МЕТОД ПОБУДОВИ ТІНЬОВИХ ЗОБРАЖЕНЬ ОБ’ЄКТІВ КОНТРОЛЮ РЕНГЕНІВСЬКИХ СИСТЕМ АВІАЦІЙНОЇ БЕЗПЕКИ

  • M. Zaliskyi
  • O. Shcherbyna
  • L. Tereshchenko
  • A. Osipchuk
  • O. Zharova
  • P. Stanko
Ключові слова: авіаційна безпека, рентгенівські інтроскопи, тіньові зображення, обробка зображень, спектральний виявлювач, критерій Неймана-Пірсона

Анотація

Стаття присвячена розробці метода побудови тіньових зображень об’єктів контролю рентгенівських інтроскопів та аналізу його застосування для розпізнавання небезпечних та заборонених предметів на зображеннях багажу. Відомо, що безпека авіації значним чином визначається заходами з забезпечення авіаційної безпеки. Для цього використовуються радіоелектронні системи та комп’ютеризовані комплекси доглядової техніки. Це обладнання включає рентгенівські інтроскопи, металодетектори та металошукачі, сканери тіла, газоаналізатори тощо. Обладнання доглядової техніки використовується для виявлення небезпечних та заборонених предметів у пасажирів та в їхньому багажу. Однією із основних проблем при цьому слід ввважати високу ймовірність хибної тривоги під час виявлення небезпечних предметів рентгенівськими системами. У деяких випадках ця ймовірність може складати 0,3, що негативно впливає на пропускну здатність пасажиропотоку аеропортів. З метою усунення вказаного недоліку в цій статті наводиться детальний опис нових технологій виявлення небезпечних предметів на основі використання проєкційних тіньових зображень об’єктів контролю. Запропонований метод побудови тіньових зображень грунтується на використанні правила подібності трикутників, теореми Піфагора, теореми синусів і косинусів та формул для визначення тригонометричних функцій кутів прямокутного трикутника. Пояснення методу отримання тіньових зображень виконується на прикладі об’єкту контролю у вигляді циліндра. При цьому спочатку наводиться стандартна методика визначення математичної моделі тіні у одній площині сканування. Далі використовуються розроблений метод сканування, який передбачає прямий та обернений перехід до циліндричної та декартової систем координат. Отримані математичні моделі тіньових зображень простої форми використовуються для побудови моделей складної форми, які можуть вважатися моделями заборонених та небезпечних об’єктів доглядового контролю.Метод отримання тіньових зображень є складовою методичного базису для синтезу спектрального виявлювача. Алгоритм виявлення передбачає знаходження просторового перетворення Фур’є від тіньового зображення з подальшою згорткою зі спектром маски шуканого забороненого чи небезпечного предмету. Запропонований виявлювач використовує правило прийняття рішення на основі критерію НейманаПірсона. У статті виконано аналіз результатів моделювання виявлювача для розпізнання пістолету на зображеннях багажу. Для аналізу ефективності виявлення розраховановідповідну характеристуку виявлення. Аналіз довів ефективність спектрального виявлювача з точки зору статистичних характеристик. При цьому під час розпізнавання пістолету ймовірність правильного виявлення складає 0,99997, а ймовірність хибної тривоги – 0,01. Результати дослідження можуть бути використані для автоматизація процесів догляду пасажирів та багажу.

Завантаження

Дані про завантаження поки що недоступні.

Посилання

1. Doc 9859. Safety Management Manual. Montreal: International Civil Aviation Organization, 2018.
2. M. Chen, Y. Zhang and Y. Chen. Review on Civil Aviation Safety Investment Research. In 2016 11th International Conference on Reliability, Maintainability and Safety (ICRMS), 2016, pp. 1–5, doi: 10.1109/ICRMS.2016.8050113.
3. Annex 17 to the Convention on Int. Civil Aviation, Security, Montreal: International Civil Aviation Organization, 2006.
4. L. Ji and Y. Mou. Research on the Feasibility of Application of Millimeter-wave Security Screening Equipment in Civil Aviation. In 2021 IEEE 3rd International Conference on Civil Aviation Safety and Information Technology (ICCASIT), 2021, pp. 71-75. Doi: 10.1109/ICCASIT53235.2021.9633747.
5. Семенов О.О. Технічні засоби служби авіаційної безпеки. Київ: НАУ, 2013, 264 с.
6. D. Anderson. Optimising Multi-layered Security Screening. Journal of Transportation Security. Vol. 14, 2021, pp. 249–273. Doi: 10.1007/s12198-021-00237-3.
7. P. Gupta, Z. Sinno, J. L. Glover, N. G. Paulter and A. C. Bovik. Predicting Detection Performance on Security X-Ray Images as a Function of Image Quality. IEEE Transactions on Image Processing, Vol. 28, No. 7, 2019, pp. 3328–3342. Doi: 10.1109/TIP.2019.2896488.
8. S. Almazroui, W. Wangand G.Zhang. Imaging Technologies in Aviation Security. European Journal of Applied Sciences, Vol. 3, No. 4, 2015, pp. 12–27. Doi: 10.14738/aivp.34.1433.
9. J. Skorupski and P. Uchroński. A Human Being as a Part of the Security Control System at the Airport. Procedia Engineering, Vol. 134, 2016, pp. 291–300. Doi: 10.1016/j.proeng.2016.01.010.
10. M. Zaliskyi. Reliability parameters estimation in case of aviation radio electronic devices technical state deterioration. Electronics and Control Systems, 2015, № 3 pp. 18–22.
11. R. Gesick, C. Saritac and C.-C. Hung. Automatic Image Analysis Process for the Detection of Concealed Weapons. In Proceedings of the 5th Annual Workshop on Cyber Security and Information Intelligence Research Cyber Security and Information Intelligence Challenges and Strategies, 2009, pp. 1–12. Doi: 10.1145/1558607.1558630.
12. V. Riffo and D. Mery. Automated Detection of Threat Objects Using Adapted Implicit Shape Model. IEEE Transactions on Systems, Man, and Cybernetics Systems, Vol. 46, No. 4, 2016, pp. 472–482. Doi: 10.1109/TSMC.2015.2439233.
13. S. Akçay, M. E. Kundegorski, M. Devereux and T. P. Breckon. Transfer Learning Using Convolutional Neural Networks for Object Classification within X-ray Baggage Security Imagery. In 2016 IEEE International Conference on Image Processing (ICIP), 2016, pp. 1057–1061. Doi: 10.1109/ICIP.2016.7532519.
14. B. Gu, R. Ge, Y. Chen, L. Luo and G. Coatrieux. Automatic and Robust Object Detection in X-Ray Baggage Inspection Using Deep Convolutional Neural Networks. IEEE Transactions on Industrial Electronics, Vol. 68, No. 10, 2021, pp.10248–10257. Doi: 10.1109/TIE.2020.3026285.
15. Y. F. A. Gaus, N. Bhowmik, S. Akçay, P. M. Guillén-Garcia, J. W. Barker and T. P. Breckon. Evaluation of a Dual Convolutional Neural Network Architecture for Object-wise Anomaly Detection in Cluttered X-ray Security Imagery. In 2019 International Joint Conference on Neural Networks (IJCNN), 2019, pp. 1–8. Doi: 10.1109/IJCNN.2019.8851829.
16. J. Zhang, X. Song, J. Feng and J. Fei. X-Ray Image Recognition Based on Improved Mask R-CNN Algorithm. Mathematical Problems in Engineering, Vol. 2021, pp. 1–14, doi: 10.1155/2021/6544325.
17. A. K. Shukla. Medical Imaging Methods: Theory and Applications. Boca Raton: CRC Press, 2022, 200 p.
18. R. Alberts. Modeling and Control of Image Processing for Interventional X-Ray. Eindhoven: Technische Universiteit Eindhoven, 2010, 202 p.
Опубліковано
2023-03-17
Як цитувати
Zaliskyi M. Метод побудови тіньових зображень об’єктів контролю ренгенівських систем авіаційної безпеки / M. Zaliskyi, O. Shcherbyna, L. Tereshchenko, A. Osipchuk, O. Zharova, P. Stanko // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2023. – Т. 1 (71). – С. 19-25. – doi:https://doi.org/10.26906/SUNZ.2023.1.019.
Розділ
Автомобільний, річковий, морський та авіаційний транспорт