earticle

영어

This paper proposes a multi-input deep learning approach that mimics the density-centric screening technique of aviation security officers by combining visual features with "estimated density" information derived from physical properties. As attempts to smuggle hazardous items become more sophisticated, existing systems relying solely on visual information face limitations in distinguishing materials with similar shapes. To address this, we designed a method that integrates density features extracted from grayscale intensity into CNN-based models (VGG16 and EfficientNetB0) to enhance classification performance. In particular, the reliability of the dataset was secured by selecting 11 core hazardous item classes through consultation with active aviation security officers. Experimental results demonstrate that the proposed multi-input method significantly reduces misclassification rates compared to baseline models and proves the effectiveness of density information, especially in identifying overlapped or visually ambiguous objects.

한국어

본 논문은 공항 X-ray 보안 검색의 정확도를 높이기 위해, 현장 보안검색요원의 밀도 중심 판독 기법을 모사하여 이미지의 시각적 특징뿐만 아니라 물체의 물리적 속성인 '추정 밀도' 정보를 함께 활용하는 다중 입력(Multi-input) 기반의 딥러닝 모델 을 제안한다. 최근 지능화되는 위해물품 반입 시도에 대응하기 위해 정밀한 검색 시스템이 요구되고 있으나, 기존의 단일 시 각 정보 의존 방식은 형태가 유사한 이종 물질 식별에 한계가 있다. 이를 해결하기 위해 본 연구는 CNN 기반의 VGG16과 EfficientNetB0 모델에 그레이스케일 강도에서 추출한 밀도 정보를 추가 입력 변수로 결합하여 분류 성능을 강화하였다. 특히, 현직 항공보안검색요원의 자문을 통해 선별된 11종의 핵심 위해물품 데이터를 활용하여 실험의 현실성을 확보하였다. 실험 결 과, 제안된 방식은 기존 모델 대비 오분류율을 유의미하게 감소시켰으며, 특히 중첩되거나 시각적으로 구분이 어려운 객체 식 별에 있어 밀도 정보가 중요한 판단 근거로 작용함을 입증하였다.