率遠低於其他準實時成像檢測系統，因此，該技術具有獨特的技術優勢。

與醫療CT和工業 CT 相比，安檢CT的主要特點是：

1）被檢物種類複雜，多為體積較小的物品，採用低能量的 X 射線源；

2）以成像為主，同時關注空間分辨、圖象質量及密度識別；

3）在結構上，採用被檢物平移、射線源和探測器旋轉的掃描方式，掃描速度要求高；

4）系統具有智慧分析及報警功能，輔以人工分析。

與傳統的 X 光機相比，安檢 CT 的主要特點是：

1）檢測時無需開箱，實現行李的快速、三維成像檢查；

2）顯示內容豐富，可以顯示被檢測物的三維影象，能夠確定物質厚度，有效地識別隱藏和疊壓的物體；

3）可準確計算被檢測物質的密度以及有效原子序數，識別爆炸物和毒品；

4）可精確定位爆炸物 / 毒品在行李中的位置，降低了人為因素的影響；

5）漏報率和誤報率極低。

雙能（能譜）CT

CT系統常以X光機作為射線源，假設其發出的射線是單一能量的，則根據比爾定律可得單色能量射線穿過物體衰減投影公式：

其中，I表示探測器工作通道接收到的被物質衰減後的輻射強度，I0表示探測器通道接收的未衰減的輻射強度，μ表示線性衰減係數。p(s)為函式沿著路徑s的線積分投影值。

但是，通常只有使用同步輻射X光源或放射源作為射線源時，射線才具有單一能量，此時單色投影公式才是準確適用的。而CT系統的射線源多為X光機，其發出的射線是具有連續多色能量分佈的射線能譜，物質對射線的衰減值是與能量密切相關的，不能簡單利用單色投影公式作為投影資料的數學表達。

在實際系統中，多色投影的連續能譜分佈不光由X射線能譜S(E)決定，還會受到探測器能量響應函式μ(E)的影響，所以投影資料對應的能譜是一個綜合射線能譜。為了表述簡潔，這裡將綜合射線能譜稱為系統能譜，用D(E)表示：

綜合以上描述，將多色能量X射線衰減規律表示為：

式（3）也稱寬能譜射線條件下的Beer定律，以此為依據得到能譜射線投影公式：

式(4)較單色投影式(1)增加了對系統中能譜資訊的表達，理論上是一種更加精確的投影表示式。正是由於傳統CT成像無法處理能譜資訊，只能將多色投影資料簡化近似為單色投影，所以才會在重建影象中引入大量偽影資訊。使用相應的雙能CT重建演算法，則可獲得被檢物的物質資訊。

雙能CT重建演算法的簡單思路與計算流程：

X光雙能CT成像利用物質對不同能量X光的衰減效應不同的物理性質，採集兩套不同能量(譜)下的CT資料，透過特殊的重建方法，以獲取比傳統單一能量得到的CT影象更豐富的物質分佈資訊。雙能CT可以近似重建任意單能下的衰減係數影象或電子密度和等效原子序數分佈圖像對等。一方面，雙能CT對於區分密度相似而原子序數有差異的物質具有特殊優勢；另一方面，雙能CT可以很好地解決由傳統CT的多色譜造成的同種材料不同影象和不同材料同樣CT值的問題。由於雙能CT資料給出一系列單一能量衰減係數影象(無硬化偽影)，這樣的系統也被稱之為能譜CT。雙能CT技術在安檢領域得到了廣泛的研究和應用。該技術能夠準確地重建物質的有效原子序數和密度資訊，進而達到分辨物質種類的目的，有效地降低誤報率。

包裹實物圖：雙能CT在安檢物質識別中的應用：基於深度學習的影象特徵識別

為了保證公共交通運輸的安全性，X 光包裹安檢顯示系統已經被廣泛地運用到各個機場和車站。但是，人為識別的效率和準確率還是不夠高，因為人為觀察大量的包裹影象是一個枯燥的工作，安檢員會在長時間的工作中分心，很難保證危險違禁物品在人為安檢過程中被漏掉，因此催生了自動化智慧安檢機的出現。當前 X 光行包檢測主要依靠顏色分析法和形狀分析法，這兩種方法都是靠安檢員人工看圖和人工判圖，其準確性依賴於安檢員的自身經驗，速度受限於安檢員的工作負荷，兩者效率都不易進一步提高。因此，面向高通量場景下，對行包中槍支、管制刀具和打火機等典型違禁品進行高速自動識別的需要，針對當前人工看圖和判圖效率不足的問題，研究並突破典型違禁品的影象自動識別匹配和原子序數特性分析等關鍵技術，實現對行包中典型違禁品的自動識別和匹配的能力，達到對典型違禁品較好的自動識別，從而較大地提高安檢效率。

深度學習是透過逐層構建多層網路，使裝置獲得更細節的特徵且計算效率較高，因而近年來受到廣大科研工作者的熱捧。深度學習技術在智慧裝備領域產生了巨大影響。

在Hinton科研小組贏得 Image Net比賽半年之後，Google和百度等公司都發布了新的基於影象內容的搜尋引擎。它們繼承了Hinton在Image Net比賽中採用的深度學習網路架構，並應用在各自領域中，發現影象搜尋的準確率得到了較大提升。Facebook 公司於 2013 年 12 月在紐約成立了新的人工智慧實驗室，聘請了深度學習領域的著名學者，卷積網路的發明人Yann Le Cun作為首席科學家。2014 年 1 月，Google公司花費四億美金收購了一家深度學習公司Deep Mind，而百度公司在 2012 年就成立了深度學習研究院，2014 年 5月在美國矽谷又成立了新的深度學習實驗室，聘請斯坦福大學的吳恩達教授擔任首席科學家。鑑於深度學習在學術界和工業界的巨大影響，MIT Technology Review 將其列為世界十大技術突破之首。

隨著區域性卷積神經網路（RCNN）的出現，深度學習方法在安檢違禁物品智慧識別中成為一種流行 的 算 法。 基 於YOLO（You Only Look Once） 和SSD（Single Shot Detection）兩種演算法架構的深度學習演算法獲得的網路可以直接輸出多個目標以及這些目標的位置，它們在訓練到演算法實施過程更加的高效，這使得它們也成為安檢智慧識別中的兩種主流演算法架構。而這兩種目標識別演算法架構又是可以基於不同的卷積層階結構的，為了提高識別的效果，在實際的實施過程中研究人員和工程師們首先嚐試的是改進卷積層 的 結 構。

Krizhevsky等 人 提 出 的Alex Net結 構、Zeiler和 Fergus提 出 的ZFNET結 構、Simonyan和 Zisserman提 出 的VGGNET結 構 都 在YOLO和SSD目標識別架構中得到了嘗試。

儘管這些不同卷積層結構採用了不同的方式來表徵影象資訊然後與全連線層的神經元相連，但是在實際測試效果中，可以總結以下特性：卷積層越深，全連線層的維度越大，訓練好的網路識別效果越好，但是訓練的時間以及識別演算法的執行時間都會增加，收斂的難度也會加大；訓練樣本越豐富，結果也是越好，但是獲取樣本的時間人力成本也會增加。

深度卷積神經網路是一種機器學習演算法架構，同其他機器學習演算法的目的一樣，深度卷積神經網路是一種為了獲得輸入到輸出的非線性非顯式對映的演算法。該架構是透過不同階層的卷積核引數將原始資料（比如影象）改變維度，然後再與神經元多層連結。學習的過程就是迭代調節卷積核引數和神經元引數的過程。該方法既可以使資料集中含有的先驗知識影響到原始資料的輸入引數上，同時可以更好地限制模型引數在學習過程中的變化，保證其收斂。

對於採集的雙能CT影象，要針對初始化輪廓、生長準則以及方向，考慮包裹中塊狀結構的特點，現階段有研究人員採用一種改進的幾何形變模型演算法對影象進行分割。

影象分割演算法框架：

研究人員採用Faster R - CNN進行影象的特徵提取。Faster R-CNN 將區域建議和 Fast R-CNN 融合在一個網路模型中（區域生成網路 RPN層），用 RPN 網路代替了 Selective Search，且預測的絕大部分高質量侯選區可以在GPU中完成，使得目標檢測的速度大幅度提升，產生建議框的網路和目標檢測網路進一步共享卷積特徵，實現端到端的檢測。

Fast R-CNN 網路結構如下圖，整體檢測框架大致為：

該方法分為訓練和檢測兩個階段，如圖所示，可以實現被檢物體的精確定位以及特徵提取。

基於 Faster R-CNN 的燃爆物特徵提取：結語

雙能甚至多能的 X 射線掃描機相對單能的 X 射線機器可以具有更多的資訊量，可以幫助在複雜的包裹環境下識別不同的物質，對輪廓資訊不是很明顯的違禁物品可以起到很大的輔助作用。這將會大大提高對不同物質的分類的能力，即使是在好幾種物質疊加在一起的時候。

基於深度學習的影象自動檢測方法能夠自動檢測管制物品目標，從而能夠有效減少人力資源，提高企業的生產效益。該裝置在實際應用中需求迫切，可以幫助維護社會治安、保障公共安全。當前國際、國內反恐局勢都非常嚴峻，管制物品自動檢測系統能夠提高包裹的檢測速度，並且其穩定性相對人工來說更好。

成像技術在探測人體隱匿物品方面有著重要的應用。透過介紹人體隱匿物品探測成像系統的應用，分析總結了當前主流的幾種成像體制，系統全面地闡述了人體隱匿物品探測成像系統的國內外發展狀況及最新成果，分析具有代表性的公司及研究院所成像系統外觀、成像效果、效能指標，分析了其成像原理。探討了成像系統的發展趨勢， 為未來成像技術的發展提供了基本參考。

近年來，安全問題日益得到世界人民的關注，對安檢系統的可靠性與智慧化也提出了更高的要求。傳統的金屬探測器只能對近距離小範圍目標進行檢測，效率低，已遠遠不能滿足安檢的需求。紅外線成像技術是靠物體表面溫度成像，在有織物遮擋的情況下無法清晰成像。而X 光透視技術、X 光背散技術、毫米波技術應用而成的成像系統則均可以檢測出隱藏在織物下體表的金屬物體，還可以檢測出塑膠手槍，炸藥等危險品，獲得的資訊更加詳盡，準確，可以大大地降低誤警率，而 X 光透視技術的成像系統對體內藏毒等有明顯的檢測效果。因此，近年來成像技術在人員安檢等方面得到了更加廣泛的應用。

成像系統具有代表性成果的研究機構主要包括毫米波成像系統以美國 Millivision 公司,L-3 公司為代表，X 光背散式以 AS&E 的smartcheck 為例，X 光透視以啟路達公司產品為例。

1、毫米波成像系統

毫米波成像系統一般有主動和被動兩種工作模式，在探測人體隱匿物體的應用中，被動工作模式佔據了主要地位。一般來說，被動毫米波成像系統由接收天線、毫米波輻射計、掃描機構和訊號處理單元組成。系統的溫度解析度和空間解析度是衡量成像效果的重要引數。室內成像相對於室外成像，需要更高的溫度解析度。

毫米波掃描器發出的稱為毫米波十到一毫米的波長，這些波被視為極高的高頻（EHF），產生最高的無線電波頻率。範圍從 30 到 300千兆赫的頻率，這些波也被稱為赫茲輻射。

在上世紀90年代中期，美國Miliimetrix公司開始投入財力和物力進行第一代毫米波輻射計成像系統研究。最早採用的單通道掃描輻射計成像系統完成一幅影象需要30min 。為縮短成像時間Miliimetrix（現Millivision）公司研製出了含有8個通道的輻射接收模組，8個模組組成8×8的陣列。但是他們在研製256×256

陣列時碰到了諸多問題，如靈敏度不夠，很難保持各通道靈敏度和增益的一致性，不能實現平面掃描來得到足夠多的畫素以獲得完好的影象等，影象畫素僅為100×100。

美國L-3公司的成像技術毫米波輻射寬頻模式工作、三維成像的特性。單頻點工作的成像系統，不具有三維成像能力。只有採用寬頻帶工作模式，才可產生距離向解析度，從而得到三維全息圖。該成像系統的線陣掃描子系統。左側為兩排介質杆天線，每排64個，分別作為發射天線和接收天線，兩排縱向間隔為半個單元間距。天線後方是兩級SP8T單刀8擲開關。透過邏輯電路，可以實現在每一個工作時刻，下排相鄰的兩個天線單元接收來自上排中間位置的發射天線發出的訊號。將所得到資訊進行全息反演演算法即可實現三維全息成像，但對微小物品及體內藏物的鑑別能力上有一定的侷限性。

2、X光背散式成像系統

3、X光透視成像系統

X光透視成像系統指X 射線透過物質時不被吸收的能力，穿透一般可見光所不能透過的物質。可見光因其波長較長，光子其有的能量很小，當射到物體上時，一部分被反射，大部分為物質所吸收，不能透過物體；而X射線可以把密度不同的物質區分開來。透過發射X射線的裝置發射端和接收端組成，發射端發射X光射線，穿透物體後，由接收端接收X射線，並且處理成影象，X光透視成像系統可以透過一次透視，區別出體表所藏匿物品，透過不同深淺顏色的物體，一般密度越高的區域顏色越深。透過X光的透視成像原理可以區別出體內藏毒等。