Résumé:
La détection d'objets dangereux de type explosif dans les bagages en soute représente un défi crucial pour minimiser les risques liés aux actes criminels et aux attaques terroristes. Cette complexité découle souvent du camouflage soigneux de ces objets dangereux, rendant leur identification difficile. Les explosifs, en particulier, sont rares, difficiles à discerner, et peuvent prendre diverses formes, y compris les détonateurs, qui peuvent être confondus avec des masses organiques inoffensives. Les agents de sécurité aéroportuaire sont confrontés à l'examen d'un grand volume d'images radiographiques à rayons X, engendrant stress, fatigue, et une baisse d'attention.
Face à ces défis, l'intelligence artificielle (IA) peut fournir une assistance précieuse dans la détection des détonateurs, même en présence d'images de qualité médiocre. Cette étude se penche sur la détection des détonateurs dans les images radiographiques des bagages en utilisant une architecture d'apprentissage profond : le CNN profond. Deux approches ont été explorées : la première utilisant des images radiographiques brutes à double énergie, et la seconde impliquant un prétraitement d'image. Trois méthodes pré-entraînées ont été appliquées : CLAHE, la transformation en ondelettes avec les fonctions mères Haar, Daubechies2 (Db2), Symlet2 (Sym2), et Coiflet2 (Coif2), ainsi que la méthode mixte CLAHE RGB-transformée en ondelettes.
Les performances des images prétraitées ont clairement surpassé celles des images brutes. Les méthodes de prétraitement les plus efficaces, atteignant un taux de précision de 100 %, se sont avérées être CLAHE (Canal Vert en Gris, Canal Bleu en Gris, et Canaux RGB), ainsi que les transformations en ondelettes avec la fonction mère Haar à deux niveaux HL.
