La technologie basée sur l’IA est précise à 98 % pour détecter la contrebande illégale

Essayer de repérer la contrebande est une tâche délicate. Non seulement il est difficile d’identifier des objets tels que les stupéfiants et les marchandises contrefaites, mais la technologie la plus utilisée actuellement – ​​les rayons X – ne donne qu’une vue en 2D, et souvent confuse.

« Ce n’est pas comme radiographier une dent, où vous n’avez qu’une dent », a déclaré Eric Miller, professeur de génie électrique et informatique à Tufts. Au lieu de cela, c’est comme radiographier une dent et accéder à toute la salle d’examen dentaire.

Mais Miller et son équipe de recherche ont maintenant trouvé une solution possible qui utilise l’IA avec l’apprentissage profond pour repérer les éléments qui ne devraient pas être là et qui est précise 98 % du temps. Leurs conclusions ont été publiées dans Applications d’ingénierie de l’intelligence artificielle.

Le besoin d’une meilleure imagerie est crucial. Aux États-Unis, plus de 11 millions de conteneurs arrivent par voie maritime, 11 millions par camion et 2,7 millions par train, et tous doivent être contrôlés chaque année, selon les douanes et la protection des frontières des États-Unis.

Actuellement, les inspections des marchandises sont fréquemment effectuées aux rayons X, dans le but d’examiner des collections complexes d’articles, qui se superposent tous efficacement en raison du fonctionnement des rayons X. En conséquence, ces révisions d’images nécessitent une surveillance humaine constante, ce qui peut être épuisant et conduire à des erreurs.

Pour l’étude, les chercheurs ont pris des ensembles de données d’images d’articles groupés et ont guidé l’IA d’apprentissage en profondeur pour identifier les éléments attendus, comme les pneus et les bouteilles de vin, et ceux qui ne le sont pas. Par exemple, ils ont d’abord travaillé avec des anomalies simples : des objets en forme de cylindres et d’étoiles ninja. Ensuite, ils se sont déplacés vers des anomalies complexes, comme celles en forme de porte-monnaie, de défenses d’animaux et de cruches.

L’étude a été réalisée sur des informations simulées. Pour que la technologie soit mise en œuvre en temps réel, le modèle nécessiterait beaucoup plus de recherches pour être affiné et validé sur plusieurs types de matériaux réels, a déclaré Miller. Il ne permettrait pas non plus de déterminer seul ce qui est interdit et ce qui ne l’est pas. Au lieu de cela, le modèle identifierait d’éventuelles anomalies pour un examen humain ultérieur.

La méthode pourrait également être appliquée dans des domaines tels que la microscopie, la recherche médicale, la reprise après sinistre et le contrôle qualité. Cela pourrait également être appliqué pour aider les fabricants à identifier des éléments tels que des fissures dans les ailes des avions ou des défauts dans les puces informatiques, a déclaré Miller.

« Partout où vous avez besoin d’observer des choses dans un environnement encombré, ce modèle pourrait être adapté et entraîné pour vous aider à repérer quelque chose qui n’y appartient pas, la chose que vous essayez de trouver », a-t-il déclaré.