KI-gestützte Technologie erkennt illegale Waren mit 98% Genauigkeit

BOSTON / MÜNCHEN (IT BOLTWISE) – Die Erkennung von illegalem Schmuggelgut stellt eine erhebliche Herausforderung dar, insbesondere wenn es um die Identifizierung von Drogen oder gefälschten Waren geht. Herkömmliche Technologien wie Röntgenstrahlen bieten oft nur eine zweidimensionale und unklare Sicht, was die Arbeit erschwert.

Die Erkennung von Schmuggelware ist ein komplexes Unterfangen, das durch die begrenzten Möglichkeiten der derzeit am häufigsten eingesetzten Technologie, den Röntgenstrahlen, erschwert wird. Diese bieten lediglich eine zweidimensionale Ansicht, die oft unklar ist und eine präzise Identifizierung erschwert. Eric Miller, Professor für Elektrotechnik und Informatik an der Tufts University, beschreibt es treffend: „Es ist nicht wie beim Röntgen eines Zahns, wo man nur den Zahn sieht, sondern eher wie beim Röntgen eines Zahns und man bekommt den gesamten Untersuchungsraum zu sehen.“

Doch Miller und sein Forschungsteam haben nun eine potenzielle Lösung entwickelt, die Künstliche Intelligenz mit Deep Learning nutzt, um unerwünschte Gegenstände zu erkennen. Diese Methode ist zu 98% genau, wie in der Fachzeitschrift Engineering Applications of Artificial Intelligence veröffentlicht wurde. Die Notwendigkeit für bessere Bildgebung ist entscheidend, da in den USA jährlich mehr als 11 Millionen Container per Schiff, 11 Millionen per LKW und 2,7 Millionen per Bahn ankommen und überprüft werden müssen, so die US-Zoll- und Grenzschutzbehörde.

Derzeit werden Frachtinspektionen häufig mit Röntgenstrahlen durchgeführt, die versuchen, komplexe Sammlungen von Gegenständen zu betrachten, die aufgrund der Funktionsweise von Röntgenstrahlen effektiv übereinander gelegt sind. Dies erfordert eine ständige menschliche Überwachung, die ermüdend sein kann und zu Fehlern führen kann. Für die Studie nutzten die Forscher Datensätze von Bildern gebündelter Gegenstände und leiteten die Deep-Learning-KI an, erwartete Gegenstände wie Reifen und Weinflaschen sowie unerwartete zu identifizieren.

Die Studie wurde mit simulierten Informationen durchgeführt. Um die Technologie in Echtzeit zu implementieren, müsste das Modell weiter erforscht und auf verschiedene reale Materialien abgestimmt und validiert werden, so Miller. Es würde auch nicht eigenständig bestimmen, was verboten ist und was nicht. Stattdessen würde das Modell mögliche Anomalien zur späteren menschlichen Überprüfung identifizieren.

Die Methode könnte auch in Bereichen wie Mikroskopie, medizinischer Forschung, Katastrophenhilfe und Qualitätskontrolle angewendet werden. Sie könnte auch Herstellern helfen, Dinge wie Risse in Flugzeugflügeln oder Mängel in Computerchips zu identifizieren, sagte Miller. „Wo immer man in einer unübersichtlichen Umgebung etwas betrachten muss, könnte dieses Modell angepasst und trainiert werden, um etwas zu erkennen, das dort nicht hingehört, das, was man zu finden versucht“, fügte er hinzu.

Mehr Informationen: Bipin Gaikwad et al, Self-supervised anomaly detection and localization for X-ray cargo images: Generalization to novel anomalies, Engineering Applications of Artificial Intelligence (2024). DOI: 10.1016/j.engappai.2024.109675