Show simple item record

dc.contributor.authorAuthor::Engøy, Thoren_GB
dc.contributor.authorAuthor::Botnan, Jan Ivaren_GB
dc.contributor.authorAuthor::Løkken, Kristin Hammarstrømen_GB
dc.contributor.authorAuthor::Frømyr, Tomas Rollen_GB
dc.contributor.authorAuthor::Aronsen, Mortenen_GB
dc.contributor.authorAuthor::Stolpe, Audunen_GB
dc.contributor.authorAuthor::Blix, Tom Arilden_GB
dc.contributor.authorAuthor::Dyrdal Idaren_GB
dc.contributor.authorAuthor::Aurdal, Larsen_GB
dc.date.accessioned2018-11-15T12:37:47Z
dc.date.available2018-11-15T12:37:47Z
dc.date.issued2017-10-27
dc.identifier5302
dc.identifier.isbn978-82-464-2975-5en_GB
dc.identifier.urihttp://hdl.handle.net/20.500.12242/2205
dc.description.abstractTolletaten 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. Denne rapporten tar for seg anvendelse av sensorer og maskinlæring, og peker på gryende muligheter innen automatisering og digitalisering av vareflyten. Befaringer hos Tolletaten, på Oslo havn, postsentralen på Alnabru, tollkontoret på Gardermoen og grensestasjonen på Svinesund, har gitt FFIs prosjektgruppe bakgrunn for å forstå teknologienes mulige anvendelse for Tolletaten. Av de sensorteknologiene som er interessante kan nevnes kjemiske detektorer, TeraHertz, hyperspektral avbildning, radar samt forskjellige teknologier for deteksjon og overvåkning av fartøy på sjøen. Alle sensorteknologier, såvel som andre kilder til informasjon, kan brukes som grunnlag for maskinlæring. Et datasett som består av sensordata sammenholdt med en domeneeksperts tolkning av dataene må etableres først. Etter opplæring vil maskinen kunne finne mønstre og sammenhenger som man er ute etter f.eks. i en strøm av sensordata. Vi gir noen eksempler på hvordan maskinlæring (dyp læring) kan anvendes på sensorsystemer som Tolletaten bruker i dag, ANPR og 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. Dette vil kunne understøtte bedre planlegging og utnyttelse av Tolletatens ressurser. Disse teknologiene kan bidra til å forbedre treffprosenten ved utvelgelse av objekter for kontroll. For å få oversikt over de ulovlige varestrømmene må det i tillegg gjennomføres kontroller basert på statistiske metoder. Hvis disse ulovlige varestrømmene skal stanses må antall kontroller øke vesentlig. Automatisering og robotisering innen post- og varemottak, kontroll av konteinere og overvåking av varestrømmer vil i fremtiden gi mulighet for et slikt økt kontrollvolum. Teknologier som “blockchain” og “internet of things” vil sannsynligvis forbedre informasjontilgangen som følger vareflyten og dermed gi grunnlag for bedre kontroll. Hvordan data lagres, bearbeides og tilgjengeliggjøres vil endre seg gjennom skytjenester og bruk av lenkede data (“semantic web”). Imidlertid innebærer også teknologiutviklingen en trussel ved at kriminelle tar i bruk lett tilgjengelige løsninger for å anonymisere datatrafikk og taletjenester.en_GB
dc.description.abstractThe 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. This report deals with the use of sensors and machine learning, and points to emerging opportunities in automation and digitization of the flow of goods. Visits to customs stations at Oslo harbour, Alnabru mail center, Oslo Airport Gardermoen and Svinesund border station, have been carried out and given the FFI team background for understanding the possible application of the technologies within the Customs Agency. Sensor technologies that are of interest include chemical detectors, TeraHertz, hyperspectral imagery, radar and various technologies for detection and surveillance of vessels at sea. All sensor technologies, as well as other sources of information, can be used as the basis for machine learning. A data set consisting of sensor data along with a domain expert’s interpretation of the data must be prepared first. After training, the machine will be able to find patterns that are sought after, for example in a stream of sensor data. We provide some examples of how machine learning (deep learning) can be applied to sensor systems the Agency is currently using, ANPR and X-ray. A computer system with several different sensors and sources of information can over time learn what is normal, and then report deviations from the normal situation. This may support better planning and utilization of the Customs Agency’s resources. These technologies can help improve the hit rate in selecting objects for control. In addition, in order to estimate the illegal goods flows, checks must be performed based on statistical methods. If these illegal goods are to be stopped, the number of checks must increase significantly. Automation and introduction of advanced robots in mail processing, control of containers and monitoring of goods flows will in the future support this required increase in control volume. Technologies like “blockchain” and “internet of things” are likely to improve the information quality that follows the flow of goods and thus provide a better basis for control. How data is stored, processed and made available will change through cloud services and use of linked data (“semantic web”). However, technology development also poses a threat from criminal use of readily available solutions such as anonymous data traffic and voice services.en_GB
dc.language.isonoben_GB
dc.subjectTermSet Emneord::Teknologien_GB
dc.subjectTermSet Emneord::Sensoreren_GB
dc.subjectTermSet Emneord::Maskinlæringen_GB
dc.subjectTermSet Emneord::Automatiseringen_GB
dc.subjectTermSet Emneord::IKTen_GB
dc.titleTeknologiske muligheter for Tolletaten – breddestudieen_GB
dc.source.issue17/16605en_GB
dc.source.pagenumber76en_GB


Files in this item

This item appears in the following Collection(s)

Show simple item record