目前，公共场所采用的安检仪大都是磁金属探测加人工手检模式，或者借助大型安检仪，速度慢、工作量大，在庞大人流量的情况面前，传统安检方式显得捉襟见肘。

　　在具体安检过程，大型安检仪多是采用X射线或者毫米波等扫描成像技术对行李进行安全检测的方式，当射线机发出射线，射线透过被检箱包后，在射线探测箱上形成射线透视图，然后根据扫描成像判断物品的安全性。

　　目前X光安检机已被广泛应用于交通、物流等领域，毫米波也在逐渐普及，但目前随着技术的发展，新型材料出现，同时还需要面对短时间人流过多等难题，人们对安检速度和准确度的要求越来越高，传统安检仪图像的判图一直依赖于人工，质效低、耗时久，工作量大，且无法高效识别图像中的违禁品，漏检问题时有发生。

　　针对当下安检领域的突出矛盾，以计算机视觉为基础的人工智能新技术开始越来越多应用在安检图像识别领域，尤其是深度学习算法的出现，与传统的机器学习算法相比，深度学习使用深层的神经网络取代了人工提取图像特征的过程，在图像识别相关的多个领域都取得了很好的应用效果。

　　当然，由于使用了更大更深的神经网络，训练需要大量的数据，深度学习算法首先要解决的就是如何获得大量图像样本的问题。而安检领域大量图像出现正适合深度学习算法应用。

　　另外，同时针对不同人在各种不同部位携带各种不同的物品，获得大量的数据，并通过一些手段进行数据生成和增广，把这些数据应用在很深的神经网络上进行训练。随着数据量的增大和网络模型的优化，可以得到准确率更高的算法。

　　通过在传统安检仪基础上加上全新的神经网络结构，采集超过百万的违禁品样本图像进行比对，运用专业的安检识别大数据平台及自主创新研发的硬件设备，通过真实安检图像训练，让计算机“掌握”安检图像的特点。系统识别率可达到90%，可迅速从复杂的图片中识别可疑液体、易燃易爆物品、各类刀具等多种违禁品和危险品，并标记出其位置和类别。

　　安检图像智能识别系统在提高安检效率的同时，改变原有的安检管理模式，强化了安检勤务管理与开包处置流程的信息化，实现安检领域的效果评估和管理逐渐走向信息化、实时化和智能化。

　　此外，系统采集的安检数据由个体终端到信息化管理平台，将不同站点、不同品牌安检机识别信息汇总至网络控制中心，实现联网管控，打破数据孤岛。管理者能实时掌握数百个安检终端违禁品识别信息并进行统计分析，发现宏观趋势，实时预警。

　　当前，随着人工智能与安检设备的融合，相关企业也都利用自身优势将人工智能融入安检业务中，满足不断更新的安检需求。