CN111149120A - 用于运输设施的安全系统 - Google Patents

用于运输设施的安全系统 Download PDF

Info

Publication number
CN111149120A
CN111149120A CN201880063612.1A CN201880063612A CN111149120A CN 111149120 A CN111149120 A CN 111149120A CN 201880063612 A CN201880063612 A CN 201880063612A CN 111149120 A CN111149120 A CN 111149120A
Authority
CN
China
Prior art keywords
data
item
case
message
risk indicator
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201880063612.1A
Other languages
English (en)
Inventor
T·诺顿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Smiths Detection Watford Ltd
Original Assignee
Smiths Detection Watford Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Smiths Detection Watford Ltd filed Critical Smiths Detection Watford Ltd
Publication of CN111149120A publication Critical patent/CN111149120A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/541—Interprogram communication via adapters, e.g. between incompatible applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/546—Message passing systems or structures, e.g. queues
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Security & Cryptography (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Alarm Systems (AREA)

Abstract

本发明涉及用于运输设施的安全系统的领域。本文公开了一种安全系统(90)，用于协助识别在通过运输设施的运输中的物品中的感兴趣的材料。该系统(90)包括：第一检测设备(11)，用于获得检测数据；数据存储(20)，其被配置为存储案例标识符与对应案例数据之间的关联；以及服务器(100)，包括：多个应用编程接口API(111、112、113)，其被配置为在所述服务器(100)的软件应用(121、122、123)、所述第一检测设备(11)和所述数据存储(20)之间通信；消息总线(130)，被配置为提供所述API之间的通信路径；以及监听器(140)，耦合到所述消息总线(130)以获得在API(111、112、113)之间发送的携带案例标识符的消息，并且基于由所述消息携带的案例数据和所述案例标识符，修改所存储的关联。

Description

用于运输设施的安全系统
技术领域
本发明涉及一种用于协助识别在通过运输设施的运输中的物品中的感兴趣的材料的系统。
背景技术
诸如港口、边境和机场等运输设施的运输流量非常高。例如，现代集装箱船可能运载超过数千个集装箱，每个集装箱可能运载感兴趣的材料，诸如非法香烟、人、毒品或其它类型的违禁品。在这种情况下，感兴趣的材料可以包括：任何材料、物品、生物材料，例如动物、人、组织、细胞系、抗体等，无论是否非法。这可以包括例如黑市香烟、锂离子电池、放射性(有辐射的)材料或药品以及武器和爆炸物。理想的是防止该违禁品未被检测到就通过所述运输设施。这种运输设施可以包括港口和边境，而且可以包括需要检查物品的任何设施，例如在机场的海关，以及包裹递送中心，或者可以扫描货物或行李的任何设施。
运输设施通常使用诸如X射线扫描仪的检测设备来对集装箱的内容物成像，并由此估计集装箱是否包含任何违禁品。已经提出通过使用统计方法基于与集装箱相关联的属性估计容器包含违禁品的可能性来减少所执行的扫描的数量。例如，源自一些国家的集装箱可能总是被扫描，而与特定所有者相关联的集装箱可能从未被扫描。
运输设施可以包括许多不同类型的检测设备，诸如便携式X射线扫描仪、固定伽马射线扫描仪、中子分析系统、多模式被动检测系统等。这些设备可以各自使用专有的、并且在一些情况下是秘密的通信协议来操作，并且对于共享由这些不同设备产生的数据的能力可能存在严格的商业和监管约束。因此，安全人员必须读取这些设备中的每一个的数据，并对要采取什么(如果有的话)安全动作做出主观决定。来自所述检测设备的数据可以输入到数据库中。
发明内容
本公开的方面和示例在权利要求中阐述，并且旨在解决至少这些和其他技术问题。
在一个方面，提供了一种安全系统，用于协助识别在通过运输设施的运输中的物品中存在感兴趣的材料。该系统包括：第一检测设备，用于获得与通过所述运输设施的运输中的物品有关的检测数据；数据存储，其被配置为存储多个案例(case)标识符中的每一个与对应的多个案例数据项之间的关联，其中每一数据项描述运输中的物品；以及服务器。所述服务器包括：多个应用编程接口API，其被配置为在所述服务器的软件应用、所述第一检测设备和所述数据存储之间通信；消息总线，被配置为提供所述多个API之间的通信路径；以及监听器，其耦合到所述消息总线，并被配置为从所述消息总线获得在API之间发送的携带案例标识符的消息，并基于由所述消息携带的案例数据和所述案例标识符来修改所存储的关联。
运输中的物品可以对应于多个案例标识符中的一个。因此，与一个案例标识符相对应的案例数据可以对应于运输中的一个物品或多个物品。该关联提供对与该案例标识符相关联的数据项的访问。所述安全系统能够识别与存储在所述关联中的所述多个案例标识符中的至少一个相关的数据项。特别地，在使用所述消息总线发送消息的情况下，所述监听器可以获得由所述消息携带的案例数据，并且基于该案例数据修改所述关联。这可以提供与增加的案例数据的量的所述关联，否则其可能从未被呈现过。案例数据的增加可协助于识别通过运输设施的运输中的物品中是否存在感兴趣的材料。
在一个实施例中，所述服务器包括预测系统，其被配置为基于存储在所述关联中的数据确定运输中的物品的风险指标。所述风险指标可以包括连续变量，诸如该风险的百分比。所述风险指标可以包括离散变量，诸如是否需要进一步动作的指示。所述风险指标可以包括这两个变量。例如，高于动作阈值的风险的百分比可以被解释为需要进一步的动作。
这可以使得所述系统能够减少获得检测数据的发生次数，这可以是更有效/经济的，并且是更生态的。这是因为被确定为与低风险相关联的物品可以被允许通过所述运输设施，而不需要收集任何检测数据。
在一个实施例中，所述服务器被配置成使得在由所述消息携带的案例数据确认第一物品中的感兴趣的材料的存在或不存在的情况下，基于所述消息更新所述存储的关联中的所述案例数据。更新所述存储的关联中的所述案例数据可以包括添加结果的指示(所述第一物品中存在/不存在感兴趣的材料)。它还可以包括添加由所述预测系统确定的第一物品的风险指标的指示。在此基础上确定的所述风险指标可以与存储在所述关联中的用于确定所述风险指标的数据一起存储。或者，可以存储指示该风险指标与用于确定该风险指标的所存储数据之间的关联的数据。这提供了输入数据(例如，与所述第一物品链接的存储数据)和生成结果(例如，所述第一物品的风险指标)的记录。本公开的方法包括使用这些输入数据和这些结果更新所述预测系统—例如基于感兴趣的材料的预测结果和实际检测/未检测之间的差异。
这可以使所述系统能够收集比它以其他方式能够收集的更多的数据。这是因为在所述服务器上运行的软件应用可以访问与在运输中的物品中感兴趣的材料的存在有关的更多或不同的系统。例如，应用可以访问关于物品中感兴趣的材料的存在的检验结果。这可以使所述系统能够准确地确认或反驳由所述预测系统做出的预测。
在一个实施例中，所述预测系统被配置为基于所更新的关联来确定第二物品的风险指标。所述风险指标的确定可以基于所述第一物品的结果。它可以基于所确定的风险指标和所述第一物品的所述结果。它还可以基于与所述第二物品相关联的案例数据。这可以使所述系统能够适应在运输中的物品中存在感兴趣的材料的时间变化。
在实施例中，所述预测系统被配置为响应于从所述消息获得的案例数据改变其确定所述风险指标的方式。可以基于对所述第一物品的所述预测来确定该改变。可以基于所述第一物品的所述结果来确定。可以基于这两者来确定。这可以使得所述预测系统能够随着时间的推移改进其风险指标的确定。应当理解，通过向所述预测系统提供更多的训练数据，其将发展并提高其预测能力。所述安全系统的所述架构能够增加用于所述预测系统的案例数据的量。特别地，用于多个API之间通信的消息总线，以及被配置成监听使用所述消息总线发送的通信的监听器，能够使用所述消息总线通信的任何案例数据能够被检测并添加到所述数据存储。在没有当前架构的情况下，这些通信中的一些可能没有被注意到，因此这种情况下案例数据将不会被识别。通过积累更大量的案例数据，可以向所述预测系统呈现更大量的训练数据，这可以改进所述预测系统。这是因为案例数据可以包括物品中存在感兴趣的材料的结果，这使得所述预测系统所做的预测能够直接与实际结果进行比较。这可以使得所述预测系统能够被提供有更多的训练数据，这有助于其开发和准确性。可以提供多个这样的监听器。
改变风险指标确定的方式可以包括更新用于确定由所述预测系统使用的风险的模型。这可以包括更新该模型的权重或任何其他参数，诸如该模型的数值参数或系数。它可以包括更新模型本身的功能。更新可以包括向模型提供实际结果的指示。所述预测系统因此可以调整模型，使得已知输入数据的预测更符合与该输入数据相关联的已知结果。因此，可以训练所述预测系统以基于先前的经验提供输入数据到预测结果的改进映射。
确定所述风险指标可以包括使用以下各项中的至少一项：(i)基于回归分析的模型，(ii)基于树的模型，以及(iii)基于人工神经网络ANN的模型。更新所述模型的功能可以包括更新所述模型所使用的至少一个算法。它可以包括向所述模型添加新的算法或函数。改变风险指标确定的所述方式可以包括监督学习的形式。所述监督学习可以基于训练数据，该训练数据包括所述第一物品的所确定的风险指标(输入)和所述第一物品的所述结果的指示(期望输出)。它可以基于来自所述关联的多个输入和输出。可以改变风险指标确定的方式以减小预测输出和期望输出之间的差异。
提供能够进行机器学习的预测系统以及增加可用于训练所述预测系统的训练数据的可用性，使得能够改进预测。确定运输中的物品的风险指标的改进可以使得能够提高运输设施处的效率。例如，这可以通过减少误报(其中预测物品包含感兴趣的材料，但是不包含感兴趣的材料)和漏报(其中预测物品不包含感兴趣的材料，但是包含感兴趣的材料)的数量来实现。
在一个实施例中，所述服务器被配置为基于所述风险指标来确定是否触发针对物品的安全动作。触发安全动作可以导致对运送中的物品采取进一步的动作。这可以帮助识别和检测确实包含感兴趣的材料的物品。通过如上确定所述风险指标，并使用所述风险指标来确定是否触发安全动作，所述系统可以提供用于识别在运输物品中感兴趣材料的存在的更精简和有效的方法。可以仅响应于所述风险指标高于风险阈值而触发安全动作。通过提供改进的风险指标预测系统，可以触发更少的安全动作。
在一个实施例中，安全动作包括以下中的至少一个：操作所述第一检测设备以获得描述所述物品的进一步的案例数据；操作第二检测设备以获得描述所述物品的进一步的案例数据；以及基于所述风险指标控制所述物品通过所述设施的运输。所选择的安全动作可以取决于所确定的风险指标。所述物品的风险指标指示高风险可以导致触发更彻底和更具侵入性的安全动作。较低的风险指示可能不会导致这种耗时的检查。这可以提高效率，因为可以选择反映风险水平的安全动作，并且因此可以在更少的场合使用更多的时间、能量和金钱消耗的安全动作。
在一个实施例中，所述服务器被配置为在与每个案例标识符相关联的所述案例数据中累积描述每个运输中的物品的多个数据项，并且基于所累积的案例数据确定每个物品的风险指标。这可以使得所述关联中的所述案例数据能够随着时间发展。因此，可以观察到更多的趋势和/或模式，其对于单独的物品是通用的和特定的。与运输中的每个物品相关的累积数据的增加可以为所述预测系统提供增加数量的训练数据。这可以作为使用该数据的监督学习的结果来改进所述预测系统。
在一个实施例中，监听器的操作对所述API是透明的。这使得所述系统的功能对于所述系统的操作者保持一致，因为所述系统的功能作为整体将不需要改变以适应所述监听器。例如，运营商可能仍然利用他们熟悉的软件应用，并且该软件应用的功能对于运营商将表现为相同的。然而，所述安全系统的所述架构，尤其是对所述API透明的所述监听器，使得在没有对所述软件的功能的任何显著改变情况下案例数据仍能被收集，以便所述软件应用不知道这种数据正被收集。
在一个实施例中，从第一检测设备获得的数据包括来自所述物品扫描的图像数据，并且可选地包括图像数据的元数据。该扫描可以来自便携式或非便携式设备。它可以来自X射线扫描器，它可以来自γ射线扫描器。元数据可以使得对所述图像数据的任何分析(例如，通过第一检测设备的软件)能够与所述图像数据在相同的消息中被携带。
在一实施例中，第一软件应用被配置成提供与所述物品通过所述设施的运输相关联的人类用户界面，API被配置成经由所述消息总线在所述第一软件应用与所述数据存储之间通信。通常，所述消息总线与所述数据存储之间的通信是间接的，且包括使用数据存储API，尽管在某些实施例中，所述消息总线可直接与所述数据存储通信。人类用户界面可以向用户提供访问以查看所述系统上的数据并将数据输入到所述系统中。发送到所述软件应用或从所述软件应用发送的任何数据可在所述消息总线上发送，因此所述监听器可从这些消息获得案例数据。然后，用户可以使用所述人类用户界面将由所述物品的进一步检查产生的任何结果或数据输入到所述系统中。这可以向所述服务器提供与物品中感兴趣材料的存在的结果有关的更多数据。这进而可以提供所述预测系统可以从中学习的训练数据。
在一个实施例中，该系统包括第二软件应用，其被配置成使用所述API将安全数据从第二检测设备提供到所述数据存储。所述第二软件应用可以被配置成分析来自所述第二检测设备的数据。提供所述第二检测设备还可以允许提供来自所述第一检测设备的数据和来自所述第二检测设备的数据之间的互相关。
在一个实施例中，所述监听器包括至少一个API，该API耦合到所述消息总线并且被配置成订阅包括案例标识符的所有消息。因此，至少一个API可以为每个消息确定是否存在与该消息相关联的任何标识符，如果是，则确定是否存在一个案例标识符。这可以减少存储在所述关联中的无用数据的量，因为如果已知数据与案例标识符相关联，则可以仅将数据存储在所述关联中。
在一个示例中，提供了一种用于协助识别在通过运输设施的运输中的物品中存在感兴趣的材料的服务器。服务器包括：多个应用编程接口API，其被配置为在所述服务器的软件应用、第一检测设备和数据存储之间通信；消息总线，被配置为提供所述多个API之间的通信路径；以及监听器，其耦合到所述消息总线，并被配置为从所述消息总线获得在所述API之间发送的携带案例标识符的消息，并基于由所述消息携带的案例数据和所述案例标识符来修改所存储的关联。所述服务器可以在运输设施处连接到所述第一检测设备和所述数据存储。
在一个示例中，提供了一种用于协助识别在通过运输设施的运输中的物品中存在感兴趣的材料的方法。该方法包括：基于以下：(i)预测模型，以及(ii)存储在多个案例标识符中的每一个与对应的多个案例数据项之间的关联中的数据，确定运输中的物品的风险指标；从消息总线获取在多个API之间发送的携带案例标识符的消息；以及在消息中的案例数据确认在运输中的物品中存在和/或不存在感兴趣的材料的情况下，基于所述案例数据更新所述预测模型。
在一个示例中，提供了一种计算机程序产品，其包括被配置为编写处理器程序以执行本公开的方法的程序指令。例如上述方法。
附图
现在将参考附图仅通过示例的方式描述本公开的实施例，在附图中：
图1示出了一种安全系统，用于协助识别在通过运输设施的运输中的物品中所感兴趣的材料的存在。
图2示出了一种安全系统，用于协助识别在通过运输设施的运输中的物品中所感兴趣的材料的存在。
具体描述
图1示出了协助识别在通过运输设施的运输中的物品中存在感兴趣的材料的安全系统90。
系统90被布置成提供软件应用可以在其上操作的平台，并且向这些应用提供对数据存储20和第一检测设备11的访问。系统90提供消息总线130和多个应用编程接口(“API”)，用于实现所述应用、检测设备11和数据存储20之间的通信。系统90还包括监听器140，其观察使用消息总线130发送的通信，使得在发送包括相关数据的通信的情况下，系统90基于该相关数据更新数据存储20。这使得系统90能够累积增加的数据量。当确定物品包含感兴趣的材料的风险时，可以使用该增加的数据量。例如，该数据可以用作用于训练基于机器学习的预测系统的训练数据。该安全系统的优点在于，可以基于与第一物品相关的数据来确定在运输物品中感兴趣材料的存在，该数据不一定是从检测设备获得的数据。
图1示出了用于运输设施的一个这样的安全系统90。安全系统90包括第一检测设备11、数据存储20和服务器100。服务器100包括多个API(第一API 111、第二API 112和第三API 113)、消息总线130、监听器140和在服务器100上运行的多个软件应用(第一软件应用121、第二软件应用122和第三软件应用123)。数据存储20存储多个案例标识符中的每一个与对应的多个案例数据项之间的关联，其中每一数据项描述运输中的物品。这可以存储在数据存储20的易失性和/或非易失性存储器上。第一检测设备11和数据存储20中的每一个都耦合到服务器100。
服务器100的多个软件应用中的每一个都耦合到多个API中的至少一个，使得它们可以使用这些API来进行通信。多个软件应用中的每一个可以调用一个或多个API以提供软件和系统90的其余部分的一个或多个部分之间的通信。每个API都耦合到消息总线130，监听器140、第一检测设备11和数据存储20也是如此。消息总线130被配置为在系统90的这些组件中的每一个之间提供通信路径。
消息总线130为由连接到它的检测设备发送的消息提供通信路径。检测设备可以连接到消息总线130并在其上发送消息。检测设备还可以监听在消息总线130上发送的消息，并从总线130获得消息。例如，可以有多个组件(例如API、检测设备、监听器)连接到消息总线130，它们被配置成检测某一类型的消息已在消息总线130上发送。在已经发送了该类型的消息的情况下，相关组件将获得该消息。因此，安全系统的许多不同组件可被配置成例如使用API中的一个或多个经由消息总线130通信。消息总线130还使得这些组件能够通过获得在消息总线130上发送的与期望类型相关联的消息来接收消息。
在操作中，系统90的软件应用调用API进行通信。通信可以与系统90的一个或多个部分(例如硬件或软件)进行。在一个示例中，通信是在软件应用与数据存储20之间。API通过使用消息总线130提供API和数据存储20之间的通信路径来实现软件应用和数据存储20之间的通信。在此描述了软件应用与数据存储20之间的示例通信场景。
在消息总线130上将消息从API发送到数据存储20。例如，该消息可以包括对从数据存储20中的数据项检索的请求。作为响应，在消息总线130上向API发送消息。例如，该消息可由在消息总线和数据存储之间操作的数据存储API(未示出)发送，且该消息可包括所请求的数据项。API然后将该通信转发到软件应用。例如，这可以包括将消息转发到软件应用，或者转发所请求的数据项的指示。监听器140“监听”在API和数据存储20之间的消息总线130上发送的消息，而不拦截该通信，例如监听器140对API是透明的。可以存在多个监听器，每个监听器被配置为监听相同的消息，但是执行不同的动作。
每个消息包括至少一个与其相关联的标识符。消息的标识符可以包括案例标识符。案例标识符提供在通过该设施的运输中的相应物品的指示。每个案例标识符可以标识一个相应的物品。例如，这可以是一个集装箱/一个货物项目。它可以包括识别物品来源的信息。应当理解，案例标识符表示运输中的物品的至少一个属性的指示。它可以表示物品运输的一个实例，使得一个物品在运输通过第一运输设施时与第一案例标识符相关。然后，当通过第二运输设施时，相同的物品(例如，集装箱)可以与第二案例标识符相关。在这种情况下，一个物品可以与多个案例标识符相关联。例如，在任何一个时间，通过运输设施运输的每个物品将与“新”案例标识符相关联，该“新”案例标识符对应于通过运输设施运输的特定实例。然而，该物品还可以与多个“历史”案例标识符相关联，该多个“历史”案例标识符与该物品通过所述运输设施的运输的先前实例有关。与这些历史案例标识符有关的数据可以被存储在与物品的新案例标识符相关联的数据存储20中。数据存储20存储多个案例数据项，其中的每一个都对应于其案例标识符被索引。因此，案例标识符使得能够提供用于组织所存储的案例数据项并且使得案例数据项能够与它们的相关案例标识符相关联的系统90。
监听器140被配置为订阅包括在消息总线130上可用的案例标识符的所有消息，并且针对被发送的每个消息识别与该消息相关联的任何标识符。例如，监听器140被配置为确定与在消息总线130上发送的消息相关联的案例标识符。如果监听器140确定与消息相关联的案例标识符对应于存储在数据存储20中的关联中的案例标识符，则监听器140可以基于消息携带的任何案例数据和所述案例标识符来修改所存储的关联。例如，监听器140可以将由消息携带的案例数据的指示添加到所述关联。将案例数据添加到所述关联中，使得它与消息的案例标识符相关联。
监听器140被配置成以某种方式从所述消息中提取案例数据，以便其功能不会被所述消息或与所述消息相关的任何API或软件应用检测到。例如，监听器140可以复制由消息携带的所述案例数据，并且将复制的案例数据的指示添加到数据存储20。监听器140可以获得所述消息的本身或其复制品。所述案例数据或复制的案例数据的指示可以是所述案例数据本身，或者监听器140可以被配置成处理所述案例数据并且将所述案例数据的处理版本添加到数据存储20。因此，监听器140的操作被称为对API和/或软件应用“隐藏”或“透明”。
在将案例数据添加到数据存储20之前，监听器140可以确定来自所述消息的案例数据是否已经存在于所述关联中。在来自所述消息的所述案例数据存在于数据存储20中的情况下，监听器140不向数据存储20添加所述案例数据的指示。在一些实施例中，监听器140可以被配置为在复制来自所述消息的任何案例数据之前确定由所述消息携带的案例数据是否存在于所述关联中。例如，在所述案例数据不存在于所述关联中的情况下，监听器140将从所述消息提取所述案例数据，并且在所述案例数据存在于所述关联中的情况下，监听器140将不从所述消息提取所述案例数据。监听器140可以确定所述关联中是否不存在所述案例数据的一部分，并且仅提取不存在于所述关联中的所述案例数据的该部分。
图1的安全系统90被构造成协助识别在通过运输设施的运输中的物品中存在感兴趣的材料。在操作中，服务器100可以接收物品数据。所述物品数据可以包括清单，该清单包括物品的相关信息，例如其所有者和其来自何处。服务器100被配置成将这个物品数据作为与物品的相关案例标识符相关联的案例数据存储在关联中。
所存储的指示物品数据的案例数据可以被服务器100的API和软件应用用于确定该物品的风险指标。优选地，在确定风险指标时具有尽可能多的数据。特别地，在运输中的物品中存在感兴趣的材料的任何先前结果可以帮助更准确地确定所述风险指标。
软件应用可以接收外部输入，例如来自对运输中的物品的物理检查的结果的用户的输入。所述外部输入可以来自已经使用所述关联中的数据执行风险分析以生成特定风险指标的另一软件应用。检测设备11可获得与通过所述运输设施运输的物品相关的检测数据。该检测数据可以包括物品的扫描，并且可以提供在运输中的物品中存在感兴趣的材料的进一步指示。
这些输入数据源可能不能以它们可被添加到所述关联的方式由服务器100访问。然而，它们可以为所述关联提供更多的案例数据，鉴于在所述关联中具有更大的数据存储的益处，这将是更好的选择。该数据的指示可以包括在通过安全系统90发送的消息中(例如，从第一检测设备11到由软件应用使用的API)。这些消息使用消息总线130发送，因此由监听器140检测。监听器140然后可以基于这样的消息修改所述关联。这使得安全系统90能够增加存储在所述关联中的数据，这可以协助识别通过运输设施的运输中的物品中存在感兴趣的材料。
随着继续使用，系统90因此可以在与每个案例标识符相关联的案例数据中累积多项数据，所述多项数据描述例如运输中的每个物品。该累积的数据可以协助识别在通过运输设施的运输中的物品中存在感兴趣的材料。
现在将参考图2描述另一示例安全系统。在适当的地方，使用与图1中所示的特征所使用的相同的附图标记。
图2示出了协助识别在通过运输设施的运输中的物品中存在感兴趣的材料的安全系统190。
图2的系统190被布置为提供了一个软件应用可以操作的平台，其操作方式类似于上述图1中所描述的操作方式。系统190还包括用于预测与运输中的物品相关联的风险的预测系统150。可以基于所述关联中的案例数据来确定预测。该预测系统150被布置为使用一个自适应的且适合于要使用的机器学习的风险预测的模型。服务器100的监听器140从在消息总线130上发送的消息获得案例数据，这可以向服务器100提供更多的数据以用于训练所述机器学习系统。从监听器140获得的案例数据可以包括预测系统150已经预测其风险的物品中的感兴趣材料的存在的结果。然后，可以更新用于预测风险的模型以反映物品的预测和结果之间的任何差异。对运输中的物品的未来风险的确定可以从更新的模型中受益。
图2示出了用于运输设施的安全系统190。安全系统190包括多个检测设备；第一检测设备11、第二检测设备12和第三检测设备13。系统190还包括数据存储20、运输控制系统40、人类用户界面50和服务器100。服务器100包括多个API(第一API 111、第二API 112和第三API 113)、消息总线130、监听器140、预测系统150和在服务器100上运行的多个软件应用(第一软件应用121、第二软件应用122和第三软件应用123)。预测系统150包括机器学习元件151。第三API 113被图示为具有其自己的本地数据存储114。
数据存储20存储多个案例标识符中的每一个与对应的多个案例数据项之间的关联，其中每一数据项描述运输中的物品。这可以存储在数据存储器20的易失性和/或非易失性存储器上。第一检测设备11和数据存储20中的每一个都耦合到服务器100。
服务器100的多个软件应用中的每一个都耦合到多个API中的至少一个，使得它们可以使用这些API来进行通信。多个软件应用中的每一个可以调用一个或多个API来提供软件和系统190的其余部分之间的通信。每个API都耦合到消息总线130，监听器140、第一检测设备11、数据存储20和预测系统150也是如此。消息总线130被配置为在系统190的这些组件中的每一个之间提供通信路径。运输控制系统40耦合到服务器100，例如，其可以耦合到消息总线130。人类用户界面50还耦合到服务器100。其被图示耦合到软件应用。然而，应当理解，人类用户界面50和运输控制系统40都可以耦合到以下中的任何一个：消息总线130、API和/或软件应用。
第三API 113耦合到其本地数据存储114，使得系统190的另一特性与所述本地数据存储114之间的任何通信需要使用第三API 113。第三API 113可不需要使用消息总线130与其本地数据存储114通信。第一检测设备11被图示为耦合到消息总线130。第二检测设备12被图示为耦合到第一API111，并且第三检测设备13被图示为耦合到第一软件应用121。应当理解，这种布置不是限制性的，并且它仅仅表示检测设备和服务器100之间的通信可以采取几种形式的概念。例如，服务器100可以包括特定的检测设备输入API或检测设备输入软件应用，其被配置为接收和处理来自所述检测设备的检测数据。
在操作中，图2的系统190以与如上所述的图1的系统90类似的方式工作。因此，监听器140被配置成从消息总线130获得在API之间发送的携带案例标识符的消息，并且基于由所述消息携带的案例数据和案例标识符来修改所存储的关联。
另外，图2的系统190被配置成使用预测系统150来协助识别在通过运输设施的运输中的物品中存在感兴趣的材料。预测系统150被配置成确定运输中的物品的风险指标。该确定可以基于所存储的关联。在本公开的上下文中应当理解，预测系统150可以以各种不同的方式确定风险指标。例如，可以基于使用与物品相关联的数据作为其输入而工作的数学模型来确定风险指标。
所述风险指标可以包括指示与物品相关联的风险水平的值。例如，风险指标可表示在通过运输设施运输的物品中存在感兴趣材料的可能性百分比。风险指标可以表示与不触发物品的安全动作相关联的风险。风险指标可以是连续变量的形式，例如确定的物品中存在感兴趣的材料的可能性的百分比。风险指标可以是离散变量的形式，例如布尔型“触发安全动作”或“不触发安全动作”。风险指标可以包括这两个示例，使得其包括百分比风险和是否应当触发所述安全动作的指示。例如，预测系统150可以包括阈值风险值，超过该阈值风险值则确定应当触发安全动作，而低于该阈值风险值则不应当触发安全动作。
通过向预测系统150提供输入数据，诸如来自关联的案例数据，来确定物品的风险指标。例如，可以使用与对应于物品的案例标识符相关联的案例数据。预测系统150被配置为基于该输入数据计算物品的风险指标。因此，所确定的风险指标可以对提供给预测系统150的输入数据敏感。向预测系统150提供更多输入数据和/或更相关/准确的输入数据可以帮助消除与这种对输入数据的依赖性相关联的一些问题。例如，当唯一的输入数据是集装箱到达运输设施的一周中的某天时，可能难以预测物品中存在感兴趣的材料的风险。
可以通过将与第一案例标识符相关联的存储的案例数据项作为输入数据提供到预测系统150来确定与所述第一案例标识符相关联的第一物品的风险指标。例如，这可以包括所谓的“清单数据”，其包含与第一物品相关联的所有存储数据，诸如运输日志和与第一案例标识符相关联的物品中的感兴趣材料的存在的指示的历史。还可以使用来自关联的附加数据作为输入数据来确定第一物品的风险指标。可以使用与其它物品(或案例标识符)相关联的案例数据。这可以使得预测系统150能够以适应于与其他物品相关的最近数据的方式来确定风险指标，这可以使得预测系统150能够发现任何大体的趋势。例如，输入数据可以包括代表与物品所有者相关联的所有案例数据(诸如感兴趣的材料的先前出现的次数)的数据，或者代表同时到达运输设施的所有案例数据的数据。
预测系统150还包括机器学习元件151，其可以更新预测系统150。机器学习元件151被配置成实现监督学习，其中输入数据以及预期结果被提供给预测系统150。预测系统150基于所述输入数据确定预测值。机器学习元件151被配置成执行预测值和预期结果之间的比较。在预测值和预期结果不同的情况下，机器学习元件151基于所述预测值和所述预期结果更新预测系统150。预测系统150根据所述预测值和所述预期结果之间的差异而更新。机器学习元件151被配置成更新预测系统150，使得在预测系统150要基于相同的输入数据确定第二预测值的情况下，所述预测值与预期结果之间的差异被减小。因此，在这种情况下，预测系统150确定风险指标的方式将改变。这种改变将取决于由预测系统150执行的计算的类型。所述改变的程度还将取决于所述预测值与所述预期结果之间的差异的大小。
在本公开的上下文中将理解，可以使用许多不同类型的预测系统150。通常，预测系统150将使用模型(例如，数值的或逻辑的)来确定风险指标，该模型处理输入数据以计算风险指标的值。该模型以这样的方式配置，即它可以由机器学习元件151更新。对模型的这种更新可以以几种方式发生，但是通常它们将反映监督学习的结果。例如，这可以使得模型能够基于其所呈现的训练数据而被“微调”。例如，预测系统150可以使用以下各项中的至少一项来确定风险指标：(i)回归分析；(ii)决策树算法；以及(iii)人工神经网络(“ANN”)。这些方法可以由服务器100的处理器执行。
这些实现中的每一个的操作方式可以响应于从所述消息获得的案例数据而改变。特别地，在所获得的案例数据提供了对于在运输中的物品中存在感兴趣的材料的结果的指示的情况下，机器学习元件151可以使用该指示来训练由预测系统150使用的模型。这种训练可以是监督学习的形式。这是因为可以比较预测值和预期结果。这使得机器学习元件151能够确定当前预测系统150的准确度值。然后，可以基于所述预测和所述结果来更新预测系统150。因此，向预测系统150提供更多数据的监听器140可以帮助预测系统150的训练过程，因为机器学习系统随着增加的训练数据而提高质量。
下面关于用于确定风险指标的系统150的类型来讨论改变预测系统150确定风险指标的方式的这种更新的示例。
回归分析
预测系统150可以被配置成使用适合于机器学习元件151使用回归分析来训练的模型类型来确定风险指标。合适的模型可以包括将输入数据映射到预测结果的数学函数。这可以使用线性或非线性系统。回归分析使得该模型能够被修改以使已知输入值的预测与所述输入值的已知结果更接近一致。例如，如果模型包括多项式，则机器学习元件151可以被配置成对模型执行回归分析，其结果可以是选择多项式的系数以拟合训练数据。拟合所述训练数据可以是例如作为“最佳拟合”或最小误差或最大似然，或拟合的任何其他适当的度量。可以使用最小二乘拟合法，其最小化由系统150预测的值和已知结果值之间的差的平方和。回归分析可用于单变量或多变量问题。
用于这种回归分析的模型可以包括多个算子，并且对于每个算子可以应用加权。算子可以包括用于处理输入数据以产生输出值或命令的函数或算法。例如，函数可以包括输入数据的数学变换，诸如指数。算法可以基于一系列逻辑条件，并且在满足输入值的逻辑条件的情况下，计算第一输出，并且在不满足所述逻辑条件的情况下，计算第二输出。模型可以包括多个这样的算子，每个算子被配置为产生输出值，并且每个算子的输出可以由至少一个系数(加权)来缩放。权重被配置为控制每个操作对由预测系统150确定的总风险指标的贡献。
改变这种函数确定风险指标的方式可以包括改变以下中的至少一个：(i)算子和(ii)加权。改变算子可以包括添加新算子或移除现有算子。这也可以通过对算子应用零加权来实现。在一个实施例中，改变权重可以优先于改变算子。然后，在模型看起来没有朝着产生适当预测收敛(例如，不满足阈值成功标准)的情况下，预测系统150可以触发针对服务器100的操作者的警报以针对预测系统150确定不同的算子集合。
回归分析可以用于被配置为预测具有连续值的结果(例如，预测百分比)和具有离散值的结果(例如，是/否)中的任一个和/或两个的模型。对于离散值结果，可以使用逻辑回归，其中，例如，使用从预测较低值快速切换到较高值的模型，这可以解释为对于布尔型变量从是切换到否。
决策树算法
预测系统150可以被配置为使用决策树算法来确定风险指标，在决策树算法中，输入数据与一系列后续的不同逻辑表达式/决策/条件进行比较。与输入数据比较的逻辑条件将取决于与输入数据比较的先前逻辑条件的结果。通过将输入数据与逻辑表达式的一个序列(来自多个可能序列)进行比较，决策树算法基于这种逻辑测试的结果生成输入数据的属性。属性可以是连续变量或离散值。
预测系统150可使用包括决策树算法的模型，其中输入数据(例如，与通过运输设施运输的物品相对应的案例标识符的案例数据)与第一逻辑条件进行比较。对于该比较可以有多个结果。例如，在输入数据是数值的情况下，比较可以将该值放置到一系列数值区间(“数据仓”)之一中。或者，比较可以将输入数据分类为两个类别之一；一个用于满足标准的输入数据，另一个用于不满足标准的输入数据。预测系统150然后将输入数据与第二逻辑条件进行比较。将存在多个可能的第二逻辑条件，输入数据可以与这些条件进行比较。选择哪个第二逻辑条件将取决于与第一逻辑条件的比较结果。
决策树算法将继续将输入数据与后续逻辑条件进行比较，并使用该比较来选择要与之比较的输入数据的后续逻辑条件。该过程继续，直到算法结束，在该点产生风险指标的输出。在一个实施例中，决策树算法用于将输入数据分类到某些离散分类中。例如，为了将通过运输设施运输的物品与“触发安全动作”或“不触发安全动作”的分类器相关联。
决策树型算法可以采用具有多个分支的树状结构，每个分支从分支点延伸。在每个分支点处是判定函数，其将输入数据与阈值标准进行比较。基于该比较，算法确定跟随哪个分支扩展分支。通过进行到完成(分支的末尾处的叶子)，算法可以基于对满足相似(或甚至相同)准则的数据的先前经验来确定数据的属性。
例如，算法可以确定满足第一组标准的输入数据的所有实例的第一百分比导致识别物品中的感兴趣材料。决策树算法可使预测系统150能够推断满足第一组标准的另一输入数据项具有感兴趣材料存在于其中的第一百分比机会。这样的算法可以实现“关键决策”的识别。这些是提供感兴趣的材料存在的最大指示的决策，即满足相关标准的所有先前输入数据都存在感兴趣的材料(或不存在感兴趣的材料)。这些关键决策可以朝向算法的顶部实现，以便为算法提供有效的分支。
改变这种算法确定物品的风险指标的方式可以包括更新决策树算法的结果值。结果值表示可以基于来自决策序列的结果而被推断为输入数据的属性。结果值可以是分类器，诸如是否触发安全警报。它们可以是数值，例如基于与物品相关的决策的顺序，感兴趣的材料存在于物品中的百分比机会。这些结果值可以被修改。例如，随着遵循相同决策序列(具有相同比较)的物品的数量增加，可以改变该决策序列的结果值以反映物品的整个组。例如，可以使用数值平均值作为结果值。在一个示例中，如果新输入数据满足决策序列的相关标准，而在对应物品中不存在感兴趣材料的情况下，对于特定决策序列，感兴趣材料存在的百分比机会将会降低。
改变方式可以包括对算法中的决策重新排序。如上所述，可能存在被识别并重新定位到算法中的较早阶段的关键决策。改变方式可以包括将新的决策引入到算法中，并从中产生新的分支。例如，在新数据项中观察到暗示一个逻辑条件与结果相关的趋势的情况下，该逻辑条件可以包括在算法中。
因此，这种决策树算法可以用于基于对先前数据的经验将输入数据分类为某些类别，或者将数值分配给输入数据。决策树算法可以是“随机森林”算法的形式，其中存在多个不同的决策树，每个决策树都在输入数据的随机样本上训练。随机森林算法使用来自每个单独的分量决策树算法的预测结果基于平均结果来确定输出值。也可以使用梯度增强，其中训练和测试第一决策树算法。识别来自第一决策树的任何不正确确定的输出值，然后将其用于训练第二决策树算法。可以针对多个后续决策树算法重复该过程。
人工神经网络(ANN)
预测系统150可以被配置为使用ANN来确定风险指标，在ANN中使用至少一个包括多个“神经元”的层。每个神经元可以是一种算子，其被配置为接收数据项并处理该接收到的数据以产生经处理的数据项。所接收的数据可以是例如检测数据的一部分，诸如图像的像素区域。对于多层ANN，所接收的数据将是来自前层神经元的经处理的数据。每个神经元包括至少一个对其接收的数据执行特定功能的算子。该功能可以包括将加权应用于所接收数据的不同源(以便控制对来自多个源的处理数据的贡献)。该功能还可以包括以某种方式(诸如基于数学模型)操纵输入数据。预测系统150可以被配置成使用这样的ANN来产生特定类型的输出，诸如连续值(例如概率)或离散值(例如是/否)。
可以通过向ANN提供输入数据形式的训练数据和针对所述输入数据的预期结果来训练这种预测系统150。例如，预测系统150可以用于确定运输中的物品的风险指标。如果还存在关于物品中感兴趣材料的存在的已知结果，则这可以用作用于训练ANN的输入数据。所述已知结果可由监听器140通过观察使用消息总线130发送的消息上携带的案例数据来识别。
预测系统150确定风险指标的方式可以基于ANN的这种训练。可以修改应用于每个神经元的接收数据的权重。这些权重可以包括在每个神经元处接收的不同数据流的数值系数。可以改变这种权重，使得已知输入数据的预测值更接近地匹配已知的预期结果。系统150可以“反向传播”ANN以识别一个或多个神经元，该神经元引起结果偏离已知的预期结果的最大偏移。可以改变这些神经元的权重。
系统150还可以修改(或添加/移除)各个神经元的功能。例如，在系统被反向传播的情况下，可以识别并移除/改变始终使答案失真的神经元。改变预测系统150确定风险指标的方式因此可以包括改变应用于输入数据的权重以及改变神经元本身的功能。
预测系统150被配置为基于输入数据确定物品的风险指标。在监听器140从消息总线130获得确认第一物品中感兴趣的材料的存在或不存在(结果)的消息的情况下，可以使用针对所述第一物品确定的风险指标和获得的结果的组合作为预测系统150的训练数据。机器学习元件151可以根据用于预测系统150的监督机器学习过程来处理该数据。通过向机器学习元件151提供更多训练数据，可以提高预测系统150的准确性和可靠性。在预测系统150用于确定运输中的第二物品的风险指标的情况下，使用更新的(训练过的)预测系统150，因为预测系统150已经在所述第一物品的数据上训练过。该关联还将被更新以包括对物品中感兴趣材料的存在的结果的指示。预测系统150因此可以基于更新的关联和/或更新的预测系统150来确定第二物品的风险指标。
预测系统150可以被配置为确定物品的风险指标，并且基于所确定的风险指标来确定是否触发所述物品的安全动作。图2的系统190包括耦合到服务器100的运输控制系统40。在所述物品的安全动作被触发的情况下，可以将消息传送到运输控制系统40。它可以被传送到人类用户界面50，其可以指示用户采取动作或决定采取哪个动作(和/或是否采取动作)。这可以与运输控制系统40链接。例如，用户可以控制运输控制系统40，例如通过使用消息总线130从人类用户界面50向运输控制系统40发送消息。运输控制系统40被配置为相应地控制运输中的物品。例如遵循该运输设施的特定协议。
运输控制系统40可包括警报，即应当获取物品的进一步的案例数据。例如，这种案例数据可以从第一检测设备11获取；它可以从第二检测设备12获得。运输控制系统40可基于风险指标控制物品通过设施的运输。这可以包括控制物品流，使得所述物品被引导朝向检测设备。在物品被运载在车辆上的情况下，这可以包括指示车辆进入检测区。例如，这可以使用照明系统，其指示所述车辆的驾驶员在哪个方向上驾驶。这样，如果确定应当为所述物品获得进一步的案例数据，则它们可以前进到检测设备。
在本公开的上下文中应当理解，监听器140可以是多种不同的形式。它可以是被配置成订阅在消息总线130上发送的消息的API的形式。然后，可以由所述API发布这样的消息。通信可以使用网络消息来工作。网络消息可以是用于通过网络发送命令或请求的任何适当形式的消息。这些可以是例如HTTP请求消息。网络消息可以携带多个标识符中的至少一个，例如类型标识符或案例标识符。类型标识符例如可以指定所述消息的来源或与所述消息相关联的任何细节。监听器140可以被配置成仅订阅特定类型的消息。它可以预订该类型的所有消息。应当理解，消息总线130可包括合适的系统以允许不同软件之间的通信，诸如不同API之间的通信。例如，消息总线130可以由消息代理提供，例如开放源码消息代理RabbitMQ。
在本公开的上下文中应当理解，可以使用多种类型的合适检测设备中的任何一种。例如，检测设备可以包括一种类型的扫描仪，例如X射线扫描器或伽马射线扫描器。使用这种扫描仪能够为物品的内容物生成图像。这种性质的扫描仪可以提供物品中存在或不存在感兴趣材料的进一步指示。检测设备可以将数据(例如，图像数据、图像数据的分析或包括元数据的图像数据，所述元数据包括图像数据的分析)从检测设备传送到服务器100。服务器100然后可以确定是否触发进一步的安全警报，诸如物理地打开集装箱以检查感兴趣的材料。检测设备可以包括被配置为生成和/或接收物品的进一步数据的任何设备。例如，检测设备可以包括用于获得与运输中的物品相关的货单数据的系统。
在一些实施例中，检测设备可以包括用于获得物品的图像数据的成像系统。所述成像系统可以包括光学字符识别(OCR)系统。所述OCR系统可以被配置成识别物品上的文本，诸如物品编号。这可以与所述关联中的案例标识符进行比较。在所述集装箱上的所述文本对应于所述关联中的案例标识符的情况下，服务器100可以确定物品的图像数据与所述案例标识符相关联。然后可以基于所述图像数据更新所述关联。该图像数据被添加到与所述案例标识符相关联的所述关联。
现在将描述在运输设施中使用的图2的安全系统190的示例。
第一物品，例如来自货船的集装箱，在运输设施，例如港口或边境海关设施处被接收。数据存储20包括具有与第一物品相关的案例数据的关联，或者与第一物品相关联的案例标识符。该案例数据包括第一物品的运输历史，以及物品的当前运输的细节，例如其起运港和船主。预测系统150通过使用消息总线130通信从数据存储20检索该数据。预测系统150然后使用模型和该案例数据来确定第一物品的风险指标。在该示例中，风险指标指示应当触发安全动作，因为它指示感兴趣的材料存在于物品中的可能性高。
安全动作被触发，并且第一物品前进到第一检测设备11，在该示例中，该第一检测设备是X射线扫描器。物品由X射线扫描器扫描，并且分析软件基于扫描数据确定物品中没有感兴趣的材料。可选地，该分析软件可以内置在X射线扫描器内，或者其可以是安全系统的核心。扫描仪将此传送给使用人类用户界面50与系统通信的安全系统管理员。通过在消息总线130上发送消息，将扫描数据和分析传送到人类用户界面50。管理者能够观察该结果并执行适当的动作以使物品能够行进。
监听器140获得在扫描器和用户界面50之间通过消息总线130发送的消息的内容。监听器140基于该消息确定在所查看的物品中不存在感兴趣的材料。然后监听器140更新该关联以反映这一点。预测系统150的机器学习元件151然后更新用于预测系统150的模型以解决产生误预测的模型。
服务器100可接收第二物品的数据。如果该物品涉及数据存储20中的案例数据，则预测系统150将检索与该物品相关联的案例数据。如果不是，则服务器100将向第二物品的所述关联和为其接收的数据添加新条目。预测系统150然后确定第二物品的风险指标。在第二物品具有与第一物品类似的案件数据的情况下，对预测系统150的更新可以使得第二物品的风险指标不触发安全警报动作并且不扫描第二物品。
安全系统190的这种操作可以提供益处，因为其被配置为获得关于其预测的准确性的反馈。系统190被配置为基于该反馈来适配其预测系统150。这可以使得能够识别和考虑运输中感兴趣的材料的模式的变化。这可以提供用于确定扫描哪些集装箱的更有效的安全系统190。在理想的情况下，这种预测系统150可以被训练到足够高的精确度，使得它可以仅基于与集装箱相关联的存储属性来确定扫描哪些集装箱，使得仅扫描包含感兴趣的材料的集装箱。
在本公开的上下文中应当理解，安全系统的任何组件和服务器100/消息总线130之间的通信可以以多种方式发生。这些不同的通信方式将是安全的。这里描述的设备的通信接口可以包括任何有线或无线通信接口，例如WI-FI(RTM)、以太网或直接宽带因特网连接，和/或GSM、HSDPA、3GPP、4G或EDGE通信接口。还应当理解，尽管服务器100在图1和2中被示为包括数据存储20，但是数据存储20也可与服务器100分开。
这里描述的消息可以包括数据有效载荷和标识在其上应用请求的资源的标识符(例如统一资源指示符URI)。这可以使得消息能够跨网络转发到其寻址到的设备。一些消息包括方法令牌，其指示要在由请求标识的资源上执行的方法。例如，这些方法可以包括超文本传输协议、HTTP、方法“GET”、“POST”或“HEAD”。对内容的请求可以以超文本传输协议、HTTP、请求的形式提供，例如在网络工作组请求注释中指定的那些请求：RFC2616。如在本公开的上下文中将理解的，虽然HTTP协议及其方法已经被用于解释本公开的一些特征，但是也可以使用其它因特网协议，并且标准HTTP协议的修改也可以被使用。
如本文所述，网络消息可以包括例如HTTP消息、HTTPS消息、因特网消息访问协议消息、传输控制协议消息、因特网协议消息、TCP/IP消息、文件传输协议消息，或者可以使用任何其他合适的消息类型。
服务器100中使用的任何处理器(以及这里概述的任何活动和装置)可以用诸如逻辑门的组件的固定逻辑或者诸如由处理器执行的软件和/或计算机程序指令的可编程逻辑来实现。其它类型的可编程逻辑包括可编程处理器、可编程数字逻辑(例如，现场可编程门阵列(FPGA)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM))、专用集成电路、ASIC或任何其它类型的数字逻辑、软件、代码、电子指令、闪存、光盘、CD-ROM、DVD ROM、磁卡或光卡、适于存储电子指令的其它类型的机器可读介质、或其任何合适的组合。这样的数据存储介质还可以提供服务器100的数据存储20(以及这里概述的任何装置)。
从以上讨论中将理解，图中所示的实施例仅是示例性的，并且包括可以如本文所述和如权利要求中所述一般化、移除或替换的特征。总体上参考附图，将理解，示意性功能框图用于指示本文描述的系统和装置的功能。例如，由数据存储20提供的功能可以全部或部分地由具有一个或多个存储在芯片上的数据值的处理器提供。另外，处理功能也可以由电子设备所支持的设备来提供。然而，将理解，功能性不需要以这种方式划分，并且不应被认为暗示除了下面描述和要求保护的硬件之外的任何特定硬件结构。附图中所示的一个或多个元件的功能可以进一步细分和/或分布在本公开的整个装置中。在一些实施例中，附图中所示的一个或多个元件的功能可以集成到单个功能单元中。
上述实施例应理解为说明性示例。可以设想进一步的实施例。应当理解，关于任何一个实施例描述的任何特征可以单独使用，或者与描述的其它特征组合使用，并且还可以与任何其它实施例的一个或多个特征组合使用，或者与任何其它实施例的任何组合使用。此外，在不背离所附权利要求中限定的本发明的范围的情况下，也可以采用上面未描述的等同物和修改。
在一些示例中，一个或多个存储器元件可以存储用于实现本文描述的操作的数据和/或程序指令。本公开的实施例提供了包括程序指令的有形非暂态存储介质，所述程序指令可操作以对处理器进行编程以执行本文描述和/或要求保护的方法中的任何一个或多个方法和/或提供如本文描述和/或要求保护的数据处理装置。
本文描述的方法的某些特征可以在硬件中实现，并且装置的一个或多个功能可以在方法步骤中实现。在本公开的上下文中还将理解，本文所述的方法不需要以它们被描述的顺序执行，也不必以它们在附图中被描绘的顺序执行。因此，参照产品或装置描述的本公开的方面也旨在被实现为方法，反之亦然。本文描述的方法可以在计算机程序中、或在硬件中、或在其任何组合中实现。计算机程序包括软件、中间件、固件及其任意组合。这样的程序可以作为信号或网络消息来提供，并且可以记录在计算机可读介质上，诸如可以以非暂态形式存储计算机程序的有形计算机可读介质。硬件包括计算机、手持设备、可编程处理器、通用处理器、专用集成电路、ASIC、现场可编程门阵列、FPGA和逻辑门阵列。
在本公开的上下文中，本公开的其他示例和变化对于本领域技术人员将是显而易见的。

Claims (20)

1.一种协助识别在通过运输设施的运输中的物品中的感兴趣的材料的安全系统，所述系统包括：
第一检测设备，用于获得与通过所述运输设施运输的物品有关的检测数据；
数据存储，其被配置为存储多个案例标识符中的每一个与对应的多个案例数据项之间的关联，其中每一数据项描述运输中的物品；以及
一种服务器，包括：
多个应用编程接口API，其被配置为在所述服务器的软件应用、所述第一检测设备和所述数据存储之间通信；
消息总线，被配置为提供所述多个API之间的通信路径；以及
监听器，耦合到所述消息总线，并且被配置为从所述消息总线获得在所述API之间发送的携带案例标识符的消息，并且基于由所述消息携带的案例数据和所述案例标识符，修改所存储的关联。
2.根据权利要求1所述的系统，其中所述服务器包括预测系统，所述预测系统被配置成基于存储在所述关联中的数据，确定运输中的物品的风险指标。
3.根据权利要求2所述的系统，其中所述服务器被配置为在由所述消息携带的所述案例数据确认第一物品中的感兴趣的材料的存在或不存在的情况下，基于所述消息，更新所述存储的关联中的所述案例数据。
4.根据权利要求3所述的系统，其中，所述预测系统被配置为基于所述更新的关联，确定第二物品的风险指标。
5.根据权利要求2至4中的任一项所述的系统，其中，所述预测系统被配置为响应于从所述消息获得的案例数据，改变所述预测系统确定所述风险指标的方式。
6.根据权利要求2至5中任一项所述的系统，其中，所述服务器被配置为基于所述风险指标确定是否触发针对物品的安全动作。
7.根据权利要求6所述的系统，其中所述安全动作包括以下各项中的至少一者：操作所述第一检测设备以获得描述所述物品的进一步的案例数据；操作第二检测设备以获得描述所述物品的进一步的案例数据；以及基于所述风险指标控制所述物品通过所述设施的运输。
8.根据前述权利要求中任一项所述的系统，其中所述服务器被配置为在与每个案例标识符相关联的所述案例数据中，累积描述运输中的每个物品的多个数据项，并且基于所累积的案例数据，确定每个物品的风险指标。
9.根据前述权利要求中任一项所述的系统，其中所述监听器的操作对所述API是透明的。
10.根据前述权利要求中任一项所述的系统，其中从所述第一检测设备获得的数据包括来自所述物品的扫描的图像数据，并且可选地包括所述图像数据的元数据。
11.根据前述权利要求中任一项所述的系统，其中所述软件应用中的第一软件应用被配置成提供与物品通过所述设施的所述运输相关联的人类用户界面，且所述API被配置成使用所述消息总线在所述第一软件应用与所述数据存储之间通信。
12.根据权利要求11所述的系统，包括第二软件应用，它被配置成使用所述API将安全数据从第二检测设备提供给所述数据存储。
13.根据前述权利要求中任一项所述的系统，其中所述监听器包括至少一个API，所述至少一个API耦合到所述消息总线并且被配置为订阅包括案例标识符的所有消息。
14.一种用于识别在通过运输设施的运输中的物品中的感兴趣的材料的方法，其中，所述运输设施包括：
第一检测设备，用于获得与通过所述运输设施运输的物品有关的检测数据；
数据存储，其被配置为存储多个案例标识符中的每一个与对应的多个案例数据项之间的关联，其中每一数据项描述的运输中的物品；以及
一种服务器，包括：
多个应用编程接口API，其被配置为在所述服务器的软件应用、所述第一检测设备和所述数据存储之间通信；
消息总线，被配置为提供所述多个API之间的通信路径；以及
耦合到所述消息总线的监听器；
其中所述方法包括：
操作所述监听器以从所述消息总线获得在所述API之间发送的携带案例标识符的消息；以及
基于所述消息携带的案例数据和所述案例标识符，修改所存储的关联。
15.根据权利要求14所述的方法，其中所述方法包括基于存储在所述关联中的数据，确定运输中的物品的风险指标。
16.根据权利要求15所述的方法，其中所述方法包括：
在由所述消息携带的所述案例数据确认第一物品中存在或不存在感兴趣的材料的情况下，基于所述消息更新所存储的关联中的所述案例数据。
17.根据权利要求16所述的方法，其中所述方法包括基于所述更新的关联，确定第二物品的风险指标。
18.根据权利要求15至17中任一项所述的方法，其中，所述方法包括响应于并且基于从所述消息获得的案例数据，改变确定所述风险指标的方式。
19.根据权利要求15至18中任一项所述的方法，其中，所述方法包括基于所述风险指标，确定是否触发针对物品的安全动作。
20.一种计算机程序产品，包括被配置为对处理器编程以执行根据权利要求14至19中任一项所述的方法的程序指令。
CN201880063612.1A 2017-07-31 2018-07-31 用于运输设施的安全系统 Pending CN111149120A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
GBGB1712317.5A GB201712317D0 (en) 2017-07-31 2017-07-31 Security system for transit facility
GB1712317.5 2017-07-31
EP18157722.2 2018-02-20
EP18157722.2A EP3438900A1 (en) 2017-07-31 2018-02-20 Security system for transit facility
PCT/GB2018/052185 WO2019025786A1 (en) 2017-07-31 2018-07-31 SECURITY SYSTEM FOR TRANSPORT EQUIPMENT

Publications (1)

Publication Number Publication Date
CN111149120A true CN111149120A (zh) 2020-05-12

Family

ID=59778752

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880063612.1A Pending CN111149120A (zh) 2017-07-31 2018-07-31 用于运输设施的安全系统

Country Status (9)

Country Link
US (1) US20210090192A1 (zh)
EP (2) EP3438900A1 (zh)
CN (1) CN111149120A (zh)
CA (1) CA3071490A1 (zh)
GB (1) GB201712317D0 (zh)
MY (1) MY201759A (zh)
PL (1) PL3662424T3 (zh)
SG (1) SG11202000816QA (zh)
WO (1) WO2019025786A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7176359B2 (ja) * 2018-11-05 2022-11-22 株式会社リコー 学習装置および学習方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5642393A (en) * 1995-09-26 1997-06-24 Vivid Technologies, Inc. Detecting contraband by employing interactive multiprobe tomography
US20020176531A1 (en) * 2001-04-03 2002-11-28 Mcclelland Keith M. Remote baggage screening system, software and method
US20080198967A1 (en) * 2007-02-16 2008-08-21 Connelly James M High throughput baggage inspection system
CN101361318A (zh) * 2005-11-23 2009-02-04 想象It公司 消息广播地理围栅系统和方法
US20120086450A1 (en) * 2010-10-07 2012-04-12 Crowley Christopher W Enhanced security portal with multiple sensors
CN203574673U (zh) * 2013-07-15 2014-04-30 上海联影医疗科技有限公司 一种消息处理系统
CN103917862A (zh) * 2011-09-07 2014-07-09 拉皮斯坎系统股份有限公司 整合舱单数据和成像/检测处理的x射线检查系统
CN105637842A (zh) * 2013-09-20 2016-06-01 甲骨文国际公司 用于网络通信环境中的中介的可靠消息传送的技术
US20160173331A1 (en) * 2014-12-15 2016-06-16 Thomas Janke Determined configuration update for edge components
CN105866853A (zh) * 2016-04-13 2016-08-17 同方威视技术股份有限公司 安检监视控制系统和安检监视终端
US20160239683A1 (en) * 2013-03-15 2016-08-18 Inder-Jeet Singh Gujral System and method for securely storing files
CN106548263A (zh) * 2015-09-21 2017-03-29 同方威视技术股份有限公司 一种智能安全检查系统和方法
CN106814729A (zh) * 2015-12-02 2017-06-09 田荣侠 一种地铁门控单元实时故障检测装置系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5642393A (en) * 1995-09-26 1997-06-24 Vivid Technologies, Inc. Detecting contraband by employing interactive multiprobe tomography
US20020176531A1 (en) * 2001-04-03 2002-11-28 Mcclelland Keith M. Remote baggage screening system, software and method
CN101361318A (zh) * 2005-11-23 2009-02-04 想象It公司 消息广播地理围栅系统和方法
US20080198967A1 (en) * 2007-02-16 2008-08-21 Connelly James M High throughput baggage inspection system
US20120086450A1 (en) * 2010-10-07 2012-04-12 Crowley Christopher W Enhanced security portal with multiple sensors
CN103917862A (zh) * 2011-09-07 2014-07-09 拉皮斯坎系统股份有限公司 整合舱单数据和成像/检测处理的x射线检查系统
US20160239683A1 (en) * 2013-03-15 2016-08-18 Inder-Jeet Singh Gujral System and method for securely storing files
CN203574673U (zh) * 2013-07-15 2014-04-30 上海联影医疗科技有限公司 一种消息处理系统
CN105637842A (zh) * 2013-09-20 2016-06-01 甲骨文国际公司 用于网络通信环境中的中介的可靠消息传送的技术
US20160173331A1 (en) * 2014-12-15 2016-06-16 Thomas Janke Determined configuration update for edge components
CN106548263A (zh) * 2015-09-21 2017-03-29 同方威视技术股份有限公司 一种智能安全检查系统和方法
CN106814729A (zh) * 2015-12-02 2017-06-09 田荣侠 一种地铁门控单元实时故障检测装置系统
CN105866853A (zh) * 2016-04-13 2016-08-17 同方威视技术股份有限公司 安检监视控制系统和安检监视终端

Also Published As

Publication number Publication date
EP3662424B1 (en) 2023-11-22
GB201712317D0 (en) 2017-09-13
CA3071490A1 (en) 2019-02-07
US20210090192A1 (en) 2021-03-25
MY201759A (en) 2024-03-15
WO2019025786A1 (en) 2019-02-07
PL3662424T3 (pl) 2024-03-04
EP3662424A1 (en) 2020-06-10
EP3438900A1 (en) 2019-02-06
EP3662424C0 (en) 2023-11-22
SG11202000816QA (en) 2020-02-27

Similar Documents

Publication Publication Date Title
US10607463B2 (en) Automated object and activity tracking in a live video feed
Chen et al. Knowledge discovery using genetic algorithm for maritime situational awareness
US20220254005A1 (en) Yarn quality control
CN112153002B (zh) 告警信息分析方法、装置、计算机设备和存储介质
US20210192394A1 (en) Self-optimizing labeling platform
US11238539B1 (en) Intelligent routing control
US20220147717A1 (en) Automatic identifying system and method
US20200134734A1 (en) Deep learning artificial intelligence for object classification
US20220383157A1 (en) Interpretable machine learning for data at scale
US11126898B2 (en) Computer vision classifier using item micromodels
Bozorgi et al. Learning when to treat business processes: Prescriptive process monitoring with causal inference and reinforcement learning
US20240086736A1 (en) Fault detection and mitigation for aggregate models using artificial intelligence
CN111149120A (zh) 用于运输设施的安全系统
CN117688955A (zh) 湿温度调节方法、装置、电子设备和计算机可读介质
US20200089995A1 (en) Disruption of face detection
Sula Secriskai: a machine learning-based tool for cybersecurity risk assessment
EP3686812A1 (en) System and method for context-based training of a machine learning model
US20210201137A1 (en) System and method for inspecting items
KR20190051574A (ko) 인공 신경망을 이용하여 이름에 대한 국적 정보를 제공하는 장치 및 방법
US11984011B2 (en) Systems and methods for disturbance detection and identification based on disturbance analysis
US20230403247A1 (en) System for identifying and blocking suspect electronic communications based on artificial intelligence
US20230017384A1 (en) Systems and methods for machine learning classification-based automated remediations and handling of data items
Boka Predicting Fake Job Posts Using Machine Learning Models
Saffarzadeh et al. Identifying Spam Tweets in Social Networks with Combined Approaches of Feature Selection and Deep Learning
Farhodovich et al. The Importance of Supervised Learning in the Operation of Modern Techniques

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination