要解释这个问题，还要从X光图像的生成过程说起。

01 从探测器信号到RGB图像

在安全检查中，乘客将行李放置在安检机传送带上，行李随着传送带进入安检机内部，触发射线源发射 X 射线束，X 射线束穿透行李包裹落到探测器上，探测器将采集到的射线光子转换成可测量的高低能数据，经复杂处理和运算后生成RGB安检图像。

在安检图像生成过程中，不同型号、不同使用年限的探测器输出的数据不同，不同安检机品牌的数据处理、图像处理、几何矫正和上色方案不同，这些都会带来X光图像的巨大差异。

02 图像差异与模型识别的噩梦

不同X光安检机生成的图像在配色、像素、几何形变等方面都存在差异。而对于深度学习模型来说，在颜色、形状等关键信息上略有差异的图像可能是完全不同的两张图，需要重新进行学习。

深度学习模型缺乏足够的泛化能力，难以识别差异很大的图像，因此X光图像差异会导致模型学习效率低下，模型训练困难，识别准确率难以提升等问题。

03 安检机底层数据识别方案的优势

针对X光图像差异带来的智能识别难题，海深科技首创了安检机底层数据识别方案，通过获取安检机底层数据进行建模和识别。

这种方案的优势在于各个品牌安检机的底层数据差异小且容易标定，可经过处理形成统一标准的X光图像，更易于深度学习模型进行学习和识别，从而能够大幅提升模型训练的效率，有效提高模型识别准确率，彻底解决系统兼容性、适配性难题，且能够准确识别各种液体成分。