magyar elektronika

E-mail cím:*

Név:

{a-feliratkozással-elfogadja-az-adl-kiadó-kft-adatvédelmi-és-adatkezelési-tájékoztatóját-1}

4abraInnovatív repülésbiztonsági testszkenner az utasok bosszantó ellenőrzése nélkül


A cikk előző havi számunkban megjelent első része egy olyan innovatív testszkenner-technológiát mutatott be, amely jelentősen megkönnyíti a repülésbiztonsági szempontból elengedhetetlen személyi ellenőrzés folyamatát. A Rohde & Schwarz rendszere szükségtelenné teszi a gyanút nem keltő utasok „vetkőztetését” és személyi motozását, és érintetlenül hagyja az intimszférát. A cikk folytatása a technológia részleteibe enged betekintést.

 

Az R&S®QPS technológiája

Míg a hagyományos mikrohullámú letapogatók 30 GHz alatti frekvenciákkal világítják meg a tárgyakat, az R&S®QPS jobb térbeli felbontással rendelkezik, mivel 70…80 GHz közötti, milliméteres hullámhosszúságú frekvenciatartományban működik, akárcsak a járművekben használt parkolássegítő érzékelők. Legnagyobb kisugárzott teljesítménye mintegy 1 mW. Ez közel három nagyságrenddel kisebb, mint egy mobiltelefoné, és szinte észlelhetetlen ott, ahol a vizsgált személy áll.
A módszer 1,9 × 1,9 × 5,7 mm méretű térfogatelemekké bontja fel az átvilágított térrészt. A finom felbontás a nagy rezgésszámú hullámoknak és a multisztatikus működési elvnek köszönhető. A nagy felbontású, rövid hatótávolságú letapogató eszköz megvalósítása nem volt egyszerű feladat. A milliméteres hullámhosszakon működő multisztatikus szkenner teljes felületét antennáknak kell fedniük, ami az R&S®QPS mérete esetében panelenként negyedmillió antennaelemet jelentene. Az elemek számának ésszerűen megvalósítható értékre csökkentése többéves alapkutatást igényelt és több doktori kutatás témája volt. A végül megvalósított struktúra 3008 darab adót és ugyanennyi vevőt tartalmaz, amelyek sakktáblaszerűen, 32 csoportban helyezkednek el (4. ábra). Ezek a csoportok az adókon és vevőkön felül a frekvencia-feldolgozáshoz és -átalakításhoz szükséges elektronikát is tartalmazták. A vett jeleket 25 MHz-es középfrekvenciára lekeverő KF-modulok fogadják, melyek nyolcas blokkokat alkotnak, és egy KF-modul négy antennaelemet képes kezelni. E modulok az analóg jeleket digitalizálják és feldolgozzák, előállítva ezzel a nyers „képadatokat”. Az utolsó lépésben az adatok két gyűjtőkártyán és egy számítógépes illesztőn keresztül egy integrált folyamatközi kommunikációs (IPC) modulba kerülnek, amely elvégzi a végső adatelemzést. A rendszer a potenciálisan veszélyes tárgyakat automatikusan észleli, kiszámítja pontos helyüket, majd megjeleníti. Mindegyik panel tartalmaz egy szintézeres jelgenerátort, valamint kiegészítő elemeket, például tápegységet, jel-szétosztót, illesztő csatlakozási pontokat és megjelenítő elemeket is.
 

4abra

4. ábra Az R&S®QPS rendszer moduláris felépítésű. A rádiófrekvenciás bemeneti fokozat 32, sakktáblaszerűen elhelyezett csoportra oszlik.


Az R&S®QPS200 panelenként mindössze 32 ms alatt végzi el a teljes letapogatást. A számítógépes elemzés jelenleg több másodpercet igényel, de ezt a jövőben hatékonyabb adatfeldolgozó módszerekkel jelentősen csökkenteni fogják. A gyártóik által kifejezetten párhuzamos feldolgozásra optimalizált, nagy számítási teljesítményű grafikus feldolgozó egységek (GPU) új lehetőségeket kínálnak a valósidejű elemzés terén, ami nélkülözhetetlen a jelenleg még csak tervezett „átsétálós” megoldások kidolgozásához.

Az automatizált észlelés nehézsége

Első ránézésre a testszkenner a klasszikus útlevélfénykép-készítő kabinhoz hasonlóan működik. A személyt megvilágítják, a visszavert fényt egy hordozón (a szkenner esetében papír helyett adatok formájában) reprodukálják, majd a képet előhívják – ez esetben a berendezés programjával. A teljesen automatizált átvilágító készülék feladata azonban nem egy fényképszerűen valósághű kép előállítása, hanem egy grafikus kiértékelés elkészítése, ami jóval nagyobb feladat.
A teendő „mindössze” annyi, hogy észlelni kell minden potenciálisan veszélyes tárgyat a vizsgált személy testén vagy ruházatában, függetlenül annak fajtájától, méretétől, helyétől és anyagösszetételétől.[1] Ez a mindenre kiterjedő igény gyorsan arra a következtetésre vezethet, hogy konkrét tárgyak alakfelismerés alapú, mintákkal történő összevetése és egyértelmű azonosítása megoldhatatlan feladat. Egyszerűen túl sokféle anyagú és formájú eszköz használható például tűzfegyverként vagy késként. A szkennernek arra kellene képesnek lennie, hogy felismerje „magát az eszközt” annak jellemzői és célja alapján, függetlenül az alakjától, anyagától vagy formájától – ami reménytelen próbálkozás. A letapogatás célja ezért nem is tárgyak azonosítása, hanem a test azon területeinek azonosítása, amelyek az elemző szoftver értékelése szerint jelentősen eltérnek a gyanúra okot nem adó, szokásos megjelenéstől. A fejlesztőknek tehát meg kellett tanítaniuk a szoftvert arra, hogy mi minősül ártalmatlannak. Az ártalmatlan dolgok kombinációinak „lista” alapú tanítása azonban úgyszintén reménytelen feladat, ugyancsak a fent említett okok miatt: túl sok a lehetséges változat, például még a látszólag egyszerű férfiruházat esetében is:

  • a vizsgált személy pulóvert vagy inget is viselhet, amely

  • gyapjúból vagy szintetikus anyagból készülhet,

  • cipzárral vagy gombbal záródhat,

  • a gomb lehet kicsi vagy nagy, készülhet műanyagból, fémből vagy gyöngyházból,

  • az ingnyílás lehet középen vagy oldalt,

  • a vizsgált személy vékony fiatalember vagy kétméteres testes alkatú is lehet,

és ez a megszámlálhatatlan kombinációt tartalmazó „listának” csak az eleje. A szkennernek mindezt, és még sok minden mást hibátlanul ki kell értékelnie, és el kell fogadnia normálisként. Nyilvánvaló volt, hogy ezt a szerteágazó problémát csak olyan teljesen új megközelítéssel lehet megoldani, amely egyesíti a képfeldolgozás módszereit, a gépi tanulást és különösképpen a mesterséges intelligencia legkorszerűbb módszerét, a gépi mélytanulást.
Minden vizsgálati ciklus során óriási mennyiségű amplitúdó- és fázisadat keletkezik az elemzés alapjául szolgáló háromdimenziós letapogatás eredményeként. A szkenner egy vektor-hálózatanalizátorhoz hasonlóan működik. A vett jelek amplitúdóját és fázisát összehasonlítja a kisugárzott jelekével, a különbség a vizsgált alanyra vonatkozó összes szükséges információt tartalmazza. A lényegi feladat ennek az információnak az értelmezése megfelelő modellezéssel, azaz a fizikai adatok konkrét tárgyak jellemzőire történő leképezésével. Ilyen jellemző lehet a jel erőssége, a felület érdessége és a többszörös visszaverődések erőssége. Valójában ezernél is több különböző tulajdonságot lehet definiálni és kombinálni sokdimenziós térré. E térben a gyanús tárgyak vagy anyagok egyedi „lenyomatokat” hagynak hátra olyan értelemben, hogy bizonyos módokon szerepelnek bizonyos jellemző-részhalmazokban (azaz jellemző-kombinációkban). Az ilyen részhalmazok modellezése osztályozókkal történik (5. ábra).
 

5abra

5. ábra A rendszer a fizikai alapadatokból (az amplitúdó- és fázisértékekből) jellemző paramétereket nyer ki és kombinál össze n‑dimenziós osztályozókká, amelyek mindegyike a tárgy egy-egy adott tulajdonságát vagy besorolását tükrözi. Ez a példa három, egyenként két jellemzővel rendelkező osztályozót mutat. A végső észlelési eredményt az összes osztályozó szuperpozíciója (összevonása) adja.


A 6. ábra ezt az elvet szemlélteti egy olyan osztályozó példáján, melynek működése a jelerősségen és a felületi érdességen alapul. Ebben a kétdimenziós jellemzőtérben egy ártalmatlan testtáj jól megkülönböztethető egy olyan testtájtól, ahol például feketelőport vagy hasonló szemcsés anyagot rejtettek a ruházat alá. Az osztályozó használhatóságának lényegi előfeltétele, hogy döntési határai egyértelműek legyenek.
 

6abra

6. ábra Példa két jellemzővel rendelkező, egy adott tárgytulajdonságot észlelő osztályozóra. A jellemzőket úgy kell megválasztani, hogy világos döntési határt lehessen definiálni; az ábra két lehetséges határt mutat.


Az R&S®QPS fejlesztésének korai fázisában még nem voltak kidolgozott jellemzők és osztályozók, ezeket kézileg kellett definiálni és paraméterezni (ez a változók ún. tulajdonság-tervezése). Az elmúlt néhány évben azonban a gépi tanulás hétmérföldes léptekkel haladt előre, különösen a mélytanulás terén. Az R&S®QPS észlelési szoftverének legújabb verzióját már ilyen gépi mélytanulási algoritmusokkal is tanították.
A hagyományos gépi tanulás algoritmusainak helyébe sok felhasználási területen a mély gépi tanulási módszerek léptek. A Google Android alapú beszédfelismerése, a Facebook arcfelismerése és a Skype beszédfordítása is ezen az elven alapul. 2016. elején a Google AlphaGo számítógépes programja nemzetközi feltűnést keltett azzal, hogy legyőzött számos világszínvonalú go-játékost – ezt korábban lehetetlennek tartották. A szoftver „erejét” a neurális hálózatokból gépi mélytanulással generált algoritmusok és elemzési szabályok adták.
Az alakfelismerés terén a neurális hálózatok lélegzetelállító eredményekre képesek. Például, a képfeldolgozásra optimalizált algoritmusok – a konvolúciós neurális hálózatok – ma már meghaladják az ember képességeit olyan feladatoknál, amilyen például a közlekedési táblák felismerése. A feladat elvégzéséhez a neurális hálózat topológiájának és neuronkapcsolási funkcióinak tökéletesen összehangoltan kell működniük. Ezért az R&S®QPS szoftver alapjául szolgáló hálózatokat a Rohde & Schwarz házon belül fejlesztette ki óriási erőfeszítés és költségek árán. A hálózat kívánt működését csak azután lehet ellenőrizni, hogy előzőleg kiváló minőségű adatokkal kellően betanították.[2] Ebben az esetben a szoftverbe sokezer vizsgált személy átvilágításából kapott, címkézett adatok tömegét táplálták be.[3] A címkék a vizsgált személy problémás területeit jelölik, ha vannak ilyenek. A probléma fajtája (kés, robbanószer) lényegtelen. Az óriási számú minta feldolgozása során a szoftver maga tanulja meg, hogy milyen mintázatokra kell riasztania. A változó paraméterek millióit feldolgozó, rendkívül számításigényes optimalizálási eljárás során a gépi mélytanulási algoritmus végighalad az adatbázison és megkeresi a kritikus esetek azonosítására legalkalmasabb jellemzőket, osztályozókat. Az így kapott megoldás az R&S®QPS belső programjába (firmware-ébe) kerül. A tanulás és a gyakorlati működés időigénye rendkívül kiegyensúlyozatlan: a terjedelmes tanulási fázis (hosszú számítási futtatások egy GPU-blokkon) olyan programot eredményez, amely másodperceken belül képes döntéseket hozni.
A gépi mélytanulás jelentős előnyöket nyújt a szkenner programjának fejlesztése során. Ez a módszer nemcsak kiváló észlelési minőséget tesz lehetővé, hanem azért is nagyon vonzó, mert a különféle helyzetekhez tartozó megoldásokat automatikusan állítja elő: a szoftver „társfejlesztővé” válik és „átvállalja” a monoton rutinfeladatokat, így a mérnököknek több idejük marad a neurális hálózatok és a mély tanulási algoritmusok tökéletesítésére, ami még jobb észlelési eredményeket tesz lehetővé.

Összefoglalás és kitekintés

A testszkennerek R&S®QPS típusú termékcsaládjával a Rohde & Schwarz új fejezetet nyit mind ebben a termékkategóriában, mind a repülésbiztonság terén. Az újszerű áramköri- és szoftvermegoldások kielégítik a repülőtéri biztonsági felelősök igényeit, egyúttal a lehető legnagyobb mértékben eleget tesznek az utasok elvárásainak is. Ezeket a helytakarékos eszközöket az üzemeltetők korlátozások nélkül beépíthetik ellenőrző pontjaikba, ezáltal biztosítva az utasok gyors átvilágítását. Maga az ellenőrzés számukra is kényelmes és teljesen diszkriminációmentes. Az R&S® QPS műszaki kialakítása teret hagy a jövő követelményeihez igazodó, új típusok fejlesztésének is. Középtávon – elsősorban a kifejezetten párhuzamos feldolgozás gyors fejlődésének eredményeként – a piacon olyan „átsétálós” szkennerek fognak megjelenni, amelyek nem is keltik biztonsági berendezés benyomását és nem lassítják az utaskezelést.

Hivatkozások

 


[1] A milliméteres hullámhosszakon működő szkenner nem lát a bőr alá, azaz a test belsejébe, mivel hullámai visszaverődnek a felületről, pontosabban a bőrben tárolt vízről – ez az egyik oka annak, hogy nincs egészségügyi kihatása.

[2] A hálózatok tanítása előminősített adatokkal történik, ezért ezt a fajta gépi tanulást felügyelt tanításnak is nevezik.

[3] Ezeket az átvilágításokat a Rohde & Schwarz ellenőrzése alatt a gyárban végzik. Soha nem szabad a telepítés helyszínén, üzemszerű működés közben nyert adatokat használni.

 

Volker Bach – Rohde & Schwarz

Rohde & Schwarz Budapesti Iroda
1138 Budapest, Madarász Viktor u. 47-49.
Tel.: +36 1 412 4460
E-mail: RS-Hungary@rohde-schwarz.com
www.rohde-schwarz.hu

Még több Rohde & Schwarz