客舱行李安检智能化研究及虹桥机场的应用实践

□ 上海虹桥国际机场 李 萌 尹 华/文

我国的航空安保历来都有“地面防、空中反、内部纯”的工作理念。民航安全检查工作就是各大机场充分发挥地面防范职能、保障空防安全的关键手段，而安检防范的重点可简要归结为图1所示的两个方面：即防止“危险物品”和 “危险人员”进入控制区特别是航空器。其中，在航站楼旅客安检区域，防范“危险物品”的核心任务之一便是对客舱行李（亦称：手提行李或随身行李）进行禁限物品筛查。

图1：民航安全检查工作分布简图

长期以来，禁限物品漏检问题作为一类安保措施的失效现象具有普遍性，是全行业的重难点议题和机场安检管理的主抓方面。本文主要针对客舱行李的禁限物品筛查工作，探讨分析现行模式的局限性和漏检的深层次原因，提出一种基于计算机视觉技术的人工智能辅助判图系统，并通过在虹桥机场安检的布置与测试应用，以对机场客舱行李安全检查智能化作出初步研究和探索。

机场现行客舱行李检查模式分析

（一）现行客舱行李检查模式简况

目前，几乎国内所有机场，客舱行李检查采用图2所示模式：在行李通过X射线安全检查设备（X光机）后，安检员基于对行李X射线图像特征的分析，判读是否有禁限物品，并指明禁限物品的具体位置及性质，进而根据判读结果和民航法律法规要求，予以放行或进一步手工开箱包检查。

显然，现行模式下的整个业务内容是一项基于视觉判断的信息处理任务，有两个主要特点：一是任务目标及需求单一明确，可简单归结为处理“what is where？”（什么东西？在哪里？）的问题；二是筛查系统中最关键的要素是作出事关安保决策的安检人员。

图2： 系统化观点下的现行客舱行李检查模式示意

（二）现行客舱行李检查模式分析

1.检查效能的影响因素

实际航班生产运行中，在机场运营需要兼顾安全检查彻底性和效率性的情况下，现行模式的局限性会被充分暴露，即：智能化程度较低、判读结果不稳定。检查效能可能会受表1所示诸多复杂因素不同程度的影响。

对于这项专业性较强、工作量较大、精力要求高度集中的民航安保工作，虽然原始行李的物品复杂程度和成像技术的先进程度会对最终效能产生影响，但是它们的影响总体有限、可控。而人的因素十分复杂且易受影响，人的差错也是现行模式下导致安全负面绩效（漏检）的最直接原因。

2.检查效能的提升手段

相对应地，在实际安检管理过程中，目前主要有两种方式直接或间接地减少人的差错：（1）降低任务整体难度：一方面是通过提醒旅客对原始行李物品进行整理和规范放置，减少重叠和干扰等。另一方面是通过启用多视角X光机或者CT设备等，增强检查技术对行李信息的采集能力。（2）利用管理手段克服检查人员的部分影响因素：建立常态化在岗培训、强制休息（连续判读<30min）、岗位状态监测、岗位积分测评、分时段走动式提醒、图像复查等管理办法。

虽然这些工作在一定程度上提升了禁限物品筛查质量，但仍未解决分析判读图像完全取决于安检员的模式瓶颈。所以在相同业务场景下，为实现持续稳定的图像判读，虹桥机场安检重点聚焦人的因素，率先提出：通过加强技术对禁限物品分析、判断过程的辅助占比，进而增强安检模式的智能化程度、克服人的局限，最终实现安全裕度和整体效能的提升。

虹桥机场客舱行李安检智能化应用实践

客舱行李安全检查模式智能化，具体而言，就是由计算机模拟安检员视觉系统，分析处理原始行李的X射线图像信息，并作出对选定目标（禁限物品）类别和具体位置的解释表达。这样的任务目标，正是人工智能领域在计算机视觉方向的经典应用场景之一：目标检测。随着近年来神经网络取得重大发展，相关研究已具备较为成熟的技术基础，而且国家自上而下的政策、标准等密集出台也为人工智能在民航安保方面的融合应用提供了有力保障和指导。

表1：现行客舱行李检查效能的主要影响因素

（一）智能化的主要策略与关键技术

结合计算机视觉技术的产业现状，综合考虑本场具备的系统设备条件和业务需求，虹桥机场安检明确从算料（数据集）、算法、算力（计算能力）等要素构建出发，依次实现人工智能辅助判图系统的科学筹建、试点部署、效能评估和推广应用，分步推进客舱行李检查工作的智能化转型。智能化的关键技术包括了建立数据集、搭建算法模型以及采用合适的硬件设备。

1.建立数据集。大样本训练数据驱动是当前深度学习的主要方法，现有的公开X射线数据集较少且与机场的实际生产图像仍有较大出入。为取得更具实效的结果，虹桥机场安检采用自建数据集，该数据集有两个主要特点：一个是分阶段选取“少而精”的目标。结合分步稳健的部署理念，依据物品的危险性、旅客携带频率、漏检风险等业务特点，首先选择了具有代表性的4类禁限物品，作为第一阶段的主要探测对象，具体为：枪支、刀具、锂电池/充电宝、打火机。另一个是采集、标注数据。利用实际查获禁限物品现场采集图像和导出实际生产图像两种方式，共筛选、标注了116534幅包含上述禁限物品类别的图像，作为第一阶段适用性数据集，用于模型训练和性能初步评估。

图3：人工智能系统在客舱行李检查中的辅助定位示意

2.搭建算法模型。在计算机视觉领域的目标检测方面，主要方法可分为传统目标检测算法和基于深度卷积神经网络的目标检测算法。后者又主要分为两类，即：基于候选区域的目标检测算法和基于回归的目标检测算法。考虑到实际业务所需的准确性和实时性，本文采用基于候选区域的目标检测算法，具体为比较成熟的基于ResNet-101的FPN模型。相关模型在PASCAL VOC2007 + VOC2012数据集中测试，其平均精确率均值达83.8%。

3.所需的主要硬件设备为常规 GPU服务器，以局域网模式部署。

（二） 智能化系统实测的原则与效能评估

1.系统实测原则

从安全管理角度出发，在系统布置测试阶段遵循两个原则：一是明确人工智能系统在人机协同模式中的辅助角色定位，部署人工智能系统的初步目标是构建图3所示的人工混合智能模式，安检员的职责界面不因部署人工智能系统而改变。二是在业务流程方面，人工智能辅助判图系统采用实时同步检查模式部署在实际的安全检查通道。考虑到试点初期机器误报警存在干扰安检员正常判图的可能，故将系统判图结果反馈至独立显示终端，暂不直接反映至X射线检查设备操作界面。

2.系统效能评估分析

从虹桥机场T1、T2航站楼两条旅客安检通道的布置测试情况来看，在实际业务环境中，系统运行平稳良好，图像判读快速高效（单幅图像判读时间＜200ms）。通过安检员和人工智能辅助判图系统对45万余幅现场图像的平行判读测试（系统具体性能参数及具体数据略），可得出如下结论：

（1）实际含禁限物品的行李较为稀疏，在系统总体误报率仅为1.19%的情况下，基本不会对安检员正常判读造成干扰，运行效率得以保证。

（2）锂电池/充电宝和打火机的总体正确报警率分别为98.68%和93.39%，表现出良好的探测性能；刀具总体正确报警率为59.12%，从现场测试来看，对刀片、修眉刀等小型刀具的探测能力仍有较大提升空间。

（3）正确报警率与训练数据量符合算法原理地呈现正相关性。锂电池/充电宝和打火机训练数据量均超过1.5万幅，而刀具类训练数据总量仅4000余幅，具备提升潜力。

（4）T1、T2航站楼两条旅客安检通道分别服务于不同航空公司和相应的旅客群体，可认为是两次独立测试，它们的各自误报率和禁限物品正确报警率相差不大，表现出系统性能良好的可信度。

此外，从客舱行李检查的模式流程来看：

（1）人工智能辅助判图系统规避了安检人员流动、人员疏漏等带来的筛查质量不稳定性。在试点期间，多次出现安检员漏检、系统正确报警提示的情况，实现了人工智能系统发挥辅助作用、克服模式瓶颈的设定初衷，辅助防漏检效果明显。

（2）成像设备结合人工智能辅助判图系统，形成对客舱行李禁限物品筛查中信息采集、信息分析判读的全过程技术支撑，业务场景智能化程度得到提升。

客舱行李安检智能化的发展思考

人工智能的优势在新一轮技术浪潮中才刚刚显现，随着技术的不断发展和进步，后续人工智能系统还将在客舱行李安全检查全面智能化转型、助力四型机场建设上发挥更多的应用价值、占据更为关键的基建地位。

（一）系统性能方面

1.需要突破人工智能技术自身局限性，增强数据训练的自主性，逐步从专用型人工智能系统发展至复杂场景下的通用型人工智能；

2.扩展和增加可探测禁限物品种类，实现更加全面、精准的禁限物品智能筛查水平；

（二）应用模式方面

1.人机交互和人工智能协同共进，系统判图结果的交互界面及结果的反馈实时性采用合理运行方式，促使综合效能达到最佳状态；

2.系统对业务支撑的覆盖面可逐步从客舱行李检查推广到业务类似的托运行李检查、货物邮件检查、图像全局性复查等安全检查环节。

（三）智能程度方面

1.通过收集人工智能辅助判图系统的判读数据，并对漏检情况、禁限物品分布情况进行客观数据分析，可实现对现场安全态势的大致判别；

2.后续人工智能辅助判图系统的检查精度、检查种类优化发展至可与高水平安检员媲美时，X射线设备操作员岗位可逐步归结、甚至实现小范围旅客检查区域的集中判图，加之与安检智能通道、毫米波人身检查设备等更先进的智能化设备配合，可逐步实现基本覆盖旅客安检动线的智能化、无感化安全检查。

综上所述，通过对现行客舱行李安检模式研究分析以及在虹桥机场试点应用，实现了人工智能技术驱动客舱行李安检智能化从无到有的全新突破，可以得出人工智能辅助判图系统能够有效检测选定禁限物品，对防漏检有明显的积极作用。因此，基于业务实际、合理部署后，引入智能化系统可以有效克服人的局限性，实现更稳定、更智能、质量更高的禁限物品筛查水平，可较大幅度提升整体安全裕度，也积极响应了民航“十四五”期间提升智慧民航建设水平的工作要求。