在机场、地铁、物流分拣中心等场景，X光安检图像的数量往往远超判图员的实时处理能力。如何在有限人力下保持判图质量与通行速度的平衡，是安防运营中的核心难题。
一、基于排队系统模型的集中判图是什么
简单说，它把「图像到达—判图员处理—结果回传」这一过程抽象成一个排队网络。每台安检机产生的图像是“顾客”，判图员是“服务台”，图像在集中判图中心排队等待被处理。
集中判图指将分散在各点位的X光图像统一传输到远端判图中心，由专业判图员集中处理。相比本地判图，它能灵活调配人力，但也引入了网络延迟和任务排队问题。
排队系统模型（如M/M/c、M/G/c等）用到达率、服务率、服务台数量等参数，描述图像积压的概率与平均等待时间。基于排队系统模型的集中判图，就是借助这些参数为判图中心定编、定策略，让效率可预期、可调优。
二、X光成像与物质识别原理：判图员在看什么
要理解判图负荷，先要知道判图员在分辨什么。
双能X光安检机用高低两种能量穿透物品，依据不同物质对射线的吸收差异，计算出有效原子序数相关指标，把图像按颜色分级：橙色通常代表有机物（如纸张、衣物、部分爆炸物），蓝色代表无机物（如金属刀具、枪支零件），绿色介于两者之间。
CT型安检设备则通过多角度投影重建物体断层，能给出更细的密度与原子序数分布，对液体、粉末、叠放物品的识别更稳定。
判图员的任务，是在这些颜色与形态线索中快速锁定违禁品。图像越复杂、叠放越多，单幅判图耗时越长，服务率就越低——这正是排队模型要刻画的关键变量。
三、基于排队系统模型的集中判图怎么用：建模与参数调整
落地时通常分三步。
第一步，采集基础数据。统计各安检点高峰与平峰时段的图像到达率，以及判图员平均单幅处理时长，得到服务率。
第二步，选择模型并设定目标。若到达近似随机、服务时间波动不大，可用M/M/c模型估算所需判图员数量；若服务时间差异明显，则用M/G/c等更贴近实际的模型。目标通常设定为“平均等待时间不超过X秒”或“积压概率低于Y%”。
第三步，动态调优。根据实时排队长度调整判图员排班，或对图像做优先级分级：高风险图像优先推送，常规图像批量处理。部分系统还会设置超时提醒，避免单幅图像占用过久。
实操建议：先小范围试运行，用真实数据校准到达率与服务率；不要一次性追求全量集中，可先按线路或时段分批接入；同时保留本地判图作为兜底，防止网络中断导致全线停滞。
四、适用场景与注意事项
适用场景包括：多点位统一判图的大型场馆、快递物流分拣线、地铁与铁路安检集中管理，以及判图员数量有限但图像量波动大的场所。
注意事项有四条。其一，网络带宽与延迟直接影响排队效果，需提前评估。其二，判图员疲劳会降低服务率，排班要留冗余。其三，模型参数需随季节、客流变化定期更新，不能一次设定长期不变。其四，集中判图不改变X光成像本身的物理限制，对遮挡严重的物品仍需结合开包或CT复检。
基于排队系统模型的集中判图，本质是用工程方法把“人等图”还是“图等人”说清楚。它不追求绝对精确，而是让资源配置有据可依，让安检在效率与安全之间找到可解释的平衡点。