Применение искусственных нейронных сетей для анализа рентгеновских изображений контейнеров и транспортных средств
Аннотация
Применение искусственных нейронных сетей для анализа рентгеновских изображений контейнеров и транспортных средств позволяет улучшить точность и скорость распознавания, что в свою очередь повышает эффективность таможенного контроля и способствует более быстрому и надежному контролю грузов. Данные технологии также помогают сократить риски, связанные с контрабандой и террористическими угрозами. Использование искусственных нейронных сетей в данной области также способствует уменьшению человеческого фактора и минимизации ошибок при обработке большого объема данных. Кроме того, это позволяет сэкономить время и ресурсы для таможенных органов и повысить уровень безопасности и контроля на границе. Таким образом, развитие и применение искусственных нейронных сетей в распознавании рентгеновских изображений контейнеров и транспортных средств является важным шагом к совершенствованию таможенной службы и обеспечению безопасности перевозок.Ссылка для цитирования: Афонин Д.Н. Применение искусственных нейронных сетей для анализа рентгеновских изображений контейнеров и транспортных средств // Бюллетень инновационных технологий. – 2024. – Т. 8. – № 2(30). – С. 5-9. – EDN LVXHQU
Литература
Контейнерооборот России: итоги 2022 г. // Optimalog: [сайт]. – 2023. – URL: optimalog.ru/articles/novosti-otrasli/konteynerooborot-rossii-itogi-2022-g/
Афонин Д. Н., Афонин П. Н. Исследование психофизиологических факторов, определяющих эффективность деятельности операторов анализа изображений // Bulletin of the International Scientific Surgical Association. – 2017. – Т. 6, № 1. – С. 26-28. – EDN XYBLZP.
Афонин Д. Н. Биомеханика нарушений опорно-двигательной и дыхательной систем у операторов анализа изображений инспекционно-досмотровых комплексов и досмотровых рентгеновских аппаратов // Бюллетень инновационных технологий. – 2023. – Т. 7, № 3(27). – С. 47-51. – EDN AGHLBN.
Афонин Д. Н., Афонин П. Н. Система управления рисками таможенных органов Российской Федерации. – Москва-Берлин: ООО «Директ-Медиа», 2022. – 176 с. – ISBN 978-5-4499-2783-5. – DOI 10.23681/622013. – EDN SITFJL.
Афонин Д. Н. Таможенный досмотр товаров и транспортных средств. – Москва: Общество с ограниченной ответственностью "Издательство "КноРус", 2020. – 124 с. – ISBN 978-5-4365-6331-2. – EDN JNUTQB.
Анализ информации, полученной с использованием ИДК: Учебно-наглядное пособие / Д. Н. Афонин, П. Н. Афонин, С. Н. Гамидуллаев [и др.] ; Российская таможенная академия, Санкт-Петербургский имени В. Б. Бобкова филиал. – Санкт-Петербург: РИО Санкт-Петербургского филиала Российской таможенной академии, 2019. – 110 с. – ISBN 978-5-9590-1082-9. – EDN KWDWRK.
Jaccard N., Rogers T. W., Morton E. J., Griffin L. D. Tackling the x-ray cargo inspection challenge using machine learning // Proc. SPIE 9847, Anomaly Detection and Imaging with X-Rays (ADIX). – 12 May 2016. – P. 98470N. – DOI 10.1117/12.2222765.
Tuszynski J., Briggs J. T., Kaufhold J. A method for automatic manifest verification of container cargo using radiography images // J. Transp. Secur. – 2013. – V. 6, N 4. – P. 339-356.
Flitton G., Mouton A., Breckon T. P. Object classification in 3D baggage security computed tomography imagery using visual codebooks // Pattern Recognit. – 2015. – V. 48, N. 8. – P. 1-11.
Krizhevsky A., Sutskever I., Hinton G.E. ImageNet classification with deep convolutional neural networks // Communications of the ACM. – 2012. – N. 60. – P. 84 - 90.
Akqay S., Kundegorski M. E., Devereux M., Breckon T P. Transfer Learning Using Convolutional Neural Networks for Object Classification within X-ray Baggage Security Imagery // International Conference on Image Processing (ICIP). – IEEE. – 2016. – P. 1057-1061.
Mery D., Riffo V., Zscherpel U. et al. GDXray: The Database of X-ray Images for Nondestructive Testing // Journal of Nondestructive Evaluation. – 2015. – N. 34. – P. 42.
Jaccard N., Rogers T. W., Morton E. J., Griffin L. D. The X-ray Cargo Inspection Challenge Using Machine Learning // Anomaly Detection and Imaging with X-Rays. – SPIE. – 2016. – V. 9847. – P. 98470N.
Miao C., Xie L., Wan et al. A Large-scale Security Inspection X-ray Benchmark for Prohibited Item Discovery in Overlapping Images // Conference on Computer Vision and Pattern Recognition (CVPR). – IEEE. – 2019. – P. 214-218.
Akcay S., Atapour-Abarghouei A., Breckon T. P. GANomaly: Semi-supervised Anomaly Detection via Adversarial Training // Asian Conference on Computer Vision - ACCV, Springer. – 2019. – P. 622-637.
Centre for Applied Scienceand Technology (CAST), OSCT Borders X-ray Image Library. – Technical Report. – UK Home Office. – 2016. – 216 p.
Caldwell M., Griffin L. D. Limits on transfer learning from photographic image data to X-ray threat detection // Journal of X-Ray Science and Technology. – 2019. – N 4. – P. 1-14.
Wei Y., Tao R., Wu Z. et al. Occluded Prohibited Items Detection: An X-ray Security Inspection Benchmark and De-occlusion Attention Module // Proceedings of the 28th ACM International Conference on Multimedia, ACM, NY, USA. – 2020. – P. 138-146.
Cutler V., Paddock S., Use Of Threat Image Projection (TIP) To Enhance Security Performance // International Carnahan Conference on Security Technology. – IEEE. – 2009. – P. 46-51.
Wang L., Li Y., Ding J., Li K. Structural X-ray Image Segmentation for Threat Detection by Attribute Relational Graph Matching // 2005 International Conference on Neural Networks and Brain. – IEEE. – 2005. – P. 1206-1211.
Mallia-Parfitt N., Giasemidis G. Graph clustering and variational image segmentation for automated firearm detection in X-ray images // IET Image Processing. – 2019. – N. 13. – 1105-1114.
Copyright (c) 2024 Афонин Д.Н.
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.