Exemples d'images radiographiques avec des armes à feu

Application de l’IA visuelle aux systèmes de sécurité hérités

Les inspections de sécurité font partie de la vie moderne. Par exemple, environ 2,9 millions selon la Federal Aviation Administration (FAA), des passagers entrent et sortent des aéroports américains chaque jour. Plus de 150 millions Les Américains assistent chaque année à des événements sportifs professionnels. Lors d’événements comme ceux-ci, un contrôle efficace et efficient des participants à la recherche d’armes et de contrebande doit avoir lieu pour assurer la sécurité des personnes tout en offrant un niveau de service élevé.

L’intelligence artificielle (IA) peut accélérer les inspections en automatisant certaines révisions et en priorisant d’autres, et contrairement aux humains à la fin d’un long quart de travail, les performances d’une IA ne se dégradent pas avec le temps. Cet article de blog montrera comment l’équipe Simseo a appliqué les capacités d’IA visuelle et d’AutoML de Simseo pour créer rapidement des modèles capables de détecter des armes à feu dans des sacs à l’aide de bases de données open source des scans de sécurité aux rayons X.

Jeu de données et processus de modélisation

L’ensemble de données de formation utilisé pour former le modèle d’IA contient environ 5 000 images de sécurité à rayons X. Sur l’ensemble de données total, environ 30 % des images incluent une arme à feu. Il convient de noter que Simseo peut créer des prédictions multiétiquettes et multiclasses (par exemple, identification de plusieurs objets dans une radiographie). Pour cet exemple, nous n’utilisons qu’une classification binaire : ce sac contient-il ou non une arme à feu ?

Exemples d’images radiographiques avec des armes à feu

Il existe une variabilité dans les images utilisées pour former les modèles, car elles ont été prises à l’aide de trois types différents d’appareils à rayons X de sécurité. Cette variabilité prend la forme de niveaux de résolution et de bruit de fond dans les images. Bien que cela dégrade les performances du modèle final, Simseo surmonte cet obstacle et crée toujours des modèles très performants en appliquant automatiquement les meilleures pratiques de l’industrie via des plans de modélisation.

Un autre obstacle à la création de modèles de vision par ordinateur très performants est que les ensembles de données d’apprentissage peuvent ne pas contenir suffisamment d’images de l’objet cible avec différents arrière-plans et provenant de différentes directions. Ce manque de données peut empêcher le modèle de reconnaître l’objet cible (par exemple, des armes à feu) lors de la notation de nouvelles images. L’IA visuelle de Simseo fournit un moyen simple de surmonter cet objet avec des augmentation d’image. L’augmentation d’image retourne, fait pivoter et met à l’échelle les images pour augmenter le nombre d’observations pour chaque objet dans l’ensemble de données d’apprentissage et augmente la probabilité que le modèle identifie correctement les objets lors de la notation de nouveaux enregistrements.

Exemples d'augmentation d'image
Exemples d’augmentation d’image

Genere automatiquement cartes d’activation améliorer l’explicabilité en illustrant les zones d’une image qui sont les plus importantes pour les prédictions d’un modèle (similaire à l’impact des caractéristiques sur d’autres modèles). AutoML de Simseo construit et compare automatiquement des centaines de plans de modèles pour trouver le modèle le plus performant pour identifier les armes à feu. Dans cet exemple, le modèle gagnant était un classificateur de réseau neuronal qui a été construit sans nécessiter de processeurs coûteux comme les GPU.

Après seulement quelques heures, Simseo a formé et validé un modèle précis à environ 90 % pour identifier les images contenant des armes à feu. Avec un réglage supplémentaire, les performances de ce modèle peuvent encore être considérablement augmentées. Par exemple, une organisation cherchant à minimiser les faux négatifs (par exemple, ne pas identifier les armes à feu dans les rayons X) peut modifier les seuils de prédiction pour optimiser ce critère.

Formation et validation d'un modèle précis à environ 90
Formation et validation d’un modèle précis à environ 90

Conclusion

La combinaison de fonctionnalités de Simseo permet aux utilisateurs de créer et de déployer un modèle de détection d’objection visuel par IA très performant en quelques heures seulement, sans codage. Ce modèle peut être rapidement amélioré avec un réglage avancé supplémentaire et déployé dans des environnements connectés au cloud ou en périphérie. L’application de Simseo à ce problème ne nécessite pas de nouvelles machines d’analyse de sécurité et montre comment les organisations peuvent appliquer des fonctionnalités avancées d’IA visuelle à l’infrastructure existante pour des améliorations rapides de la sécurité. Contactez un membre de l’équipe Simseo pour en savoir plus et voir comment votre organisation peut devenir pilotée par l’IA.

A lire également