In-depth analysis of automated baggage inspection using simulated X-ray images of 3D models

In-depth analysis of automated baggage inspection using simulated X-ray images of 3D models

Inspección de equipajes con rayos X

Proyección de imágenes de amenazas

Proyección de rayos X de modelos 3D

Rayos X con pseudo-color

Simulación de imágenes de rayos X

Modelos de difusión

Aprendizaje profundo

620

Ingeniería

Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2023

La inspección de equipajes con rayos X es esencial para la seguridad fronteriza y en medios de transporte, evitando que objetos peligrosos entren a áreas seguras. Actualmente, el aprendizaje profundo es la técnica de vanguardia para la detección y clasificación automatizada de objetos amenazantes. El entrenamiento de estas redes requiere muchos datos; sin embargo, la disponibilidad de imágenes de rayos X en bases de datos públicas es limitada. Proponemos una metodología de generación de imágenes para superar este problema. Nuestro método genera nuevos datos mediante la superposición de imágenes de rayos X simuladas de modelos 3D sobre rayos X de equipajes reales, permitiendo a los investigadores entrenar modelos sin necesidad de imágenes adicionales o etiquetado manual. En este trabajo, validamos nuestra metodología de simulación de imágenes y presentamos técnicas avanzadas, como la distorsión con modelos de difusión. Nuestros experimentos incluyen cientos de entrenamientos con YOLOv5, utilizando una combinación de imágenes reales de la base de datos SIXray e imágenes sintéticas de rayos X de llaves inglesas y pistolas. La evaluaciones de nuestros modelos entrenados se realizaron con imágenes sin alteraciones. Al entrenar con 16.000 imágenes simuladas de llaves inglesas en escala de grises, obtuvimos como resultado un AP0,5 del 72,7%, mientras que añadir 16.000 imágenes sintéticas a 50 imágenes reales de pistolas aumentó el AP0,5 desde 78,8% a 91,6%. Nuestros resultados confirman que las imágenes sintéticas se pueden utilizar para mejorar el rendimiento de los modelos de detección de objetos. Esto, sumado a la inferencia en tiempo real de YOLOv5, demuestra el potencial para apoyar a los inspectores y automatizar la inspección de equipaje. Finalmente, estas técnicas de superposición y colorización pueden emplearse en otras áreas de imágenes de rayos X.

CENIA FB210017

ANID

FONDECYT grant N1191131

Kaminetzky, Alejandro

2023-09-22T19:55:59Z

2023-09-22T19:55:59Z

2023

Mery Quiroz, Domingo

Pontificia Universidad Católica de Chile. Escuela de Ingeniería

acceso abierto

xiv, 70 páginas

application/pdf

en

tesis de maestría

10.7764/tesisUC/ING/74654

https://doi.org/10.7764/tesisUC/ING/74654

https://repositorio.uc.cl/handle/11534/74654