基于雙能X射線的液體危險品識別分類方法

胡紫薇，項 安，陳奕杰

(同濟大學 電子與信息工程學院, 上海 201804)

近年來，機場、地鐵、車站等區域對于液體危險品的安全檢查越來越重視，由于這些區域人口密集，一旦被不法分子利用將產生難以預料的后果。然而，實際的液體一般是多種液體的混合物，混合物的配比不同，容器的形狀、材料、在安檢機中的位置不同均會導致識別結果精度偏低，誤報率和漏報率較高。

現階段利用X射線安檢技術對固體爆炸物的識別技術取得了極大的突破。SAMET等[1]提出了利用X射線安檢設備，基于深度神經網絡對行李的X射線圖像進行特征提取后實現分類，成功檢測出手槍、管制刀具等危險物品；ANDRE等[2]提出了利用雙能量CT安檢設備，基于三維模型重構計算行李中任何區域的原子序數和密度信息，實現物質分類，識別諸如金屬、毒品、爆炸物等危險品。

對于固體危險品的檢測方法已日漸完善，識別準確率非常高，但是在液體危險品檢測方向上還存在著諸多問題。Optosecurity公司提出了通過知識庫去除傳送帶和玻璃壁的影響，基于數學模型計算有效路徑對液體進行識別[3]，但是由于容器形狀不一，在行李中的位置難確定，容器材料與厚度對識別結果的影響，檢測結果并不精確。李文博[4]提出在靜態條件下對危險液體進行區分，該方法僅針對靜態放置被檢品，且未提出去除容器影響的方案；王宇石等[5]提出MMA算法可對圓形或橢圓形容器盛放的高密度危險液體實現識別，但需要多個光源來實現高識別率；查艷麗[6]在此基礎上提出對液體容器材料的識別算法，為實現液體檢測去除容器影響提供了一定的借鑒。

筆者利用現有雙能X射線安檢機，基于圖像深度學習，提出了一種去除容器壁厚的數學模型，計算容器吸收系數，并利用圖像處理方法獲得精準的容器定位，采用支持向量機和邏輯回歸模型實現R值分類，完成對液體危險品的識別，此方法能夠提升安檢效率與識別精度。

1 雙能X射線危險液體識別方法原理

1.1 X射線安檢機結構與原理

雙能X射線安檢機主要由射線源和陣列探測器組成。由一列探測器收集線性的扇形X射線穿透物體后的衰減信號組成單個列陣，經由傳送帶及采集率匹配得到行程矩陣數據信息，處理后由灰度信息形成偽圖像。由于被檢測物體的密度與厚度不同，形成圖像的灰度值也不同。對于單能系統，只能通過圖像中物體形狀來判斷。而對于雙能系統，則可以利用高低能數據圖像得到R值，從而計算得到物質的有效原子序數Zeff的信息，實現物質鑒別。

1.2 雙能X射線物質的分類原理

假定入射X射線束能量為I0，通過厚度為H的物質后其衰減為I。經過簡化后，其關系表現為Beer-Lambert定律[7]

(1)

式中：μm()為坐標為處物質的質量吸收系數；ρ()為物質的密度。

對式(1)進行變換得到X射線透視成像公式為

(2)

式中:L為射線穿透的有效長度。

將X射線透過混合物等效為通過N份均勻的不同物質(見圖1)，那么式(2)可以表示為

圖1 雙能X射線安檢機結構示意

(3)

根據式(3)可以發現X射線穿透物質的吸收強度由物體長度和透射厚度決定。

X射線穿透物質等效示意如圖2所示，高低能圖像的物質厚度相抵消。可以得到R值計算公式如式(4)所示。

圖2 X射線穿透物質的等效示意

(4)

這種方法即目前安檢機區分有機物、無機物和混合物的方法[8]。

通過高低能數據得到被檢液體等效的R值之后，根據式(5)得到有效原子序數Zeff,從而完成對液體的識別。

Zeff=a·exp(α·R)+b·exp(β·R)

(5)

式中：a=-6.596X105,b=4.685,α=-9.815,β=0.678 3。這4個常數的取值為經驗值。

1.3 去除容器壁厚的數學模型

根據式(4)和式(5),可以得到X射線安檢機檢測危險品是通過高低能數據得到等效的R值,或者通過擬合曲線得到有效原子序數Zeff，實現物質分類的[9-13]。但是，這種方法在檢測液體危險品時需要經過一定的改進。因為液體一般被盛放于容器中，容器的材料、壁厚等對高低能數據的影響將會直接影響到對液體物質的分類。所以，提出如下的一種理想狀態下的算法模型，盡可能剔除容器的干擾，得到液體的高低能數據與R值。

假定不考慮空氣、傳動帶等因素的影響，將容器壁假定為均一、厚度相等的材料，將容器中的待檢測液體也視為均勻的。基于以上的理想化假設，可以將整個待檢測物體的吸收強度等效為

A=μbottleLbottle+μliquidLliquid

(6)

式中：A為吸收強度；μbottle為容器的吸收系數；Lbottle為射線穿過容器的有效長度；μliquid為液體的吸收系數；Lliquid為射線穿過液體的有效長度。

只要能夠求得μbottle，Lbottle的值，即可得到液體的相關參數并實現識別。

對于X射線源發出的一條X射線，其在穿過容器壁后，通過待檢測液體，再穿過容器壁到達直線上的陣列探測器接收點。此種理想狀態下的數學模型如圖3所示。

圖3 理想狀態下的數學模型

對于射線源發出的兩條射線S1與S2，在分別經過有效長度為L1與L2的物質吸收后被探測器接收。通過分析最終的成像信息，可以推算得到S1與S2對應的探測的實際位置(x1，y1)，(x2，y2)。

假定X射線源處正上方的傳送帶為坐標軸原點，那么對于S1和S2分別有

(7)

(8)

(9)

(10)

將式(9)與式(10)代入式(7)與式(8)，化簡得到

AS1cosα1=2dμbottle+μliquidHliquid,S1

(11)

AS2cosα2=2dμbottle+μliquidHliquid,S2

(12)

式中：Hliquid,S1，Hliquid,S2為射線穿過液體的有效長度在垂直方向上的投影。

由于傳送帶的運動與慣性的存在，一般情況下，Hliquid,S1≠Hliquid,S2。

對式(11)與式(12)進行差分得到

AS1cosα1-AS2cosα2=μliquidΔHliquid

(13)

由式(13)可以發現，通過差分可以消除容器壁對液體R值的影響。對高低能圖像同時進行差分處理，后通過高低能數據相除可以得到理想狀態下液體R值的求解方法為

(14)

根據式(14)即可得到液體R值，再根據式(5)可得到液體的有效原子序數，實現對危險液體的識別分類。

2 液體容器的X射線數學圖像定位方法

2.1 基本圖像處理

2.1.1 圖像噪聲分析與平滑處理

在X射線穿透被檢測液體的過程中，會存在暗電流產生的噪聲、探測器之間相互接收產生的噪聲、系統的噪聲等干擾。若不對噪聲進行前期處理，會影響容器定位的效果。

對于暗電流產生的噪聲，采集射線源關閉時的圖像，對其進行列均值處理，得到的值可以近似認為是每個探測點的暗電流數據。在通過被檢測液體時，將得到的雙能圖像減去暗電流數據，即可排除暗電流噪聲的干擾[14]。對于其他噪聲，可采用中值濾波的方法濾除。

2.1.2 圖像二值化處理

圖像二值化處理是為了減少圖像的冗余信息，對圖像進行輪廓清晰化處理而進行的步驟。二值化處理的基本原理是設定一個閾值，將高于該閾值的像素點設為1，小于該閾值的像素點設為0，從而達到過濾不相干信息，突出所需被檢物輪廓的目的。

在危險液體檢測中，一般方法的處理結果顯示仍有較多的不相干背景殘留，無法得到較好的容器輪廓。在上述理論基礎上，筆者提出一種基于R值的圖像二值化處理方法，以盡可能多地濾除背景的影響。

基于R值的二值化處理方法為：首先，在不放置任何待檢測物的狀態下，得到“亮場圖片”數據，對其進行列均值處理后，以得到的數值作為每個探測點的滿載數據。然后，通過盛有被測液體的容器，得到被測物的高低能圖像數據，根據式(4)將其分別除以對應的滿載數據后，進行對數變換再相除可以得到R值圖像。通過選取合適的R值可以突出液體容器的信息，剔除其他不相關信息。

基于R值的二值化處理結果如圖4所示，通過對圖4的分析可以發現，基于R值的二值化算法能夠有效地濾除與液體容器無關的信息(如尺子等)，保留所需物體信息。

圖4 基于R值的二值化處理結果

2.1.3 圖像形態學處理

基于R值的二值化處理雖然能夠有效地剔除無關信息,得到液體容器信息，但是也導致了圖像出現缺失和存在多余點，甚至部分圖像未能連接在一起。為了更好地實現容器定位，在圖像二值化后進行形態學處理，以減小空隙和去除多余信息點。對二值化處理后的圖像迭代4次腐蝕操作，再迭代4次膨脹操作，最后進行融合操作，能夠保留較多的有用信息，并去除不必要的信息。

2.2 液體容器定位

一般的圖像識別問題中，通常采用如圖5(a)所示的邊界矩形框實現目標物體的查找，但是對于液體識別來說，其無法實現等厚度截面下的分析，所以采用如圖5(b)所示的最小外接矩形的方法實現容器定位。

圖5 矩形框方案示意

在簡單場景下進行試驗可以發現，最小外接矩形的方案對經過二值化和形態學處理后的液體容器的定位準確性較高(見圖6)。

圖6 簡單場景下最小外接矩形試驗方案

3 液體R值的分類算法研究

在基于去除容器壁厚的數學模型方法進行處理后，不同液體的R值仍存在交叉，需要對其采用邏輯回歸模型與支持向量機模型進行分類。

3.1 分類算法實現流程

對于分類模型，為了避免參數在訓練過程中過擬合的現象，在訓練過程中會隨機選取80%的數據作為訓練集，20%的數據作為驗證集。在訓練邏輯回歸模型上，首先在訓練集上訓練迭代幾次，得到一個模型參數，再通過得到的模型參數對驗證集進行判別，并將判別結果反饋給模型，模型通過梯度下降的方法對參數進行迭代優化。執行以上步驟多次，得到一個較為理想的模型參數作為邏輯回歸的參數值。對于支持向量機，因為模型是基于數學方法求解的唯一值，因此不需要進行梯度下降的方法優化。但為了能夠與邏輯回歸模型訓練的結果進行比對，因此在選取數據中，選取同等訓練數據值優化支持向量機。

圖7為邏輯回歸模型、線性SVM(支持向量機)以及非線性SVM在兩個γ值(支持向量機選擇高斯核函數作為內核的一個參數)下，二維數據(低能數據、R值)的分類結果。由圖7可以直觀地看出，支持向量機的分類效果在本該試驗采集的樣本內比邏輯回歸模型的效果更好，且對于非線性模型進行非線性描述有更好的顯示結果。

圖7 分類模型可視化結果

3.2 分類算法評估

危險液體識別事件是一個二分類問題，其檢測結果存在4種情況，即TP(True Positive)，FP(False Positive)，FN(False Negative)，TN(True Negative)。TP是指將危險液體正確識別；FP是指將危險液體錯誤識別為非危險液體；FN是將非危險液體錯誤識別為危險液體；TN是正確識別非危險液體。假定危險液體判定為1，非危險液體判定為0，該4種情況如表1所示。

表1 二分類問題判定情況

表中FN為誤報情況，FP為漏報情況。查準率=TP/(TP+FP)，代表在所有判定為1的樣本中實際為1的正確率。查全率=TP/(TP+FN)，代表所有實際為1的樣本中被判定為1的正確率。

通過查準率和查全率可以得到PR曲線(查準率-查全率曲線)，查準率與查全率一般呈負相關，即一個指標高時另一個指標偏低。所以，根據PR曲線包圍的面積大小可以定性判斷結果的準確性。定義該面積為AP，AP越大，表明判定準確率越高。如圖8所示，邏輯回歸模型的AP值小于支持向量機。

圖8 不同模型PR曲線對比

ROC曲線(Receiver Operating Characteristic Curve，接收者操作特征曲線)利用混淆矩陣派生假正率和真正率兩個度量，并用這兩個度量作為橫縱坐標，生成ROC空間。其中，ROC曲線下方面積值為分類模型的AUC(ROC曲線下的面積)值。在模型評比中，通常利用AUC作為衡量分類器性能的度量，隨機效果對應的AUC值為0.5，若數值小于0.5，需要考慮數據之間清洗以及替換其他模型，AUC值越接近1，就表示對應的分類模型的效果越好。不同模型和ROC曲線如圖9所示，邏輯回歸模型的AUC值小于支持向量機模型的。

圖9 不同模型ROC曲線對比

4 試驗驗證與分析

液體識別算法流程圖如圖10所示，在對得到的雙能X射線高低能圖像進行濾波、二值化、形態學處理后，獲取液體容器的最小外接矩形，然后根據高低能數據，利用R值識別算法，對無托盤等遮擋物場景下的危險液體進行識別。設置了兩種場景，其識別信息如表2所示。

圖10 液體識別算法流程圖

表2 無遮擋物場景識別信息

簡單場景識別結果如圖11所示(自上而下分別為容器1，2，3，4，紅色邊框表示識別為危險液體)。

圖11 簡單場景識別結果

對市面上存在的U型探測器和L型探測器分別進行779次和740次采樣(總計1 519次采樣數據)，采用兩種模型和R值分類模型進行評估，得到的評估結果如表3所示。

表3 各種分類模型評估結果

根據表3，可以發現支持向量機模型對雙能X射線危險液體的識別表現較好，能夠實現較高的識別準確度，精確度能夠達到80%以上。

5 結語

根據圖11可以發現，筆者提出的數學模型可以在一定程度上去除容器壁厚對識別結果的影響，經過中值濾波、二值化、形態學處理后，根據高低能圖像能夠利用最小外接矩陣得到液體容器的精確定位，從而得到液體的R值的原理，實現了對液體的識別。支持向量機模型和邏輯回歸模型均能夠利用物體的三維信息(高能、低能、R值)對液體進行特征提取后分類，而支持向量機模型對于文章研究的對象具有更好的分類效果。

然而，去除容器壁厚的方法是在容器壁厚均勻的前提下建立的，對于不均勻壁厚的容器容易出現誤檢、漏檢，而現實中極有可能存在壁厚不均勻的情況，在此方面需要進一步完善模型。另外，由于現實中液體容器所處的環境復雜，其他物體的遮擋對于判別結果的影響也需要作進一步考慮。