Show simple item record

dc.contributor.authorAuthor::Dyrdal Idaren_GB
dc.contributor.authorAuthor::Aurdal, Larsen_GB
dc.contributor.authorAuthor::Løkken, Kristin Hammarstrømen_GB
dc.contributor.authorAuthor::Engøy, Thoren_GB
dc.date.accessioned2018-11-20T10:30:25Z
dc.date.available2018-11-20T10:30:25Z
dc.date.issued2017-12-29
dc.identifier5302
dc.identifier.isbn978-82-464-3029-4en_GB
dc.identifier.urihttp://hdl.handle.net/20.500.12242/2322
dc.description.abstractTolletaten 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.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. 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.en_GB
dc.language.isonoben_GB
dc.subjectTermSet Emneord::Mønstergjenkjenningen_GB
dc.subjectTermSet Emneord::Maskinlæringen_GB
dc.subjectTermSet Emneord::Kunstig intelligensen_GB
dc.subjectTermSet Emneord::Nevrale nettverken_GB
dc.subjectTermSet Emneord::Dyp læringen_GB
dc.subjectTermSet Emneord::Tolletatenen_GB
dc.titleTeknologiske muligheter for Tolletaten – mønstergjenkjenning og maskinlæringen_GB
dc.source.issue17/17026en_GB
dc.source.pagenumber38en_GB


Files in this item

This item appears in the following Collection(s)

Show simple item record