Teknologiske muligheter for Tolletaten – mønstergjenkjenning og maskinlæring
Abstract
Tolletaten har gitt Forsvarets forskningsinstitutt (FFI) i oppdrag å gjennomføre en teknologisk mulighetsstudie
som kan bidra til etatens strategi for utvikling av organisasjonen på kort, mellomlang og
lang sikt. Våren 2017 gjennomførte FFI en breddestudie som omhandlet teknologiske muligheter for
Tolletaten.
Denne rapporten er resultatet av en videre studie av mønstergjenkjenning og maskinlæring. Dette er
modne fagfelt som vil kunne være nyttige for Tolletaten, ved at man lærer opp en maskin til å utføre
automatisk inspeksjon av varer og reisegods som krysser grensen og utvelgelse av objekter for fysisk
kontroll. Alle sensorteknologier, såvel som andre kilder til informasjon, kan brukes som grunnlag for
maskinlæring og mønstergjenkjenning. Ved at sensorinformasjonen suppleres med annen tilgjengelig
informasjon vil treffsikkerheten kunne bli større. Det anbefales at konkrete kontrollsituasjoner og
informasjonskilder studeres nærmere for å kunne vurdere noe om eventuell ytelse til et slikt system.
Systematisk innsamling og lagring av data er en forutsetning for maskinlæring. Et datasett som
består av sensordata sammenholdt med en domeneeksperts tolkning av dataene må etableres først.
Etter opplæring på et slikt merket datasett vil maskinen kunne finne mønstre og sammenhenger
som man er ute etter f.eks. i en strøm av sensordata. Datainnsamlingsprosessen bør være enkel,
helst automatisert og tilpasset den øvrige arbeidsflyten i kontrolloppgavene. For å gjøre systemet for
mønstergjenkjenning i stand til å oppdager ukjente mønstre anbefales det at det også samles inn
data fra kontroller utført etter tilfeldige utvalg.
Rapporten gir noen eksempler på hvordan maskinlæring (med vekt på dyp læring) kan anvendes på
informasjonskilder og sensorsystemer som Tolletaten bruker i dag, som bl.a. røntgen. Et datasystem
med flere ulike sensorer og informasjonskilder kan over tid lære seg hva som er normalt, og deretter
melde fra om avvik fra normalsituasjonen slik at utvalget av objekter for kontroll blir mer treffsikker.
Tidlig oppdagelse av avvik fra normalsituasjonen vil også kunne understøtte bedre planlegging og
utnyttelse av Tolletatens ressurser. The Norwegian Customs Agency has tasked The Norwegian Defense Research Establishment (FFI)
to carry out a technology feasibility study that can contribute to the agency’s strategy for developing
the organization in the short, medium and long term. We have conducted a study on emerging
technological opportunities for the Norwegian Customs Agency.
This report is the result of an additional study on pattern recognition and machine learning. These
are mature technological areas that can be used by The Norwegian Customs Agency for training
a machine to carry out automatic inspection of goods crossing the border. Data from all sensor
technologies, as well as additional sources of information, can be used as input to machine learning
and pattern recognition. Fusion of sensor information with other available data, will in most cases
lead to improved performance of the recognition system. A further study of actual control situations
and sources of information is thus recommended for assessing the potential system performance.
Systematic collection and storage of data is a prerequisite for machine learning. First of all a dataset
consisting of sensor data interpreted by an expert, i.e. a person with domain knowledge, must be
established. After training on such a labelled data set, the recognition system may be able to find
patterns and correspondances of interest in a continuous stream of input data. The data collection
procedure should be simple, preferrably automatic and an integral part of the daily workflow carried
out by the customs officials. To further enhance the pattern recognition systems ability to detect
unknown patterns, it is recommended that data from random controls are also included in the data
set.
The report provides som examples on how machine learning (with emphasis on deep learning) can
be applied to information sources and sensor technologies already in use by the Customs Agency,
e.g. X-ray imaging. A pattern recognition system using input from a variety of sensor systems and
information sources, may over a period of time be trained to discriminate between the normal situation
and anomalies (deviations from the normal situation), thus providing a more reliable selection of
objects (e.g. merchandize) for further control. Early anomaly detection will also enable better planning
of customs operations and more efficient use of the resources in the Norwegian Customs Agency.
Collections
Related items
Showing items related by title, author, creator and subject.
-
Eksponering for skyterøyk i pansrede kjøretøy
Author::Johnsen, Ida Vaa; Author::Johnsen, Arnt; Author::Karsrud, Tove Engen (2017-11-30)Under skyteøvelser med panserkjøretøy blir personell utsatt for skyterøyk. For å avdekke hvilke konsentrasjoner det gjelder, ble det bestemt at det skulle utføres målinger. I samarbeid med Forsvaret valgte Forsvarets ... -
Videreutvikling av forsvarssektorens innovasjonsmodell – trekantmodellen versjon 2.0
Author::Bjørk, Hanne Marit; Author::Iversen, Sigurd; Author::Skøelv, Åge; Author::Sendstad Ole Jakob (2018-10-16)Norsk forsvarsindustri har opplevd en betydelig utvikling i etterkrigstiden, noe som har gitt Norge en posisjon som nisjebasert leverandør av svært konkurransedyktige høyteknologiske produkter til et proteksjonistisk ... -
Teknologiske muligheter for Tolletaten – sensorteknologi og maskinlæring for automatisering av postmottak
Author::Løkken, Kristin Hammarstrøm; Author::Aurdal, Lars; Author::Dyrdal Idar; Author::Engøy, Thor (2017-12-29)Tolletaten har gitt Forsvarets forskningsinstitutt (FFI) oppdrag om å gjennomføre en teknologisk mulighetsstudie som kan bidra til etatens strategi for utvikling av organisasjonen på kort, mellomlang og lang sikt. Våren ...