安检通道里，X光机每天产生大量图像，靠人工逐幅判图，既考验经验，也考验专注力。近年来，AI开始进入这一环节，成为判图员的“第二双眼睛”。这篇科普就围绕判图，讲清它的原理、用法与边界。
一、判图是什么：AI在安检X光图像里做什么
判图，简单说就是根据X光图像判断行李内物品的性质与风险。传统方式由安检员完成：看形状、看颜色、看结构，结合图像层次识别刀具、液体、电池、粉末等可疑物。
AI辅助判图，则是用深度学习模型对X光图像做自动识别。它通常做三件事：一是目标检测，框出刀具、打火机、压力罐等常见违禁或限带物品；二是材质辅助判断，结合X光图像的颜色与灰度信息，提示有机物、无机物、混合物的大致分布；三是异常提示，对结构异常、密度异常的区域给出标记，供人工复核。
需要强调，AI判图不是替代人，而是把“找”的工作分担一部分，把“判断”和“处置”仍留给安检员。
二、判图怎么用：融入安检流程的三种方式
第一种是实时辅助。图像进入判图终端的同时，模型给出候选框和置信度，安检员据此快速聚焦可疑区域，减少漏看。
第二种是复检提醒。对已通过初检的图像做二次筛查，把高风险图像挑出来提示复判，适合高峰时段或重点通道。
第三种是培训与质检。用历史图像做回溯分析，帮助判图员复盘误判案例，也便于管理者抽查判图质量。这类应用不直接参与放行决策，风险更低，落地也更稳。
实操中，建议先小范围试点：选定固定通道、固定班次，记录AI提示与人工结论的差异，再逐步扩大范围。
三、判图要注意什么：误报、漏报与人的因素
AI判图的核心指标是检出率与误报率，两者往往需要权衡。阈值调得严，误报增多，判图员容易被大量提示干扰；调得松，漏报风险上升。因此参数设置应结合场景风险等级，而不是一味追求“最灵敏”。
其次是图像质量。物品摆放角度、重叠遮挡、设备参数差异，都会影响模型表现。上线前应做足样本覆盖，上线后保持定期评估与模型更新。
第三是人的因素。AI提示只是线索，最终判断仍由人完成。要避免两种倾向：一是过度依赖提示而放松观察，二是因误报频繁而忽视提示。配套的操作规程和培训，比模型本身同样重要。
四、判图适用场景与落地建议
判图辅助更适合图像量大、物品类型相对稳定的场景，例如地铁、车站、场馆、快递分拣等通道。对物品形态差异极大、图像质量波动明显的场景，需要更谨慎地评估效果。
落地建议有四条：明确AI只做提示、不做放行结论；建立误报与漏报的记录与复盘机制；把判图辅助纳入日常培训而非一次性采购；关注数据安全与隐私合规，图像与标注数据的使用应有制度约束。
判图技术的价值，不在于制造“无人安检”的想象，而在于让有限的人力更聚焦于高风险判断。理解它的原理与边界，才能把它用在合适的位置。