Sistema para el reconocimiento y clasificación de formas de objetos metálicos no permitidos en aeropuertos a través del procesamiento de imágenes (RCOPI)

Abstract

El presente trabajo describe el diseño de un sistema de reconocimiento e identificación de armas cortopunzantes y de fuego, en los equipajes y maletas de manos de pasajeros en los aeropuertos, mediante el uso de las radiografías o respuestas de máquinas de escáner (imágenes) ultrasónicos realizadas a estos. Para llevar a cabo el reconocimiento y clasificación en el proyecto, se hace uso de herramientas como las redes neuronales convolucionales con segmentación de instancias, MASK RCNN (MASK region convolutional neural network, o Máscara de Región de Redes Neuronales Convolucionales), una base de datos en la cual se guardan o manipula los datos de radiografías realizadas a maletas o equipajes de mano, las cuales contienen imágenes con armas cortopunzantes, armas de fuego, armas japonesas medievales, herramientas de construcción, entre otras, y en cierto sentido también se extrae, para poder definir si en un equipaje o maleta de mano, contiene un material metálico no permitido por la normatividad vigente colombiana. La información de la red neuronal en conjunto con la base de datos para el entrenamiento de esta fue trabajada en un entorno virtual o cuaderno de programación virtual de Google Colaboraty que ofrece alta capacidad de procesamiento de imágenes y memoria RAM (memoria de acceso aleatorio) totalmente gratis, con el fin de extraer los coeficientes adaptativos necesarios para la elaboración del modelo, para luego realizar un aprendizaje por transferencia en el hardware escogido para el prototipo funcional del proyecto. El sistema RCOPI tiene como resultado una exactitud de un 93.17% (ver tabla 5) lo que, comparado con los trabajos investigados es un valor satisfactorio, el cual es sesgado por una precisión y sensibilidad promedio de las clases objeto de investigación mayores al 93% y 92% respectivamente, de lo que se puede deducir que la calidad de las veces acertadas en cada clase es alta con respecto a la cantidad de los datos no predichos, y que el modelo cuenta con una sensibilidad satisfactoria, ya que el sistema predijo 234 clasificaciones falsas erradamente que es muy inferior con las 3195 que acertó en las clases reales.

This work describes the design of a system for the recognition and identification of sharps and firearms, in luggage and suitcases held by passengers at airports, using radiographs or responses from ultrasonic scanner machines (images) made to these. To carry out the recognition and classification, use is made of tools such as convolutional neural networks with segmentation of instances in the project, MASK RCNN (MASK region convolutional neural network, or Region Mask of Convolutional Neural Networks), a database in which X-ray data taken from suitcases or hand luggage is stored or manipulated, which contain images of sharps weapons, firearms, medieval Japanese weapons, construction tools, among others, and in a certain sense it is also extracted, in order to define if in a luggage or carry-on suitcase, it contains a metallic material not allowed by current Colombian regulations. The information of the neural network in conjunction with the database for the training of this was worked in a virtual environment or virtual programming notebook of Google Collaboraty that offers high image processing capacity and RAM (random access memory) totally free, to extract the adaptive coefficients necessary for the elaboration of the model, and then carry out a learning by transfer in the hardware chosen for the functional prototype of the project. The RCOPI system results in an accuracy of 93.17% (see table 5) which, compared to the researched works, is a satisfactory value, which is biased by an average precision and sensitivity of the classes under investigation greater than 93%. and 92% respectively, from which it can be deduced that the quality of the correct times in each class is high with respect to the quantity of the unpredicted data, and that the model has a satisfactory sensitivity, since the system predicted 234 wrongly false classifications which is much lower than the 3195 it got right in the real classes.