选取16名具有四级及以上安检资格证书，操机岗位工作时间在一年以上的机场安检人员作为有经验组，15名已经过简单的判读培训的安检专业在校大学生作为无经验组。所有被试实验前应避免饮酒，也不宜进行剧烈运动，以确保充足的休息。

根据实际安检中各违禁品种类出现的概率，确定本研究涉及到的违禁品包括枪支、军用或警用械具类、易燃易爆类和管制刀具类等。违禁品的种类、遮盖程度、摆放角度、物品复杂程度以及物品凌乱程度可能会影响安检人员对违禁品的识别难度。其中，遮盖程度为有其他物品遮盖违禁品和无其他物品遮盖违禁品；摆放角度分为正放、直放和斜放；物品的复杂程度分为包内物品的数量和类型多和包内物品的数量和类型少；物品凌乱程度分为包内摆放的物品凌乱程度大和包内摆放的物品凌乱程度小两种情况。

实验挑选60张含有违禁品的图片，为了模拟安检过程中的违禁品出现率，分成15张图片一组共四组，每组混合在30张不含违禁品的安检图片中构成每组45张图片。每组的30张不含违禁品的安检图片(如 图1 )相同，均由经验丰富的某机场安检站培训老师选择，符合民航旅客行李安检现实情况，具有一定的代表性。

旅客到达航站楼后一般需要排队等待6分钟，才能进行安全检查 [14] 。本实验设置无时间压力和有时间压力两种情形：无时间压力是指，被试在识别违禁品时无时间限制要求；有时间压力是指，模拟航站楼旅客排队等待的时长，被试要求在6分钟内完成45张图片的识别。

本实验采用PPT放映的方法模拟安检人员的视觉搜索过程 [15] ，还原安检人员的工作场景。当被试发现违禁品时，则点击图像上违禁品所在的位置；若PPT不包含违禁品或未发现违禁品，则点击空白处，自动进入下一张图片。练习阶段播放5张练习图片，正式实验时以45张X光图像为一组，一组实验完成后被试可休息2分钟再进行下一组。

对原始数据资料进行筛选后，保存完整数据，剔除1份不完整的无效数据，即有经验组15人数据有效，无经验组15人数据有效。

每名被试在每组实验中进行45次判图，共进行四组实验，即进行了5400次判图。仅含有违禁品的图片会评定违禁品种类、遮盖程度、摆放角度、物品复杂程度和物品凌乱程度五个因素，下 图2 描述了不同影响因素下的视觉搜索绩效，即对含有违禁品的图片的正确判断和错误判断比例。

使用Pearson Chi-square检验分别对每组影响因素与搜索绩效进行分析，判断各影响因素与搜索绩效的关联性，结果如 表1 所示。经验水平、违禁品种类、叠加程度、视角、包内物体的数量和类型、物品摆放的凌乱程度与安检人员的视觉搜索绩效有一定的关联，而时间压力和搜索绩效则无关联。

关联规则常见算法有使用广度优先搜索策略的Apriori算法、基于深度优先搜索策略的FP-Growth算法和MsEclat算法。Apriori算法利用逐层搜索的迭代方法找出数据库中频繁的项集组合，从而推断出项之间的关联规则。其操作更加便捷，本文采用Apriori算法来进行安检视觉搜索的影响因素间的关联规则进行分析。

在Apriori算法中，支持度、置信度、提升度是发现关联规则的3个重要指标。支持度衡量关联规则的适用性，置信度衡量关联规则的可靠性。支持度和置信度越高，关联规则的适用性和可靠性越强。提升度衡量关联规则是否有价值，当提升度等于1，前项与后项相互独立，提升度小于1，前项与后项负相关，且值越小相关性越低，提升度大于1，前项与后项正相关，且值越大相关性越高。设置提升度大于1，不断调整最小条件支持度和置信度，得到适用性高、可靠性高、有价值的关联规则。

设A和B为两个不同的项集，且A和B之间有关联，设样本A为前项，样本B为后项，那么A和B的关联规则蕴含表达式可表述为A⇒B的形式。

关联规则的条件支持度是指关联规则的前项在所有事务中出现的概率，公式为：

$Support\left(A\right)=P\left(A\right)=\frac{Count\left(A\right)}{Total\_count\left(A\right)}$ (1)

其中，Support(A)代表A的支持度，Count(A)代表A在事务数据库中出现的次数，Total_count(A)代表事务总数。

规则支持度是指一个关联规则在所有事务中出现的概率，公式为：

$Support\left(A\underset{}{\Rightarrow }B\right)=P\left(A\cap B\right)=\frac{Count\left(A\cap B\right)}{Total\_count\left(A\right)}$ (2)

其中，Support(A⇒B)代表规则A⇒B的支持度， $Count\left(A\cap B\right)$代表A与B同时在事务数据库中出现的次数，Total_count(A)代表事务总数。

置信度是指关联规则中在前项出现的条件下后项出现的概率，公式为：

$Confidence\left(A\Rightarrow B\right)=P\left(B|A\right)=\frac{Support\_count\left(A\cap B\right)}{Support\_count\left(A\right)}$ (3)

其中Confidence(A⇒B)代表规则A⇒B的置信度。 $Support\_count\left(A\cap B\right)$代表A与B同时在事务数据库中出现的次数，Support_count(A)代表A在事务数据库中出现的次数。

提升度是指在前提成立的情况下，结论发生的概率相对于随机情况下的提升程度，公式为：

$Lift\left(A\Rightarrow B\right)=\frac{Confidence\left(A\Rightarrow B\right)}{Support\left(B\right)}$ (4)

其中， $Lift\left(A\Rightarrow B\right)$代表规则A⇒B的提升度。

数据经过数据预处理后，仅对安检图片中有违禁品的实验数据构建数据集。数据集部分数据如 表2 所示。

表中序号代表实验数据，A代表经验水平，A1为有经验，A2为无经验；B代表违禁品种类，B1为火种，B2为刀，B3为枪；C代表遮盖程度，C1为有其他物品遮盖违禁品，C2为无其他物品遮盖违禁品；D代表摆放角度，D1为正放，D2为直放，D3为斜放；E代表物品复杂程度，E1为包内物品的数量和类型多，E2为包内物品的数量和类型少；F代表物品凌乱程度，F1为包内摆放的物品凌乱程度大，F2为包内摆放的物品凌乱程度小；G代表安检视觉搜索绩效，G1为正确判断，G2为错误判断。

通过Apriori算法，可以生成关联规则网络图。由网络图可以直观地看到单项集间的规则支持度，即不同影响因素单项集与安检绩效单项集组成的规则在所有实验中出现的频率，线条越粗表示规则在实验中出现的频率越高。由 图3 可知，在以G1为后项的关联规则中，前项包含A1、C1、E1、F1的规则在事务数据库中出现的频率更高。在以G2为后项的关联规则中，前项包含C1、E1、F1的规则在事务数据库中出现的频率更高。与G1链接的线条更多，且同时与G1和G2链接的线条中，与G1链接的线条比G2更粗，说明以正确判断为后项的关联规则明显比以错误判断为后项的关联规则多，被试正确判断的占比更高。前项包含B2、B3、C2、D1、E2、F2的关联规则都只与G1有关联，与G2无关联，说明违禁品种类中的刀、枪，无其他物品遮盖违禁品，正放，包内物品的数量和类型少，包内摆放的物品凌乱程度小都与错误判断无关联。网络图只能反映规则支持度，还需结合条件支持度、置信度、提升度来判断关联规则是否有价值。

利用Apriori算法分析数据集得出关联规则，将Apriori算法挖掘到的关联规则绘制成关联规则数量的置信度、支持度和提升度图， 图4 是以错误判断为后项， 图5 是以正确判断为后项，由 图4 和 图5 可以清晰地比较置信度、支持度和提升度的值，确定适当的支持度和置信度阈值，以便进一步进行关联规则分析。

当以错误判断为后项时，选取最小条件支持度为28%，最小置信度为40%，且规定提升度大于1，可以得到9条关联规则，如 表3 所示。由 表3 第一条规则可知，有46.27%的把握程度相信无经验、包内摆放的物品凌乱程度大、有其他物品遮盖违禁品的实验条件组合中被试倾向于会错误判断，该规则适用性为28.33%。其他规则的解释方式与此相同。

当以正确判断为后项时，选取最小条件支持度为28%，最小规则置信度为65%，且规定提升度大于1，选取提升度排名前9的关联规则。由 表4 第一条规则可知，有80.56%的把握程度相信在包内摆放的物品凌乱程度小的实验条件下被试倾向于会正确判断，该规则适用性为30%。其他规则的解释方式与此相同。