关于开放携带及隐蔽刀具检测的多传感器方法的系统综述

《ARTIFICIAL INTELLIGENCE REVIEW》：A systematic review of multisensor methods for open-carry and concealed knife detection

　　

摘要

由于刀具体积小、形状薄、容易被遮挡且材质多样，可靠地检测公开携带和隐藏的刀具仍是人工智能领域的一个难题。尽管深度学习的进步提升了武器检测的性能，但相关研究在感知模式、数据集和评估方法方面仍存在碎片化现象，这限制了研究的可重复性和系统性比较。本文对多传感器刀具检测的人工智能方法进行了系统性的、考虑不同感知模式的综述，涵盖可见光成像、热红外成像、X射线成像、毫米波和太赫兹感应以及频率调制连续波雷达。通过遵循PRISMA标准的文献筛选流程，共确定了2018年至2025年间发表的39篇核心研究。这些研究从感知模式、数据集特征、预处理策略、检测架构、多模态融合方法以及评估流程等方面进行了分析。综述指出，有一些常见的架构模式有助于提升刀具检测性能，包括多尺度特征表示、针对小型物体的训练策略、注意力机制以及针对不同感知模式的增强处理流程。此外，文章还提供了跨模态的综合分析及半定量总结，表明检测性能受感知模式、任务定义、数据集难度以及报告方式的影响很大，比如评估指标、硬件平台以及推理速度的报告存在不一致性，而不仅仅取决于检测器的架构。真正的多模态融合目前还较少被研究，但现有证据表明，它有望在物体被遮挡、隐藏或处于复杂环境条件下提升检测的稳定性。综述还指出了数据集多样性、评估一致性以及在实际监控场景中应用时的伦理问题等方面的局限性。这项综述主要有三方面的贡献：首先，它提出了一种考虑不同感知模式的分类体系，将公开携带和隐藏刀具的检测统一到同一个人工智能框架下；其次，它综合了各种数据集、检测架构、融合策略以及评估方法，重点关注小型物体的检测性能和系统的可靠性；最后，它指出了当前研究中的空白，并提出了建立标准化基准、多模态学习框架、基于物理原理的仿真流程、具备隐私保护功能的部署架构以及可靠的现实环境评估方法的路线图。