Blog

Aug 01, 2023

Detección de detonadores mejorada en X

Scientific Reports volumen 13, número de artículo: 14262 (2023) Cite este artículo Detalles de métricas La detección de detonadores es una tarea desafiante porque pueden clasificarse erróneamente fácilmente como inofensivos.

Scientific Reports volumen 13, número de artículo: 14262 (2023) Citar este artículo

Detalles de métricas

Detectar detonadores es una tarea desafiante porque pueden clasificarse erróneamente fácilmente como masa orgánica inofensiva, especialmente en escenarios de alto volumen de equipaje. De particular interés es el enfoque en el análisis automatizado de rayos X de seguridad para la detección de detonadores. Los complejos escenarios de seguridad requieren combinaciones cada vez más avanzadas de visión asistida por ordenador. Proponemos un extenso conjunto de experimentos para evaluar la capacidad de los modelos de redes neuronales convolucionales (CNN) para detectar detonadores, cuando la calidad de las imágenes de entrada se ha alterado mediante manipulación. Aprovechamos los avances recientes en el campo de las transformadas wavelet y las arquitecturas CNN establecidas, ya que ambas pueden usarse para la detección de objetos. Se utilizan varios métodos de manipulación de imágenes y, además, se evalúa el rendimiento de la detección. Se analizaron tanto imágenes de rayos X sin procesar como imágenes manipuladas con Contrast Limited Adaptive Histogram Equalization (CLAHE), métodos basados ​​en transformadas wavelet y el método mixto CLAHE RGB-wavelet. Los resultados mostraron que se puede utilizar una cantidad significativa de operaciones, tales como: mejoras de bordes, información de color alterada o diferentes componentes de frecuencia proporcionadas por transformadas wavelet, para diferenciar entre características casi similares. Se descubrió que la CNN basada en ondas lograba un mayor rendimiento de detección. En general, este desempeño ilustra el potencial de un uso combinado de métodos de manipulación y CNN profundas para aplicaciones de seguridad aeroportuaria.

La detección de objetos peligrosos en las imágenes de rayos X de los equipajes se ha vuelto importante, especialmente debido al aumento de los índices de criminalidad1. El rendimiento de los dispositivos de control está fuertemente influenciado por la visibilidad del objetivo, la tecnología de visualización de imágenes y el conocimiento de los agentes de seguridad. Sin embargo, la inspección visual de estas imágenes es un gran desafío debido a la baja prevalencia de objetivos, la variabilidad en la visibilidad de los objetivos (lo que resulta en una falta de precisión en la forma del objeto), la superposición de objetos, el contraste deficiente que oscurece los detalles de la imagen y la posibilidad de causar falsas alarmas2 ,3. Además, la naturaleza constante y repetitiva de la tarea, es decir, los agentes de seguridad miran constantemente las pantallas y frecuentemente se topan con el mismo tipo de objetos detectados, puede provocar fatiga de atención y deterioro del juicio4.

Los artículos prohibidos más peligrosos en el equipaje de los pasajeros son los llamados artefactos explosivos improvisados. Detectar el detonador de una bomba puede ser un desafío incluso para agentes de seguridad bien capacitados. Para abordar estos problemas, se han desarrollado numerosos algoritmos y técnicas para mejorar la calidad de las imágenes radiográficas 2D5,6,7,8,9,10,11,12,13. La técnica de detección de Bolsa de Palabras Visuales (BoVW), que se basa en el procesamiento del lenguaje natural y la recuperación de información, emplea un proceso estadístico para la detección y clasificación de objetos6. Esta técnica se ha aplicado con éxito para la detección de explosivos. Se utilizó junto con varios otros métodos, incluido el aprendizaje supervisado de funciones mediante el enfoque de codificadores automáticos7, K-vecinos más cercanos, regresión logística8 y árboles de decisión9. BoVW también se empleó para la detección de armas de fuego, shuriken o hojas de afeitar. Estas técnicas se basan en diccionarios formados para cada clase y la detección consiste en descriptores de características de Transformación de características invariantes de escala (SIFT) de parches de imágenes recortados aleatoriamente10. El modelo BoVW correlacionado con el descriptor Speeded up Robust Features (SURF) y el clasificador Support Vector Machine (SVM) se utilizó para la detección de armas de fuego, logrando una tasa óptima de verdaderos positivos del 99,07% con una tasa de falsos positivos del 20%11. Se utilizaron algoritmos de bosque aleatorio y SVM para la detección de armas de fuego y se informó una precisión estadística del 94%12. Para evaluar el rendimiento de la clasificación se consideraron vistas de rayos X únicas, dos y múltiples y cuatro clasificadores (es decir, transformación de características invariantes de escala, FAST orientado y BRIEF rotado, puntos clave escalables invariantes robustos binarios y SURF). Se ha destacado un mejor rendimiento de la clasificación cuando se consideró una combinación de dos y múltiples vistas de rayos X13.

En los últimos años, las CNN han ganado una popularidad significativa en el campo del análisis de imágenes de rayos X para el control de equipaje14,15,16,17,18,19,20. La técnica de aumento, un módulo de mejora de funciones y un método de región de interés fusionada de múltiples escalas permitieron el desarrollo de nuevas CNN con capacidades de detección más precisas y sólidas. Estas CNN tienen un rendimiento significativamente mejorado cuando se trata de fondos densamente desordenados durante la inspección de equipaje por rayos X14. Se emplearon varias técnicas para superar diferentes deficiencias de las CNN profundas causadas por la escasez de imágenes de entrenamiento. Así, se utilizaron el paradigma de aprendizaje por transferencia15,16, la CNN basada en regiones (R-CNN), la CNN basada en máscaras (Mask R-CNN) y arquitecturas de detección como RetinaNet para proporcionar variantes de localización de objetos17,18 o para detectar varios elementos en la imagen de rayos X del equipaje. De manera similar, la arquitectura You Only Look Once (YOLO) se utilizó para imágenes de rayos X de clasificación de equipaje y para identificación de materiales peligrosos19. Además, se propuso un método de detección de objetos basado en CNN sin anclajes para abordar el problema de la detección de objetos peligrosos20.

Las transformadas Wavelet son una herramienta popular para eliminar el ruido de imágenes. Se utilizan principalmente en operaciones de eliminación de ruido sin ningún conocimiento previo del modelo de ruido. Además, son una herramienta útil para mejorar la imagen. Además de la eliminación de ruido de la imagen, que es un proceso subjetivo, la mejora de la imagen altera sus características para hacerla más atractiva para el ojo humano21. Los efectos de los bordes de las wavelets son perceptibles en las imágenes procesadas, pero actualmente las wavelets no se utilizan en la inspección de seguridad por rayos X. Aún falta la implementación de las transformadas wavelet para la inspección de seguridad con rayos X, incluso si se usan ampliamente en varios contextos de imágenes de rayos X de tórax, debido a sus fuertes capacidades predictivas. Varios estudios informaron únicamente la implementación de modelos radiómicos de aprendizaje automático o aprendizaje profundo para predecir el pronóstico de COVID-19, basados ​​en la detección de bordes o la extracción de características radiómicas22,23,24. Si bien se ha estudiado ampliamente la utilización de transformadas wavelet con CNN en el procesamiento de imágenes médicas, su aplicación en otros dominios, como la seguridad de la aviación y el transporte, ha sido relativamente limitada.

En el caso de los datos de seguridad aeroportuaria por rayos X, no siempre se dispone de grandes cantidades de datos de entrenamiento y la recopilación de datos de rayos X con la solicitud especial de anotación de datos es muy costosa. En la Ref.25 se realizó un estudio dedicado al desempeño de la evaluación de los inspectores en la detección de detonadores de bombas con imágenes 2D y 3D. A pesar de la menor calidad de imagen en las imágenes 3D, este estudio encontró que el rendimiento era casi similar al de las imágenes 2D. En otro enfoque, se desarrolló un algoritmo USM + CLAHE de enmascaramiento de enfoque para procesar imágenes radiográficas para la seguridad aeroportuaria para superar de manera efectiva la distorsión del color inducida por la mejora de la imagen CLAHE26. Generalmente, la mayoría de los estudios previos se han centrado principalmente en la detección de artefactos explosivos secundarios (como C4, TNT, etc.) en imágenes de rayos X durante la inspección de equipaje. Hoy en día existen limitados estudios que aborden específicamente la detección de detonadores en el proceso de inspección de equipaje por rayos X. Por ejemplo, se utilizó un método de energía dual para detectar objetos peligrosos, incluidos detonadores, diferenciando entre materiales orgánicos e inorgánicos27. La mayoría de las publicaciones científicas existentes que tratan este tema se centran en varios algoritmos dedicados a mejorar la calidad de la imagen y el rendimiento de detección de detonadores28, pero pocas se concentran en la detección de detonadores basados ​​en ondas en imágenes de rayos X.

El objetivo de este artículo es introducir un esquema nuevo y eficiente para detectar detonadores en imágenes de equipaje de rayos X comparando diferentes métodos de manipulación de imágenes y evaluando su impacto en las capacidades predictivas de los modelos de clasificación. Para superar la subutilización de las wavelets en las inspecciones de seguridad por rayos X, introducimos las wavelets como método de manipulación, que se puede utilizar para obtener imágenes con mayor resolución y detalles más definidos. Esto nos permitió obtener información sobre la validez de los procesos de manipulación y cómo se relacionan con el desempeño de la detección de detonadores. Los experimentos se llevan a cabo utilizando la base de datos de Sistemas de Detección de Alta Tecnología (HTDS). En el enfoque propuesto, hemos elegido y construido una arquitectura CNN bien establecida que había logrado un rendimiento excelente en la clasificación y detección de objetos29. Hemos realizado un extenso estudio de ablación para establecer un modelo de configuración óptimo con buen rendimiento en todo el conjunto de datos30,31. Así, hemos experimentado con diferentes imágenes corrompidas por ruido gaussiano y sal y pimienta, varios hiperparámetros alterados y diferentes estructuras de capas. Las arquitecturas CNN propuestas realizan dos etapas de análisis: (i) detección de detonadores dentro de la imagen de rayos X sin procesar utilizando el clasificador profundo basado en CNN, las bibliotecas TensorFlow y Keras y, (ii) se usa el mismo marco clasificador CNN cuando se envía la entrada. El conjunto de imágenes se preprocesa utilizando los siguientes métodos: el algoritmo CLAHE, que funciona de forma independiente en las imágenes RGB y, además, también en los canales de color individuales, la wavelet se transforma con las subbandas HH y HL, y una combinación de CLAHE y técnicas de transformación de ondas RGB. Los resultados se analizan en términos de exactitud, precisión, recuperación, puntuación F1 y clasificación.

Nuestras novedosas contribuciones en comparación con otros enfoques de última generación se pueden resumir de la siguiente manera:

Propusimos un enfoque multiescala combinando CLAHE, transformadas wavelet y transformadas wavelet RGB con CNN para abordar el problema de que diferentes factores de calidad de la imagen de rayos X pueden hacer que la detección de los detonadores sea una tarea difícil.

Realizamos experimentos con imágenes manipuladas para encontrar la técnica adecuada capaz de lograr el mayor rendimiento de detección.

La arquitectura CNN personalizada demostró ser compatible con varias técnicas de manipulación de imágenes, siendo capaz de explotar la distinción entre clases de equipaje, con y sin detonadores en su interior.

Los métodos propuestos de manipulación de imágenes emulan varias especificaciones técnicas y evalúan el rendimiento de la detección. Además de su relevancia práctica, una comparación de estos métodos de manipulación también tiene interés teórico. El estudio propuesto valida las wavelets como un nuevo marco para estudios adicionales en el análisis multivariado y multiresolución del control por rayos X del equipaje de los pasajeros.

En nuestra opinión, estos experimentos se encuentran en el nivel de prueba de concepto. Hemos intentado demostrar que nuestra idea se podía convertir en realidad. Sin embargo, en esta etapa, solo se dispone de conjuntos de datos relativamente limitados para una operación sólida de capacitación y prueba.

En este artículo, hemos investigado las formas en que la manipulación de la calidad de las imágenes de rayos X puede crear un mapa de características que conduzca a una mejor discriminación de materiales peligrosos, como los detonadores. La arquitectura profunda de CNN funciona con las bibliotecas TensorFlow y Keras, basadas en la base de datos de High Tech Detector Systems (HTDS). La CNN profunda solo tiene dos clases, a saber, detonadores y no detonadores. Utilizamos técnicas de aumento para aumentar el número de muestras y evitar el sobreajuste. El conjunto de datos final consta de 15.115 muestras de las cuales 4535 muestras se utilizaron para nuestras pruebas. Se realizó una división aleatoria de entrenamiento/prueba 70/30 del conjunto de datos. Debido a la escasez de muestras en el conjunto de datos original, utilizamos cinco validaciones cruzadas durante el entrenamiento de imágenes de rayos X sin procesar. Se configuró la misma arquitectura CNN para todos los experimentos.

La Tabla 1 presenta el rendimiento de la clasificación binaria para el conjunto de datos de imágenes sin procesar. Se informa una precisión de clasificación de 0,9808. Todas las predicciones sobre el lugar del detonador son correctas.

Para analizar los efectos de la mejora del contraste y la transformación wavelet en la eficiencia de detección, se examinó el rendimiento de la clasificación para cada enfoque propuesto. En la Fig. 1 se muestra una representación visual de cómo se ha mejorado la imagen radiográfica mediante el uso del método CLAHE. Los resultados del algoritmo de mejora de la imagen CLAHE se presentan en la Tabla 2.

Mejora CLAHE de la imagen radiográfica original y sus resultados para cada canal de color para una imagen RGB (a) original; (b) canal rojo; c) canal verde; (d) canal azul; (e) Imagen RGB.

El método CLAHE funciona muy bien en los canales verde y azul, así como en imágenes RGB. En ambos casos ha conseguido una precisión de 1,00. Estos valores son superiores a la precisión de las imágenes radiográficas sin procesar (Tabla 1), con una diferencia del 1,92%. Todas las predicciones del punto del detonador son correctas para los canales G y B y para las imágenes RGB. Si bien puede ser poco realista esperar valores de precisión del 100%, observamos que CLAHE puede agregar potencial de discriminación al mejorar el contraste y la calidad de la imagen y al reducir la pérdida de detalles en la imagen. Sin embargo, el número de muestras de TP (imágenes con detonador) es menor.

Para examinar los efectos de descomponer una imagen en un conjunto de wavelets y analizar las mejoras de la extracción de información espectral y temporal local, se ha realizado la descomposición de la imagen de rayos X utilizando las funciones wavelet de Haar, Db2, Coif2 y Sym2. Los coeficientes o subbandas de detalle de HL y HH son de interés. Los resultados se muestran en la Fig. 2 y los detalles sobre el desempeño de la clasificación se presentan en la Tabla 3.

Transformación wavelet de la imagen radiográfica original y resultados obtenidos para dos subbandas, HH y HL. Para la transformación se utilizan las funciones wavelet Daubechies2 (Db2), Haar, Coiflet2 (Coif2) y Symlet2 (Sym2).

Como puede verse, la función Coif2 en el nivel HH logró una precisión de 0,995, que es ligeramente superior a Sym2 (0,994) y superior a Db2 y Haar (0,990 y 0,986). En el nivel HL, la función de Haar arrojó una precisión de 1,00, superando a todas las demás funciones: Db2 (0,999), Coif2 (0,998) y Sym2 (0,995).

Además, los datos de la Tabla 3 muestran que los resultados de precisión proporcionados por las transformadas wavelet son superiores a la precisión obtenida cuando las imágenes radiográficas sin procesar se envían directamente a la CNN (Tabla 1). También muestra que la transformada de Haar tiene el mismo rendimiento que la descomposición del canal de color en términos de precisión (100%). Sin embargo, el número de muestras TP (imágenes con detonadores) positivas verdaderas es menor en el caso de la descomposición del canal RGB, mientras que el número de muestras TN negativas verdaderas es similar.

Cuando se combinan los métodos CLAHE RGB y de transformación wavelet, el resultado del preprocesamiento se muestra en la Fig. 3. En la Tabla 4 se proporciona un resumen del rendimiento de la clasificación.

Preprocesamiento de imágenes utilizando CLAHE RGB y transformadas wavelet. La imagen de rayos X en el espacio RGB se mejora mediante el contraste mediante CLAHE. El resultado se descompone mediante la instrumentalidad de la transformada wavelet aplicada en las subbandas HH y HL.

Se puede observar que la ondícula de Haar en el nivel HH alcanzó una precisión de 0,999. Esta es la precisión más alta entre las otras funciones wavelet madre, a saber, Db2 (0,999), Coif2 (0,997) y Sym2 (0,992). Para el nivel HL, las wavelets Haar y Coif2 obtuvieron una precisión de 0,999, que sigue siendo la más alta en comparación con las Db2 (0,996) y Sym2 (0,995).

Generalmente, la precisión de la clasificación obtenida utilizando el método CLAHE RGB-wavelet es significativamente mayor que la precisión obtenida para imágenes de rayos X sin procesar, pero casi similar a los resultados proporcionados por la descomposición de wavelet. Destacamos una vez más que, aunque las métricas de rendimiento tienen valores muy buenos, por sí solas no son suficientes para indicar ninguna mejora en la detección de detonadores. En el caso de la descomposición de wavelets, el número de muestras TP (imágenes con detonadores) es mayor que en el caso de la descomposición del canal RGB o la transformada de wavelets, mientras que el número de verdaderos negativos (muestras TN) es casi idéntico. Hay un número insignificante de muestras FN (es decir, error tipo II) en la clasificación. Para resumir los hallazgos de nuestro estudio, en la Fig. 4 se proporciona una estadística descriptiva de la precisión.

Precisión promedio de clasificación de CNN para imágenes de rayos X sin procesar, así como la precisión de los modelos de preprocesamiento propuestos. Las líneas centrales indican los valores de precisión mediana y los cuadros indican el rango intercuartílico. Los bigotes indican los valores más pequeños y más grandes. Tanto las imágenes de rayos X sin procesar como las imágenes procesadas con wavelets HL tienen una desviación cero para la distribución de precisión. El resto de los métodos muestran precisiones con una distribución ligeramente sesgada negativamente. En general, obtuvimos el mejor rendimiento con la transformada wavelet de Haar en la subbanda HL junto con el método de imagen CLAHE y RGB.

Aunque muchos investigadores han utilizado métodos clásicos para mejorar el contraste, nosotros introducimos las wavelets como método de manipulación para obtener imágenes con mayor resolución y detalles más definidos. Con este enfoque, investigamos la precisión de la detección cuando hay diferencias sutiles en los detalles de la imagen, es decir, mejoras en los bordes, información de color alterada o diferentes componentes de frecuencia proporcionados por las transformadas wavelet. Todo esto podría usarse para diferenciar entre características casi similares en imágenes. Hemos logrado resultados de clasificación mejorados aprovechando las características de alto nivel proporcionadas por las transformadas wavelet. El primer resultado clave presentado en este artículo es que la presencia de detonadores se puede discriminar eficazmente mediante métodos tradicionales de procesamiento de imágenes, como la descomposición de ondas, o combinando técnicas de mejora del contraste y transformadas de ondas de Haar en la subbanda HL combinadas con un modelo CNN profundo. El uso de CNN profundas para la detección de detonadores resultó en una mejor recuperación (la capacidad de identificar la clase positiva, también conocida como imágenes con detonadores) y precisión (qué tan precisas son las predicciones positivas).

Aunque las CNN profundas han impulsado la clasificación de imágenes, somos conscientes de que tanto la calidad de una imagen como el método de muestreo descendente de agrupación máxima pueden diluir o eliminar algunas características que son importantes para la clasificación. Para determinar la arquitectura y configuración óptimas de nuestro modelo CNN, se realizó un estudio de ablación para comprender claramente el rendimiento del modelo. La consecuencia de alterar algunos componentes o hiperparámetros fue una disminución en el rendimiento del modelo. La arquitectura de red actual proporciona un rendimiento óptimo con baja complejidad computacional (ver Tablas 6 y 7). La CNN propuesta utiliza un mecanismo incorporado para extraer diferentes características de alto nivel e introducir invariancia espacial. Además, la capacidad de aprendizaje de la red se ve mejorada por su estructura. Las capas de convolución dan como resultado que diferentes características de la imagen se extraigan en diferente medida y la operación de agrupación crea la capacidad de detectar la misma característica en diferentes imágenes. Al alimentar la misma arquitectura CNN con diferentes variantes de la imagen original (es decir, varias características se resaltan mediante manipulación), la red se puede entrenar de manera más óptima y, por lo tanto, se mejoran su capacidad de reconocimiento de patrones y su rendimiento de interpretación de imágenes.

Las transformadas wavelet garantizan una eliminación efectiva del ruido gaussiano y pueden extraer bastante bien los detalles de las imágenes. Los componentes HH y HL contienen representaciones de textura de la imagen original. Vale la pena señalar que, cuando utilizamos diferentes componentes de frecuencia y diferentes características de los canales de color, se extrajeron más características informativas y se logró un mejor rendimiento de detección. Pudimos capturar detalles finos y gruesos de la imagen y mejorar la calidad de la imagen. El método CLAHE realiza la ecualización del histograma local píxel a píxel, mejorando así tanto el contraste como la calidad de la imagen. Por otro lado, el método de transformada wavelet generalmente recupera características de regiones de interés y procesa la imagen en pares de píxeles.

Para imágenes de rayos X duales, la información del color podría ser relevante para la detección. Hemos notado que las imágenes RGB muestran mejores resultados. Ciertos colores son indicativos de la presencia o ausencia de artículos prohibidos y el modelo puede aprender estas relaciones. Es importante tener en cuenta que, en algunos casos, la conversión de imágenes RGB a escala de grises o canales de color puede introducir sesgos y distorsiones. En este caso, el método de mejora podría no lograr equilibrar las áreas con iluminación desigual y algunos detalles se volverían invisibles a medida que aparecen sutiles desviaciones de color.

Se puede observar que, a diferencia de las imágenes originales, las imágenes procesadas con el método CLAHE RGB-Wavelet (subbandas HH y HL) y las transformadas wavelet en las subbandas HH y HL sufren de falsos negativos y falsos positivos. Las imágenes procesadas con CLAHE RGB y Haar wavelet (subbanda HL) no sufren ni falsos positivos ni falsos negativos. Nuestros resultados preliminares muestran que los métodos de imagen CLAHE y RGB (Tabla 2), junto con la transformada wavelet de Haar aplicada para la subbanda HL (Tabla 3), logran una tasa de verdaderos positivos del 100%. Esto significa que estos métodos son muy adecuados para la identificación de detonadores mediante el enfoque CNN. Las diferencias (aunque muy pequeñas) entre los resultados de la manipulación de imágenes en la detección de detonadores se explican a continuación: la mejora del contraste funciona utilizando el mapa de intensidad de los píxeles, reduce la pérdida de detalles y no modifica la posición de los píxeles en la imagen. CLAHE aplica el equilibrio de color mediante el ajuste del histograma. Se considera la contribución de la información espectral y temporal local a la extracción de bordes proporcionada por las transformadas wavelet. Normalmente, la información de ruido existe en el componente de alta frecuencia y el componente de baja frecuencia contiene la información relevante sobre la imagen. Las imágenes HL equilibran ambos aspectos y CLAHE reduce mejor el ruido en la subbanda HL.

Para resumir los hallazgos de nuestro estudio, hemos observado que aumentar el número de tareas de preprocesamiento (nos referimos aquí a la wavelet CLAHE—RGB—Haar y las subbandas HH y HL) no necesariamente conduce a un aumento en la precisión. Estas subbandas HH y HL de alta frecuencia guardaron la mayor parte de la información para que la CNN pudiera conservar más características y proporcionar una clasificación precisa.

La Tabla 5 informa la comparación de los valores de precisión informados en nuestro trabajo y otros enfoques de clasificación y las estrategias de detección basadas en arquitecturas CNN profundas, mejora CLAHE y transformadas wavelet. Comparamos nuestros resultados experimentales con algunos estudios previos que experimentaron con los mismos métodos pero con diferentes tipos de imágenes y bases de datos (solo precisiones). Para realizar comparaciones justas, realizamos experimentos sobre detección de detonadores utilizando dos modelos previamente entrenados, EfficientNetV2B0 y AlexNet. Ambos están previamente entrenados utilizando la base de datos ImageNet, que contiene millones de imágenes etiquetadas.

Como se muestra en la Tabla 5, aunque AlexNet tiene una alta precisión (0,9945), genera una cantidad de falsos positivos (16 en promedio). EfficientNetV2B0 tiene el peor rendimiento, mientras que nuestra red lo supera independientemente de cómo se manipulen las imágenes. Estos resultados indican la solidez de nuestro enfoque.

Nuestros experimentos están en el nivel de prueba de concepto, pero demuestran que nuestra idea podría convertirse en realidad. Sin embargo, en esta etapa existen algunas limitaciones. El conjunto de datos era relativamente pequeño para entrenar nuestra CNN. El aumento de datos fue nuestro método elegido para lidiar con el sobreajuste, pero también nos dedicamos a la capacidad entrópica de nuestro modelo CNN, es decir, la cantidad de información que el modelo CNN puede almacenar. La arquitectura de nuestro modelo CNN permite almacenar una gran cantidad de información, por lo que se incrementó su potencial para ser más preciso al aprovechar más funciones. Otra limitación podría surgir de la naturaleza desordenada del conjunto de datos de entrada de imágenes de rayos X. Esto podría provocar que la CNN no detecte los detonadores. La solución propuesta demuestra que CNN es una herramienta precisa ya que la aparición de muestras de FN es insignificante (Tablas 3, 4). En el futuro se llevará a cabo un estudio más complejo y completo (más imágenes, varios tamaños para el equipaje, extracción de características específicas de la muestra orgánica, otro tipo de red neuronal, etc.). Además, sería interesante ampliar la investigación a la clasificación multiclase, incluyendo otros objetos peligrosos en imágenes de rayos X como TNT, C4 y PBX (explosivos ligados a plástico).

Para detectar objetos sospechosos, como detonadores, en las imágenes radiográficas 2D de equipaje de la base de datos HTDS, el diagrama de bloques propuesto en la Fig. 5 describe los experimentos realizados.

Diagrama de bloques del método propuesto tras el estudio de ablación. HH (Alto-Alto) y HL (Alto-Bajo) son dos subbandas de descomposición en la transformada wavelet.

La base de datos utilizada en este estudio proviene de High TechDetection Systems (HTDS), una empresa francesa especializada en la venta y mantenimiento de equipos de seguridad de alta tecnología utilizados para el control de pasajeros, la seguridad de equipajes y vehículos, y el transporte de mercancías36. El conjunto de datos inicial consta de 6500 imágenes divididas en dos tipos: clase 0, que consta de 5500 imágenes con detonadores y clase 1, que consta de 1000 imágenes sin detonadores, como se muestra en la Fig. 6.

Ejemplos de imágenes de rayos X de equipaje con múltiples objetos (fila superior) y sin/con detonador en su interior (fila inferior). Se ilustra el detalle de un detonador. Diferentes materiales mostrados en diferentes colores en una imagen en pseudocolor de escaneos de rayos X de energía dual ilustran la baja calidad y resolución de la imagen 2D.

El conjunto de datos se ha dividido en conjuntos de entrenamiento (70%) y de prueba (30%), de modo que cada división tenga una distribución de clases similar. El conjunto de prueba contiene muestras que nunca se utilizaron para entrenamiento. Para equilibrar el número de muestras en ambas clases, hemos realizado rotaciones aleatorias en cada muestra para aumentar el conjunto de datos. El conjunto de datos final consta de 15.115 muestras. El rendimiento de la clasificación se evalúa en el conjunto de datos de prueba.

El método de mejora CLAHE se utiliza para mejorar la calidad de la imagen y el contraste en las imágenes radiográficas de energía dual23. El contraste se puede manipular modificando el mapa de intensidad de los píxeles. Optimiza la identificación de objetos, conserva detalles mediante procesamiento morfológico y realiza conversión RGB (rojo, verde, azul).

Las transformadas wavelet discretas pueden extraer características espectrales. Una transformada wavelet 2D pasa la imagen a través de un filtro de paso bajo y de paso alto y se proporcionan partes aproximadas y detalladas. Este marco de resolución múltiple genera cuatro subbandas, a saber, un coeficiente de aproximación (LL) y tres coeficientes de detalle, horizontal (HL), vertical (LH) y diagonal (HH), respectivamente. La subbanda LL no contiene ninguna ventaja y no es útil para nuestro objetivo. Tanto la subbanda HL como la LH contienen información casi similar y, en aras de la eficiencia, solo se investiga la HL. Para ello utilizamos las siguientes funciones madre: Haar, Daubechies2 (Db2), Symlet2 (Sym2) y Coiflet2 (Coif2)21,22. Durante las transformaciones wavelet, la imagen de entrada se convoluciona con filtros de paso bajo y paso alto y se muestrea para obtener las subbandas de wavelet. Sólo se utiliza la descomposición wavelet de primer nivel. Tanto las imágenes HL como HH pasan a través de capas de convolución ocultas, luego la normalización por lotes permite una ejecución más rápida y resuelve el problema de la convergencia deficiente. Finalmente, se utiliza una capa softmax para categorizar las imágenes radiográficas de energía dual. Para evaluar la capacidad de las imágenes preprocesadas para que sean significativas para la tarea de clasificación profunda de CNN, también combinamos la conversión CLAHE-RGB con transformaciones wavelet de subbanda HH y HL, utilizando las mismas funciones madre.

El estudio de ablación permite una comprensión clara del modelo propuesto al analizar las consecuencias de alterar imágenes y componentes de la arquitectura CNN. Para realizar comparaciones justas, se utilizaron las imágenes sin procesar y transformadas en wavelets de la base de datos HTDS. Los resultados de todo el estudio de ablación se registran en las Tablas 6 y 7. Para evaluar el desempeño del proceso de ablación, se utilizaron las mismas métricas (exactitud, precisión, recuperación y puntuación F1).

Se puede ver que los modelos de transformada wavelet CNN +, para todas las familias de wavelets, logran mejores valores de precisión y superan al modelo CNN que utilizó imágenes sin procesar como entrada.

Realizamos experimentos extensos para examinar la solidez del modelo CNN propuesto para la clasificación binaria de imágenes radiográficas de energía dual en dos clases: detonador y no detonador. La arquitectura CNN se implementa utilizando TensorFlow y Keras. TensorFlow es una biblioteca de software gratuita y de código abierto para flujo de datos y programación diferenciable a través de una variedad de funciones. Es muy conveniente y flexible para construir los modelos actuales de aprendizaje profundo37. Keras es una biblioteca de redes neuronales de código abierto escrita en Python y se ejecuta sobre TensorFlow38. La CNN profunda se basa completamente en cinco capas profundamente separables (es decir, tres capas convolucionales y dos capas densas). La Tabla 8 muestra los hiperparámetros propuestos para el modelo de arquitectura CNN profunda, después del estudio de ablación. La primera capa convolucional tiene 16 unidades, la segunda capa tiene 32 unidades y la tercera capa tiene 64 unidades. Se utiliza la función de activación de Unidad Lineal Rectificada (ReLU), ya que es una función no lineal y tiene la ventaja de evitar errores de retropropagación. El optimizador Adam (Estimación de momento adaptativo) se utiliza con una tasa de aprendizaje predeterminada de 0,001 y una caída de 1e − 6. El tamaño de lote de 32 es la solución óptima. El número correcto de épocas depende de la complejidad inherente del conjunto de datos. Habíamos empleado seis valores para la época (60, 80, 100, 120, 140, 160) en un intento de mejorar nuestro modelo. El número de épocas sin mejora en la meseta de la función de pérdida estuvo entre 55 y 65, para todos los experimentos. El tiempo por época está entre 72 y 76 s, con una pérdida promedio de 0,0677. Hemos determinado que un buen momento para detener el entrenamiento es alrededor de la época 60. La precisión de la CNN propuesta con 60 épocas se ha elegido como la opción óptima con menos tiempo y pérdidas reducidas. Las capas densas son capas completamente conectadas que transforman un vector de características 1D en un vector de clasificación. Les siguen las funciones de activación de ReLU. La última capa densa no tiene una función de activación especificada porque se utilizan los valores logit y la clasificación se realiza utilizando una función de activación softmax.

Para comparaciones de referencia, cuantificamos nuestras CNN propuestas en términos de efectividad y eficiencia con dos modelos comúnmente utilizados, EfficientNetV2B0 y AlexNet. Todas las redes se entrenan utilizando los mismos conjuntos de datos para realizar comparaciones justas.

El rendimiento de la clasificación se evalúa comparando la exactitud, precisión, recuperación y puntuación F1 promedio, utilizando el mismo conjunto de datos de prueba y los métodos de manipulación propuestos. Estas medidas se calcularon utilizando los problemas de clasificación binaria de la matriz de confusión (es decir, una matriz de 2 × 2). La matriz de confusión binaria proporciona información precisa sobre el rendimiento del modelo y determina si el modelo puede discriminar eficazmente entre clases e identificar errores de predicción específicos, lo que puede conducir a mejoras o ajustes del modelo. La matriz de confusión incluye los siguientes elementos: TP = verdaderos positivos, TN = verdaderos negativos, FP = falsos positivos, FN = falsos negativos. Las métricas de rendimiento derivadas de esta matriz son: recuperación = [TP/(TP + FN)], precisión = [TP/(TP + FP)], precisión = [(TP + TN)/(TP + TN + FP + FN )]), puntuación F1 = 2[(precisión × recuperación)/(precisión + recuperación)]. Todos los resultados se promedian sobre el conjunto de datos de prueba. La precisión promedio de la detección del detonador en todas las muestras indica cuántas de nuestras predicciones sobre detonadores y no detonadores son correctas. El retiro promedio indica cuántas de las muestras de detonador se predicen como tales y la precisión promedio muestra cuántas de nuestras predicciones de detonador son correctas.

El conjunto de datos está disponible previa solicitud a High TechDetection Systems (HTDS, https://www.htds.fr/). Los datos no están disponibles públicamente. Los datos que respaldan los hallazgos de este estudio están disponibles del primer autor, [LO], previa solicitud razonable.

El código fuente está disponible en https://gitfront.io/r/user-3214156/oGn8DHKwkwzB/inspection-by-image/.

Pozzo, FRD International y los marcos legales de seguridad de la aviación de la UE. En Seguridad del transporte aéreo (eds. Szyliowicz, JS, Zamparini, L.) 43–62 (2018). https://doi.org/10.4337/9781786435200.00011.

Perdiz, T. y col. Detección mejorada de materiales amenazantes mediante imágenes de rayos X de campo oscuro combinadas con redes neuronales profundas. Nat. Comunitario. 13, 4651. https://doi.org/10.1038/s41467-022-32402-0 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Vukadinovic, D., Anderson, D. Control de equipaje por rayos X e IA, EUR 31123 EN, Oficina de Publicaciones de la Unión Europea, Luxemburgo, JRC129088 (2022). https://doi.org/10.2760/46363.

Bolfing A., Halbherr T., Schwaninger A. Cómo los factores basados ​​en imágenes y los factores humanos contribuyen al rendimiento de detección de amenazas en los controles de seguridad de la aviación por rayos X. En Lecture Notes in Computer Science (ed. HCI y usabilidad para la educación y el trabajo, Holzinger, A.) 419–438 (Springer, 2008). https://doi.org/10.1007/978-3-540-89350-9_30.

Mery, D., Pieringer, C. Visión por computadora para pruebas de rayos X: imágenes, sistemas, bases de datos de imágenes y algoritmos (Springer International Publishing, 2021). https://doi.org/10.1007/978-3-030-56769-9.

Zhang, Y., Jin, R. y Zhou, Z.-H. Comprensión del modelo de bolsa de palabras: un marco estadístico. En t. J. Mach. Aprender. Cibern. 1, 43–52. https://doi.org/10.1007/s13042-010-0001-0 (2010).

Artículo de Google Scholar

Chouai, M., Merah, M., Sancho-Gómez, J.-L. & Mimi, M. Aprendizaje de funciones supervisado mediante un enfoque de codificador automático adversario para la clasificación de objetos en imágenes de rayos X duales del equipaje. J. Intel. Fabricante. 31, 1101–1112. https://doi.org/10.1007/s10845-019-01498-5 (2020).

Artículo de Google Scholar

Larsen, K., Petersen, JH, Budtz-Jørgensen, E. & Endahl, L. Interpretación de parámetros en el modelo de regresión logística con efectos aleatorios. Biometría 56, 909–914. https://doi.org/10.1111/j.0006-341X.2000.00909.x (2000).

Artículo CAS PubMed MATEMÁTICAS Google Scholar

Andrews, JTA, Jaccard, N., Rogers, TW, Griffin, LD Aprendizaje de representación para la detección de anomalías en imágenes complejas de carga de rayos X. En Detección de anomalías e imágenes con rayos X (ADIX) II (SPIE, 2017). https://doi.org/10.1117/12.2261101.

Mery, D., Svec, E. y Arias, M. Reconocimiento de objetos en pruebas de rayos X utilizando representaciones dispersas adaptativas. J. Nondestr. Evaluación. 35, 45. https://doi.org/10.1007/s10921-016-0362-8 (2016).

Artículo de Google Scholar

Turcsany D., Mouton A., Breckon TP Mejora del reconocimiento de objetos basado en funciones para el control de seguridad del equipaje con rayos X utilizando palabras visuales preparadas. En actas de la Conferencia Internacional IEEE sobre Tecnología Industrial (ICIT), Ciudad del Cabo, Sudáfrica, 1140–1145 (2013). https://doi.org/10.1109/ICIT.2013.6505833.

Kundegorski, ME, Akçay, S., Devereux, M., Mouton, A., Breckon, TP Sobre el uso de descriptores de características como palabras visuales para la detección de objetos dentro del control de seguridad de equipaje con rayos X. En Actas de la Séptima Conferencia Internacional sobre Imágenes para la Detección y Prevención del Delito (ICDP 2016), vol. 12(6) (2016). https://doi.org/10.1049/ic.2016.0080.

Tuli, A., Bohra, R., Moghe, T., Chaturvedi, N., Mery, D. Detección automática de amenazas en imágenes de rayos X de vista única, estéreo (dos) y múltiples. En actas de la 17.ª Conferencia Internacional del Consejo de la India del IEEE (INDICON), Nueva Delhi, India 1–7 (2020). https://doi.org/10.1109/INDICON49873.2020.9342253.

Gu, B., Ge, R., Chen, Y., Luo, L. y Coatrieux, G. Detección automática y robusta de objetos en la inspección de equipaje por rayos X utilizando redes neuronales convolucionales profundas. Traducción IEEE. Indiana electrón. 68, 10248–10257. https://doi.org/10.1109/TIE.2020.3026285 (2021).

Artículo de Google Scholar

Akçay S., Kundegorski ME, Devereux M., Breckon TP Transferencia de aprendizaje utilizando redes neuronales convolucionales para la clasificación de objetos dentro de imágenes de seguridad de equipaje de rayos X. En Actas de la Conferencia Internacional IEEE sobre Procesamiento de Imágenes (ICIP), 2016, Phoenix, AZ, EE. UU. 1057–1061 (2016). https://doi.org/10.1109/ICIP.2016.7532519.

Griffin, LD, Caldwell, M., Andrews, JTA y Bohler, H. Artículo inesperado en el área de embolsado: detección de anomalías en imágenes de seguridad de rayos X. Traducción IEEE. inf. Seguridad forense. 14, 1539-1553. https://doi.org/10.1109/TIFS.2018.2881700 (2019).

Artículo de Google Scholar

Gaus YFA, Bhowmik N., Akçay S., Guillén-García PM, Barker JW et al. Evaluación de una arquitectura de red neuronal convolucional dual para la detección de anomalías en objetos en imágenes de seguridad de rayos X confusas. En Actas de la Conferencia Internacional Conjunta sobre Redes Neuronales (IJCNN), Budapest, Hungría 1–8 (2019). https://doi.org/10.1109/IJCNN.2019.8851829.

Subramani, M., Rajaduari, K., Choudhury, SD, Topkar, A. y Ponnusamy, V. Evaluación de la arquitectura de detector de una etapa de una red neuronal convolucional para la detección de objetos amenazantes mediante imágenes de seguridad de equipaje con rayos X. Revue d'Intelligence Artificielle 34, 495–500. https://doi.org/10.18280/ria.340415 (2020).

Artículo de Google Scholar

Ponnusamy, V., Marur, DR, Dhanaskodi, D. y Palaniappan, T. Detección de objetos peligrosos por rayos X en equipaje basada en aprendizaje profundo: una implementación de FPGA. Revue d'Intelligence Artificielle 35, 431–435. https://doi.org/10.18280/ria.350510 (2021).

Artículo de Google Scholar

Wei, Y., Zhu, Z., Yu, H. y Zhang, W. Un modelo de detección automatizada de objetos amenazantes para la inspección de equipaje por rayos X basado en una convolución separable en profundidad. J. Procesamiento de imágenes en tiempo real. 18, 923–935. https://doi.org/10.1007/s11554-020-01051-1 (2021).

Artículo de Google Scholar

Danso, S. et al. Security inspection image processing methods applying wavelet transform filters on terahertz active images. Revista de Investigaciones Universidad del Quindío 34, 37–51. https://doi.org/10.33975/riuq.vol34n1.853 (2022).

Artículo de Google Scholar

Yasar, H. & Ceylan, M. Un nuevo canal de aprendizaje profundo para detectar Covid-19 en imágenes de rayos X de tórax utilizando un patrón binario local, transformada wavelet compleja de árbol dual y redes neuronales convolucionales. Aplica. Intel. 51, 2740–2763. https://doi.org/10.1007/s10489-020-02019-1 (2021).

Artículo de Google Scholar

Rahman, T. y col. Explorando el efecto de las técnicas de mejora de imágenes en la detección de COVID-19 mediante imágenes de radiografías de tórax. Computadora. Biol. Medicina. 132, 104319. https://doi.org/10.1016/j.compbiomed.2021.104319 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Rao, K., Bansal, M. & Kaur, G. Método de mejora del contraste centrado en Retinex para imágenes de histopatología con CLAHE ponderado. Árabe. J. Ciencias. Ing. 47, 13781–13798. https://doi.org/10.1007/s13369-021-06421-w (2022).

Artículo CAS Google Scholar

Hättenschwiler, N., Mendes, M. & Schwaninger, A. Detección de bombas en imágenes de rayos X del equipaje facturado: imágenes 2D versus 3D. Tararear. Factores 61, 305–321. https://doi.org/10.1177/0018720818799215 (2019).

Artículo PubMed Google Scholar

Gao, Q., Hong, R., Zhu, X., Liu, X. Un algoritmo de mejora de imágenes de rayos X para mercancías peligrosas en la inspección de seguridad de aeropuertos. En Actas de la Conferencia Asia-Pacífico sobre Tecnología de las Comunicaciones e Informática (ACCTCS), Shenyang, China 43–46 (2021). https://doi.org/10.1109/ACCTCS52002.2021.00017.

Pincu, R., Kleinberger-Riedrich, O. Una revisión de la radiografía digital al servicio de la seguridad. En 18ª Conferencia Mundial de Ensayos No Destructivos, 2012, 17, Durban, Sudáfrica. www.ndt.net/?id=12810.

Gupta, P., Sinno, Z., Jack, L., Glover, JL, Paulter, NG et al. Predecir el rendimiento de detección en imágenes de rayos X de seguridad en función de la calidad de la imagen. En IEEE Transactions on Image Processing, vol. 28, 3328–3342 (2019) https://doi.org/10.1109/TIP.2019.2896488.

Moldovanu, S., Damian Michis, FA, Biswas, KC, Culea-Florescu, A. y Moraru, L. Clasificación de lesiones cutáneas basada en dimensiones fractales de superficie y características estadísticas de grupos de colores utilizando un conjunto de técnicas de aprendizaje automático. Cánceres 13, 5256. https://doi.org/10.3390/cancers13215256 (2021).

Artículo PubMed PubMed Central Google Scholar

Montaha, S. y col. BreastNet18: un modelo VGG16 ajustado de alta precisión evaluado mediante un estudio de ablación para diagnosticar el cáncer de mama a partir de imágenes de mamografía mejoradas. Biología. 10, 1347. https://doi.org/10.3390/biology10121347 (2021).

Artículo PubMed PubMed Central Google Scholar

Montaha, S. y col. MNet-10: un modelo robusto de red neuronal convolucional poco profunda que realiza un estudio de ablación en imágenes médicas para evaluar la efectividad de aplicar una técnica óptima de aumento de datos. Frente. Medicina. 9, 924979. https://doi.org/10.3389/fmed.2022.924979 (2022).

Artículo de Google Scholar

Verma, AK y cols. Detección basada en wavelet y aprendizaje profundo del SARS-nCoV a partir de imágenes de rayos X torácicos para realizar pruebas rápidas y eficientes. Sistema experto. Aplica. 185, 115650. https://doi.org/10.1016/j.eswa.2021.115650 (2021).

Artículo PubMed PubMed Central Google Scholar

Kusrini, K., Arif, M., Yudianto, A. y Al Fatta, H. El efecto del filtro gaussiano y el preprocesamiento de datos en la clasificación de imágenes de títeres de Punakawan con el algoritmo de red neuronal convolucional. En t. J. Electr. Computadora. Ing. 12, 3752–3761. https://doi.org/10.11591/ijece.v12i4.pp3752-3761 (2022).

Artículo de Google Scholar

Wu, Y., Dai, Q. y Lu, H. Diagnóstico de COVID-19 mediante aprendizaje contrastivo basado en ondas con imágenes de tomografía computarizada de tórax. Quimio. Intel. Laboratorio. Sistema. 236, 104799. https://doi.org/10.1016/j.chemolab.2023.104799 (2023).

Artículo CAS Google Scholar

Hussein, F. y col. Redes neuronales profundas híbridas CLAHE-CNN para clasificar enfermedades pulmonares a partir de adquisiciones de rayos X. Electrónica 11, 19. https://doi.org/10.3390/electronics11193075 (2022).

Artículo de Google Scholar

Sistemas de detección de alta tecnología, “SÛRETÉ & DÉTECTION”, (2023). https://www.htds.fr/ (consultado el 27 de febrero de 2023).

Yu, L., Li, B. & Jiao, B. Investigación e implementación de CNN basada en TensorFlow. Conferencia de la PIO. Ser. Madre. Ciencia. Ing. 490, 042022. https://doi.org/10.1088/1757-899X/490/4/042022 (2019).

Artículo de Google Scholar

José, R. Un enfoque de red neuronal convolucional (CNN) para detectar rostros utilizando tensorflow y keras. Rochester, Nueva York, 2019. https://papers.ssrn.com/abstract=3599641 (consultado el 5 de marzo de 2023).

Descargar referencias

Este trabajo fue apoyado por el proyecto "DINAMIC", financiado por el Ministerio rumano de Investigación e Innovación, Contrato no. 12PFE/2021. El trabajo de la estudiante de maestría Lynda Oulhissane fue apoyado por la Agencia Universitaria de la Francofonía (AUF), Programa “Eugen Ionescu” 2021-2022 (Bourse de recherche doctorale/postdoctorale). El autor está muy agradecido por esto.

Laboratorio de Señales y Sistemas (LSS), Facultad de Ciencia y Tecnología, Universidad Abdelhamid Ibn Badis de Mostaganem, 11 Route Nationale, Kharouba, 27000, Mostaganem, Argelia

Lynda Oulhissane y Mostefa Merah

Departamento de Ciencias de la Computación y Tecnología de la Información, Facultad de Automatización, Computación, Ingeniería Eléctrica y Electrónica, Universidad Dunărea de Jos de Galati, 2 Stiintei Str., 800146, Galati, Rumania

Simona Moldovanu

Laboratorio de modelado y simulación MSlab, Dunărea de Jos University of Galati, 47, 800008, Galati, Rumania

Simona Moldovanu y Luminita Moraru

Departamento de Química, Física y Medio Ambiente, Facultad de Ciencias y Medio Ambiente, Universidad Dunărea de Jos de Galati, 47 Domneasca Str., 800008, Galati, Rumania

Luminita Moraru

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

Investigación diseñada por SM, LO y LM. LO y MM recopilaron datos. Datos analizados por SM, LO, MM y LM. LO y LM escribieron el manuscrito. Todos los autores revisaron el manuscrito.

Correspondencia a Luminita Moraru.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Oulhissane, L., Merah, M., Moldovanu, S. et al. Detección mejorada de detonadores en la inspección de equipaje por rayos X mediante manipulación de imágenes y redes neuronales convolucionales profundas. Informe científico 13, 14262 (2023). https://doi.org/10.1038/s41598-023-41651-y

Descargar cita

Recibido: 23 de mayo de 2023

Aceptado: 29 de agosto de 2023

Publicado: 31 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-41651-y

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.