违禁品安检技术现状与展望综述

钟健 甘玉凤 高向东

江西理工大学机电工程学院，江西赣州 341000

0 前言

随着人类活动范围的扩大和流动性的增加，公共安全面临的挑战越来越严峻。保障公共安全成为衡量各国政府和国家的社会治理能力的标准。安检可有效预防公共事件的突发。本文对金属探测、毫米波检测、太赫兹检测和X光检测等4种主流安检手段进行阐述，分析各自技术的优劣并介绍相关研究进展，总结现有不足并展望未来发展趋势。

1 金属探测技术

金属探测器是依据涡流效应原理，当仪器靠近金属时，线圈感应出涡流，产生新磁场并影响原磁场，从而引发报警器报警，根据声音判断是否有金属物。

金属探测器分手持式和过道式。手持式金属探测器成本低，小巧便捷，易操作，对人体无害；缺点是只能检测金属，且易受干扰，效率低，需人工手检。周游宇等人[1]基于STC89C52RC单片机设计了可调节灵敏度、可人机交互的智能金属探测器。LAIDLAW JAMES等人[2]研究对比了手持式金属探测器（HHMD）的连续波检测（CWD）和静态磁极装置的磁异常检测（MAD），发现MAD的极点搜索时间短于CWD，检测效果显著优于CWD。MATSUSHIMA S等人[3]开发了可由操作员远程操作的、具有金属探测器的人形机器人，能将探测器摆动到离嫌疑人衣服表面很短的距离，并检查衣服下隐藏的金属物体。

过道式金属安检门稳定性强，安装简单，灵敏度高，对人体无害；缺点是只能检测金属，无法定位物品，误漏报问题较多，一定程度上需人工手检。郑海东等人[4]开发了基于PLC+PC的自动安检门测试系统，该系统有良好检测能力，可减少任务量和提高检测性能。为弥补金属安检门无法准确区分危险品和无害物品的不足，MAKKONEN J等人[5]研究了KNN（K-Nearest Neighbor）分类器在多大程度上可以区分各种金属物体，如刀具、鞋柄、皮带和容器。分类器使用从磁极化率张量中提取的特征，该张量表示物体的电磁特性，测试包括区分有威胁的物体和无害的物体。结果显示，识别威胁的典型成功率超过 95%，正确分类的成功率超过 85%，并已证明该系统能够可靠区分相似的对象。

2 毫米波探测

毫米波（Millimeter Wave，MMW）为频率30 GHz～300 GHz的电磁波，可穿透衣物探测金属和爆炸物等。其成像分主动和被动，两者均有毫米波接收器，主动成像并有合适的辐射源。毫米波图像目标检测方法有两大类：图像阈值方法和机器学习方法。图像阈值方法大多是用图像灰度直方图确定分割阈值，根据阈值提取目标物并分类，近年有最大类间阈值法[6]和模糊C均值阈值法等。机器学习包括传统机器学习和深度学习[7]。深度学习是传统机器学习的深入研究，从卷积神经网络（Convolutional Neural Network，CNN）[8]开始，衍生出深度神经网络以及YOLOv3[9]等模型并用于图像目标检测。

2.1 主动毫米波成像

主动毫米波（Active Millimeter Wave，AMMW）成像是对人体进行主动扫描，借助反射的毫米波生成相应毫米级的人体轮廓图像，可发现金属与毒品等。AMMW成像为毫米级分辨率，成像效果好，灵敏度高，图像信息丰富；缺点是显示人体生理特征，只能静态检测和有一定的辐射。

夏祖学等人[10]在单极化的基础上提出了双极化毫米波成像方法；XUN L等人[11]则利用矢量网络分析仪搭建多极化3D毫米波成像系统用于隐蔽武器检测。对于近场AMMW成像，师君等人[12]对比热图检测和YOLO（You Only Look Once）检测，结果表明YOLO方法更适合实时性较高场合；对于性别隐私保护，周健等人[13]根据灰度值提取局域直方图，采用多特征、多权值方法自动快速识别男女性，为保护隐私作局部图像处理，但仍有少许隐私困扰。

学者们还研究深度学习在AMMW图像的目标检测识别。LU SH B等人[14]在TensorFlow框架下采用目标检测API并对Ka波段成像结果校正，用CNN对目标检测识别，解决了图像分层问题，系统分辨率接近5 mm；WANG C J等人[15]通过穷举滑动窗口将图像从一个CNN确定垂直位置到另一个CNN确定水平位置，完成对图像搜索检测。

2.2 被动毫米波成像

被动毫米波（Passive Millimeter Wave，PMMW）成像是通过被动检测来自场景和目标的自然毫米波辐射并生成图像，可检测金属和爆炸物等。其优势在于动静态检测模式、无辐射、无隐私侵犯、高成像速度和非接触式等；劣势是厘米级分辨率、图像质量差和受环境限制。

CHENG Y Y等人[16]通过多极化亮温模型研究人与隐蔽物的偏振差，计算两者的亮度温差，引入噪声，减少入射角水平偏振差，融合多偏振图像转换，得到完全垂直极化图像，结果表明，人和隐匿物的对比度得到增强。图像边缘是检测识别的重要特征，PMMW图像存在边缘特征不连续问题，CHENG Y Y等人[17]通过研究融合多极化信息的物理边缘生成方法，用可调线性偏振比建立人和接收源的偏振亮温模型，通过偏振成像、图像去噪插值、完全极化转化、计算可调线性偏振比和边缘标定6个步骤能很好地显示目标边缘，但实际应用中会受到测量误差、皮肤影响等因素干扰。

深度学习在PMMW图像的目标检测识别亦是研究热点。为解决PMMW图像质量低，双手叉腰等特殊姿势可能出现误报现象，GUO L等人[18]手动标注PMMW图像和可见光图像（Visible Image, VI），用深度神经网络分割人体轮廓，训练得到清晰的人体边界，利用PMMW图像和VI之间的精确区域配准消除误报，提升隐蔽区检测性能；缺点是VI会增加成本和提高算法复杂度，同时指出，AMMW图像和VI的互补结合亦值得探索。LOPEZ-TAPIA S 等人[19]用CNN-DL分类器检测和定位隐匿物，深度架构处理非平稳噪声，提高检测性能，解决图像质量低和隐匿物的大小、形状与位置等未知问题。

3 太赫兹探测

太赫兹（Terahertz，THz）为频率0.1 THz～10 THz的电磁波，具有强穿透性、低辐射、可保护隐私的特点，固而使得THz技术在检测危险品方面有良好的应用前景。THz技术包括THz成像和THz光谱，根据是否有辐射源，分主动和被动成像。

3.1 THz光谱技术

THz光谱依据不同物质在THz波段的光谱信息来检测识别物质并分类，具有物质“指纹谱”。毒品在THz波段有特征吸收现象，HE T等人[20]通过实验，用THz光谱获得38种高纯度毒品的光谱信息，用密度泛函理论分析信息，用部分光透过模型消除干涉峰并考虑包装对光谱干扰，比较R平方值、空间图样法和自组织映射神经网络对毒品的定性识别，可知R平方值法效果最好；同时比较R平方值、支持向量机（SVM）和反向传播、径向基2种神经网络对毒品的定量识别，结果4种方法效果都不理想。

THz光谱技术亦可实现对液体的检测。WANG C等人[21]用THz光谱技术建立5种类型液体和7种乙醇浓度的光谱信息，对处理后得到的特征光谱，用CNN进行检测分类，结果表明，在高信噪比的情况下有100%准确率，即使在低信噪比的情况下，准确率也达97.14%，这对液体的检测研究开辟了新思路。

爆炸物的吸收光谱有特异性，故用THz光谱可检测爆炸物。SONG X Y等人[22]用密度泛函理论揭示了5,5'-联四唑-1,1'-二氧二羟铵（TKX-50）的THz光谱特征，为THz光谱技术对它的检测识别提供理论支撑。

THz光谱技术对其他违禁品（有毒气体[23]和有毒药物[24]等）和特定对象（邮件隐匿物[25]）的检测识别同样应用广泛。

3.2 主动式太赫兹成像

主动式THz成像是由辐射源向人或物照射THz波，接收反射回来的信号进行成像，特点是毫米级分辨率、图像清晰，但系统硬件复杂、价格贵。

为提高THz独立检测人体和其他危险品的有效性，ZHANG J S等人[26]先将大量主动THz图像标记并分类，考虑光学图像影响，通过迁移学习训练数据，用改进的Faster R-CNN检测识别目标并定位，解决人和物的相互冲突；同时分别用区域全卷积网络、SSD（Single Shot Multi Box Detector）、Faster R-CNN和 YOLOv2训练数据集，将测试结果和改进的Faster R-CNN作对比，结果表明，改进的Faster R-CNN在有效性和效率方面的表现更优越。薛飞等人[27]基于条件生成对抗网络分割目标，RetinaNet算法检测识别目标，实现较快速度对多类别物体的分割和检测识别，并对比RetinaNet、YOLOv3和FRCN-OHEM三者算法，结果表明，RetinaNet算法对多目标的检测更优越。

3.3 被动式太赫兹成像

被动式THz成像是探测器聚焦并接收人或物发出的THz辐射来进行成像，特点是可靠性和稳定性高，无辐射，图像重构时间少，成本相对便宜，但图像质量差，信噪比低，分辨率为厘米级。

THz被动成像有独到的长处，实用性强于主动式，但仍有劣势，为进一步增强成像和提升安检效果，近几年众学者对其研究取得了迅猛的发展。KOWALSKI M[28]采用250 GHz频率探测各类衣服下的隐匿物，分别用YOLO3和R-FCN对THz图像进行自动检测分类，测试表明，R-FCN的表现优胜于YOLO3。陶长剑等人[29]互补主、被动式THz的优势，研究两者结合式的安检机，在更苛刻、更复杂环境下具有优越的检测性能，但图像融合技术尚未成熟，还需深入研究。考虑成本因素和实用性，冯辉等人[30]设计单探测器被动THz成像系统，将扫描得到的图像经过图像重构、图像拼接、图像预处理、增加清晰度、伪彩色处理、提取边缘线和自动标记目标7个步骤来检测人体衣物下的物品，达到快速检测和减少成本；最后增加THz频率提高分辨率，增加探测器提升速度以及用某种神经网络提高自动标记准确率。为在较远距离依然有较高分辨率，缪玮杰等人[31]研究焦平面被动式THz成像系统，在110 GHz频段下对6米远的行人进行探测，分辨率达2.5 cm，可远距离高分辨率成像。

THz技术在安检领域前景光明，但各种干扰对THz图像的分割和检测识别仍有较大影响，存在成像质量差、分辨率低导致检测识别效果不佳问题。在图像目标分割方面，当前研究了灰度特征[32]和深度学习的Mask-CGANs模型[33]。对于提高THz图像分辨率，研究了双阈值canny均衡化算法[34]和加深网络结构改进残差结构的CNN超分辨率重构算法[35]。为增加检测识别效果，研究了改进的Faster R-CNN算法[36]和对数模型的自适应算法[37]。

4 X射线探测

X射线是一种位于紫外线和γ射线之间的电磁波，1895年由伦琴发现。X射线具有穿透和吸收作用，穿透物质的同时被物质吸收，广泛用于医疗、法医尸检和安检等领域。X光成像分单能X光成像、双能X光成像、多视角X光成像、X光背散射成像、能量色散X射线衍射等。

管制刀具是X光安检的重要目标，检测还需人工识别图像，易因人为因素漏检管制刀具小目标。郭瑞鸿等人[38]用角度旋转增加训练样本后人工标注分类，对ResNet34网络后3层作卷积，形成低层网络替换SSD的VGG16网络，构建SSD-ResNet3模型后对网络部分扩展层作反卷积，形成高层网络，通过跳跃连接进行高低层网络的多尺度特征融合；将改进模型与MFDSSD（Multi-scale Fusion Deconvolutional Single Shot Detector）、SSD、DSSD（Deconvolutional Single Shot Detector）对比，改进算法的鲁棒性和精度要优于其余三者，提高对管制刀具小目标的安检效果。

液体对于安检有极大的挑战，X光是常用检测方法。YANG D等人[39]研究了将能量色散X射线衍射（Energy Dispersive X-ray Diffraction，EDXRD）结合线性判别分析和主成分分析对液体进行检测分类的方法，随后研究了将EDXRD结合光谱分离算法对液体进行筛选的方法[40]。

X光能无损、准确检测出隐匿在人体行李或包裹中的毒品和炸药。HUANG S L等人[41]用Geant4工具包建立模型，背向散射和X光透射分别照射不同遮掩物下的毒品和炸药，测试表明，背向散射的对比度高于透射成像，适合检测隐匿在行李中或人体衣服下的毒品和炸药，较易分辨面粉这种无定形状物质。SONG Q H等人[42]通过EDXRD扫描毒品等物质得到衍射光谱，用光谱角度填图法、相关系数和主成分分析的综合算法识别衍射光谱，可准确检测出被遮挡的毒品；同时，对无固定形状的粉末物质可调整算法权重，利用有效阈值来分辨。

5 检测技术对比

表1是各种违禁品检测技术的总结对比，对相关检测技术的优点、缺点、检测类别进行了分析和归纳。

除了现代艺术，我们还能在柏林见到来自世界各地的古代艺术品。柏林市中心的一个岛上布满了博物馆，俗称博物馆岛。在这里，古代埃及文明和古代东方文明只有几步之遥，老博物馆、老国家艺术画廊、博德博物馆、新博物馆和佩加蒙博物馆等如同一部部时空机器，带领我们开启一场惊心动魄的文化艺术之旅。

表1 违禁品检测技术对比

6 总结和展望

各种安检技术有各自的特点，都能较好地实现违禁品的检测与识别，但繁重的工作量和多样的物品种类使安检技术面临诸多挑战。自动和高效安检是研究热点，深度学习在安检图像的应用处于发展阶段，但模型改进对安检实时性、检测精度等都有显著提高。本文分析了金属探测、毫米波、太赫兹和X光检测技术在安检领域的发展，总结了各自的优缺点。

（1）检测技术互补化

法律定义的违禁品种类繁多，检测技术各有千秋，但也分别存在劣势，无法检测出万千类别的物品或各种复杂情况下的物品。针对不同检测要求，融合多种技术，互补其优缺点，在一定程度上可增加检测性能和检测类别。例如双能X光结合EDXRD方案，可快速检测和精确识别违禁品。集各种检测技术的有效融合是一个热门方向，能快速、准确检测出更多类别的危险品和增强环境适应性。

（2）网络集成化

传统安检是每台设备都配有安检员，且相互独立，高峰时段存在人员不足、任务繁重的困难，平低峰时段出现工作量少、人员浪费情况。对于安全与效率的矛盾，在安检技术不变下，可结合云技术和大数据等将独立安检机转向网络化，做到实时、远程和集中判别，减少人员，提高效率。合理的安检新模式可减员增效，对地铁等场合是可研究的热点。

（3）探索更先进的安检技术

（4）深度学习与安检图像

目前，深度学习在安检图像的研究中取得了突出成果，但大多是较少数据集和少量物品类别的研究，与真实场景难以相比，模型部署到真实现场仍有诸多难题需解决。X光、毫米波及THz图像和可见光图像存在不小的区别，如何依据图像特点有针对性地改进模型和研究特征提取算法，还需深入探索。