安检 X 光图像智能识别（AI 判图）正在成为铁路、地铁等公共交通安检场景的标配能力。作为长期深耕这一领域的从业者，本文尝试从原理、挑战与工程落地三个维度，还原这项技术的真实面貌。
一、X 光成像与人工判图的瓶颈
X 光安检机通过不同密度的物质对射线吸收率的差异成像：金属密度高、成像深黑，有机物密度低、成像偏橙。传统模式完全依赖安检员的肉眼判读，而人工判图存在三个先天瓶颈——注意力难以长时间维持、培训周期长且标准难统一、高峰时段漏检风险上升。行业统计显示，安检员连续注视屏幕 20 分钟后误判率明显上升，这正是 AI 判图切入的痛点。
二、AI 识别怎么做：从检测框到置信度
AI 判图本质上是一个目标检测问题：在 X 光图像中定位违禁品区域并给出类别与置信度。当前主流方案采用深度学习检测框架，在标注数据上训练出能够识别刀具、枪支、液体等违禁品的模型。工程上通常包含几个关键环节：高质量标注数据的积累、针对 X 光成像特点的数据增强、模型在边缘设备上的轻量化部署，以及最重要的——与人工复核流程的衔接设计。
三、真实挑战：为什么「识别率 99%」很少出现在工程现场
实验室指标与现场表现往往存在差距。真实安检场景中，包裹堆叠导致目标遮挡、不同品牌设备成像风格差异、以及海量正常物品对误报率的苛刻要求，都是模型需要面对的工程难题。一个负责任的 AI 判图系统，应当在高检出率与低误报率之间取得平衡，并将「不确定」的图像主动交给人工复核——这也是集中判图模式（AI 初筛 + 人工复核）被广泛采用的原因。
四、落地实践：从单机智能到集中判图
道信德辰在铁路场景的实践中发现，AI 判图的真正价值不在于替代安检员，而在于重构作业流程：前端 X 光机接入 AI 分析，可疑图像自动推送至集中判图室复核，形成「AI 识别—远程判图—现场复检」的闭环。这一模式在多个车站的落地效果表明，判图岗位配置可有效优化，同时标准化了判图质量。技术最终要服务于流程，这才是 AI 判图可持续发展的关键。