Mesterséges intelligencia és mélytanulás a biztonsági röntgengépekben

Napjainkban az élet minden területén alkalmaznak mesterséges intelligenciával (AI) működő vagy azt használó berendezéseket, gépeket, rendszereket. Mint majdnem minden áttörést jelentő technológia, a mesterséges intelligencia is a hadiipari ágazatban, a harcászati-hadászati rendszerekben és eljárásokban jelent meg legkorábban. A biztonságtechnikai rendszerek fejlesztésénél új irányt és lendületet adott az öntanulás és az intelligens automatizálás lehetősége, amely az üzemeltetési kockázatokat és az emberi tévedéseket is jelentősen csökkentheti. A röntgengépek is okosodnak!

Az átvizsgálások során a biztonsági röntgengépek egynézetes, többnézetes, vagy akár a számítógépes tomográfia (CT) módszerével alkotott felvételeket készítenek, amelyek kielemzése kulcsfontosságú a fenyegetések kiszűréséhez. A legmodernebb röntgenberendezések már olyan algoritmusokkal dolgoznak, amelyek nagyon pontos, de legfőképp automatikus detektálást tesznek lehetővé a fegyverek, fegyveralkatrészek, lőszerek, kések és egyéb, közbiztonságra fenyegetést jelentő eszközök felismerésénél. Mindezek jelentősen emelik az ellenőrzőpontok biztonsági szintjét és hatékonyságát, mivel az automatikus észlelési képesség támogatja a képelemzőket, de különösen hasznos a kevésbé tapasztalt kezelők számára. Mivel az algoritmusok sose fáradnak el, nem válnak motiválatlanná és részlehajlás nélkül dolgoznak, jelentősen csökkentik az emberi tévedések és lehetséges visszaélések kockázatát.

A német Smiths Detection gyártó által fejlesztett „iCMORE Automatikus Fenyegetésfelismerő Szoftver” az intelligens és adaptálható objektumfelismerő algoritmusok használatával alapvetően három kategóriában támogatja a veszélyes tárgyak és eszközök felismerését: a lítium akkumulátorokat, a veszélyes árukat és a fegyvereket egyedi, öntanuló alkalmazások keresik és detektálják a biztonsági röntgengépek üzemeltetésekor. Az újabb és újabb tiltott, így felderítendő tárgyak megjelenésekor az algoritmusok gyorsan taníthatók. Különösen az automatikus robbanóanyag-felderítéssel és a kockázatalapú szűrővizsgálatokkal kombinálva lehetővé teszik a kívánt biztonsági szint elérését és a folyamatos megtartását.

Okosodó röntgengépek

A mesterséges intelligencia egyik fő eleme a gépi tanulás és annak speciális formája a mély tanulás (deep learning). A mély tanulás a számítógép képelemző szoftverének oktatásáról, ki- és továbbképzéséről szól. A csomagvizsgáló röntgenberendezések esetében a számítási teljesítmény exponenciális növekedése és a rendelkezésre álló adatok (röntgenképek) elérhetősége, lehetővé teszi a nagyon jó felderítési aránnyal működő algoritmusok létrehozását. A jelenlegi technikával ellenőrzött tételek átvilágítása során létrejött információkat – tartalom, anyag, eloszlás, méret, alkotórész stb. – képesek intelligens, automatizált módszerekkel vizsgálni. Az intelligens algoritmusok felismerik a tiltott és csempészett árukat, fegyvereket és veszélyes eszközöket, egyéb más szempontok alapján keresett eszközöket, vagy élő szervezeteket.

Automatikus tárgyfelismerés

Az objektumok felismerésének két lehetséges algoritmikus megközelítése létezik: a gépi tanulás/mély tanulás, illetve az anyag megkülönböztetésén alapuló képfeldolgozás. A legalapvetőbb, hogy egy algoritmust „tanítanak meg” minták felismerésére. A technológiát az emberi agy felépítése és működése ihlette, amely hálózatba kapcsolt idegsejtekből áll. Csakúgy, mint az ember esetében, a hálózattal is el kell sajáttítatni a képességeket, egy tanulási folyamattal. A mély tanulási algoritmusok fejlesztése érdekében a Smiths Detection az ügyfeleivel és a hatóságokkal együttműködve több tízezer röntgenfelvételt használt fel a megfelelő minták be- és megtanításához. Miután a röntgenfelvételeken „felcímkézték” a felderítendő tárgyakat, betáplálták azokat az algoritmusba, hogy az megtanulja azonosítani a veszélyes tárgyak mintáit, mint például egy maroklőfegyvert, vagy egy lítium akkumulátort. Az algoritmusok megtaníthatók bármire, amely azonosítható tulajdonságokkal rendelkezik. A mély tanulásnak azonban megvannak a maga korlátjai, megbízhatóságát növelni kell az olyan anyagok felderítésében, mint a drogok vagy a robbanóanyagok, amelyek alakja, vagy formája ellentmondásos lehet. Itt kap szerepet a másik algoritmus, az anyag megkülönböztetésén alapuló automatikus képfeldolgozás, amely a klasszikus anyag-diszkriminációs technika. Ilyen esetekben a „mintákat” az anyag tulajdonságaiban kell felismerni, nem pedig az alakjában.

Kritikus működési feltételek előrejelzése

Az AI algoritmusok használata előre jelző információk szolgáltatásával, az eszközök kezelésében és a karbantartásban is nagy hatással lehet az átvilágító berendezések teljesítményére, megbízhatóságára és üzem idejére. Nagy mennyiségű adatot képesek felhasználni és kiszámítható szolgáltatás- és teljesítményismeretekké alakítják. A szenzorok és az adatelemzési technológiák legfrissebb felhasználásával a csomagröntgenek üzemeltetői figyelemmel kísérhetik a gépek állapotát és az összes átvilágító berendezés teljes teljesítményét. A működési paraméterek folyamatos figyelemmel kísérése és elemzése során, az alkalmazások javítják a megbízhatóságot és a rendelkezésre állást, egyben minimalizálják a kockázatot és az üzemelési költségeket.

Alkalmazásfejlesztés

Az algoritmusok fejlesztése során a hozzáférés a nyers képadatokhoz jelentős előny. A hagyományos algoritmusokkal ellentétben a mély tanuláson alapuló algoritmusok a betöltött képekből tanulnak. A különböző területekről és országokból gyűjtött adatok sokfélesége javítja az észlelési teljesítményt. A röntgenfelvételeket birtokló kormányzati szerveknek és repülőtereknek, védett létesítményeknek szorosan együtt kell működniük a biztonsági megoldások szolgáltatóival ezen adatok megosztása érdekében. Mindemellett azokra a fenyegetésekre, amelyek nem találhatók meg a „terepen” szerzett adatokban, speciális adatgyűjtést, modellezést kell végezni.

A technológia az adatok feldolgozása során számos, a felhasználók számára eddig nem, vagy csak más módszerrel megismerhető eredményt is hozhat. Az iCMORE képességei jelenleg, a teljesség igénye nélkül: veszélyes anyagok, fegyverek, lítium akkumulátorok felismerése, egyedi tárgyak felismerése, automatikus cigaretta felismerés a csempészet megakadályozására, radioaktív anyagok detektálása, rakodótér eltérő hőmérsékletének elemzése, üres rakterületek figyelemmel kísérése (például nem üres konténer vagy konténer terület jelzése), tömeg adatok becslése, képminőség javítása, zajszűrés, élességjavítás.

A jövő

A csomagvizsgálógépek jövője a teljes adatfeldolgozáshoz való kapcsolódás, a kezelők számának optimalizálása és a professzionális, paraméterezhető, illetve a felhasználó igényeire szabható detektálás felé mutat. A jelenleg használt algoritmusok kétdimenziós képeken dolgoznak, még akkor is, ha CT rendszereken futtatják őket. A valódi volumetrikus, térfogaton alapuló tárgyfelismerés fejlesztése lesz újabb lépcsőfok, amely a CT alapú rendszerek növekvő használatával a kézipoggyász, a feladott poggyász és az áruszállítás terén nagy változásokat fog hozni az automatikus felismerés területén. A CT csomagröntgenek a volumetrikus, a tárgyakat alkotó anyagok (abszorbeációs adatok) szinte pontszerű azonosításával, mind az automatikus anyagdetektálásban, mind pedig a tárgyfelismerésben szó szerint új dimenziókat nyitnak meg az automatikus algoritmusok segítségével. Az előnyöket maximálisan kihasználó szoftver, az iCMORE segítségével a kezelő a jövőben tényleg mindent is láthat.

Dudás József

Kapcsolódó cikkek:

Hozzászólások