CT安检探测技术是基于CT扫描（X-RayComputedTomography，X-CT或称计算机断层扫描），利用X射线束对被检物一定厚度的层面进行扫描，由探测器接收透过该层面的X射线，转变为可见光后，由光信号转变为电信号，再经A/D转为数字信号输入计算机进行处理成像。CT扫描技术是建立在不同材料的物质对射线衰减不一样的性质基础之上，同时以Radon变换和Radon反变换作为基本理论支撑，利用从不同方向对物体进行扫描透射得到的投影数据重建出物体的图像，任意方向得到的数据即为沿着该路径物体对射线衰减的积分，通过计算和变换得到该截面的衰减系数信息，从而重建出该截面的图像。

　　近年来，随着人工智能技术的兴起，以卷积神经网络（CNN）为代表的深度学习方法开始广泛应用于计算机视觉和自然语言处理等领域。深度学习是对传统神经网络的延伸，增加了神经网络的层数以获得更加强大的特征提取和信息表达能力。相比于传统方法，深度学习技术无需人工设计特征提取器，通过非线性函数近似模型把原始数据转变成更加抽象的表达，自动提取特征，并且算法性能会随着训练数据量的扩大而提升。

　　与深度学习技术的融合将是CT安检探测技术未来发展的一个重要趋势。深度学习方法在处理图像时能够利用大量邻域信息充分提取图像特征，可得到检测精度更高、抗噪性能更好的图像。深度学习技术与CT安检探测技术的融合主要体现在两个方面：第一，深度学习技术可有助于CT重建图像质量的提升；第二，基于深度学习技术的目标检测和识别可实现CT重建图像中危险品的自动识别。

　　深度学习算法在CT图像重建中主要有两方面的应用。首先，深度学习技术可融入CT重建算法中，对于解析重建算法，利用神经网络实现重建算法中的加权、滤波以及反投影等步骤，可获得低剂量CT情况下更好的图像效果。对于迭代重建算法，神经网络可替代传统算法中的正则项，从而避免手动设计正则化项。其次，深度学习技术可用于CT重建图像后处理中，在传统方法重建图像后，利用深度学习技术对CT重建图像进行后期优化处理以提高图像质量。

　　--摘自《中国安防》杂志2021年4月刊