Punto de vista

Cómo encajar la tomografía de muones en el ecosistema de datos aduaneros

31 october 2024
Por Kevin Davies, Decision Sciences International Corporation (DSIC)

Las amenazas contra la seguridad y el bienestar general de las personas van en aumento en todo el mundo. Debido a la internacionalización actual de las cadenas de suministro, hacer frente a muchas de estas amenazas exige de los gobiernos un control estricto de las operaciones comerciales relacionadas con la importación, la exportación y el tránsito. Un problema recurrente es la identificación de envíos que contienen mercancías prohibidas o de contrabando, que es de alguna manera como buscar “una aguja en un pajar” para los funcionarios aduaneros.

Al objeto de mejorar su capacidad en este ámbito, las Administraciones de aduanas utilizan la tecnología de la inspección no intrusiva (NII), además de sistemas convencionales de rayos X de alta energía. Una tecnología NII aplicada recientemente a la inspección de mercancías presenta nuevas y exclusivas funciones: la tomografía de muones. Esta tecnología ofrece una capacidad de penetración sin igual para cribar eficazmente el material y las mercancías más densas, superando la capacidad de los sistemas de rayos X, pero es inocua para los seres humanos y no exige el uso de protección de ningún tipo. Además, e igualmente importante, aprovecha los algoritmos del aprendizaje profundo (DL) para determinar con precisión cualquier anomalía en la carga.

¿Qué es la tomografía de muones?

Los rayos cósmicos primarios chocan con la atmósfera terrestre y producen un flujo continuo e inocuo de muones y electrones. Estas partículas caen constantemente en cascada desde la atmosfera a la tierra 24 horas al día, 7 días por semana. A nivel del mar, un promedio de más de 5000 muones y 2000 electrones atraviesan el cuerpo humano por minuto, lo que equivale a 1 muon por centímetro cuadrado al minuto.

La tomografía de muones aprovecha las características de estas dos partículas para producir imágenes tridimensionales ricas en datos, de forma segura y sin necesidad de protección para la radiación. Los muones tienen un nivel natural de energía que es, por término medio, 1.000 veces superior al de los sistemas de rayos X de mayor energía actualmente en uso, de forma que pueden atravesar la carga más densa, por ejemplo, el plomo, el acero, el cemento, las rocas, el uranio y el mineral de hierro, que los rayos X no consiguen penetrar.

Los electrones tienen menos ímpetu que los muones, por lo que se dispersan mucho más fácilmente. Cuando los muones y los electrones atraviesan un material desvían sus trayectorias (que en el caso de los electrones es posible detener) que pueden cambiar en función de la densidad del material y de su composición química. El análisis de los patrones de difusión o dispersión de los muones permite diferenciar materiales de alta densidad y el análisis de los patrones de difusión de los electrones (o comportamiento de frenado) permite diferenciar materiales orgánicos de baja densidad. Se utilizan algoritmos de reconstrucción y técnicas de IA para analizar trayectorias e interacciones con el objeto o material, y se obtiene como resultado una imagen única en 3D.

Algoritmos de aprendizaje profundo (DL)

Los sistemas de tomografía de muones incorporan algoritmos de aprendizaje profundo, un tipo de algoritmos de aprendizaje automático que utiliza redes neuronales convolucionales (CNN) para generar predicciones. Estas redes son un tipo de redes neuronales artificiales que actualmente consiguen resultados sobresalientes en algunas tareas de visión computarizada y que se utilizan cada vez más en imágenes del sistema NII. Estos algoritmos de aprendizaje profundo son la esencia del sistema de imágenes por muones. Permiten a los analistas de imágenes identificar anomalías que la máquina revela utilizando herramientas como el VOI (volumen, de interés), una herramienta de marcado en el ámbito 3D, el equivalente del ROI (región de interés) en los sistemas de inspección con rayos X actuales.

La tomografía de muones se utiliza para crear imágenes en tres canales, estos canales utilizan a la vez la información de los muones y de los electrones (lo que no es nada desdeñable) para generar reconstrucciones independientes, como indicado anteriormente, y después enlazarse. Solo unas pocas empresas privadas han logrado aplicar con éxito la tecnología moderna de visión computarizada y el DL a las reconstrucciones generadas por muones, incorporando estos modelos a un sistema de inspección, ¡y tan solo una ha integrado esta técnica en un producto comercialmente disponible!

Los modelos de DL se entrenan con conjuntos de datos propios, recopilados, etiquetados y seleccionados por el programador mediante asociación para garantizar la integridad de los datos y facilitar los requisitos relacionados con la ciberseguridad. Esta recopilación incluye modelos elaborados mediante técnicas y métodos basados en la segmentación semántica, la detección de objetos y la regresión de imágenes:

Segmentación de imágenes : se asocia una etiqueta a cada pixel presente en una imagen de forma que los pixeles con la misma etiqueta comparten ciertas características. Se utiliza habitualmente para localizar objetos y barreras (rectas, curvas, etc.) en las imágenes.

Aceleración de imágenes : se trata de una técnica de mejora de la imagen utilizada para acelerar la generación de una reconstrucción de mayor duración, reduciendo así considerablemente el tiempo que la carga debe pasar en el detector.

Detección de anomalías / Región de interés: se utiliza un detector de última generación para resolver lo que se puede presentar como un problema de detección de objetos. Se supervisa o analiza cada vóxel (un píxel 3D) individualmente para mejorar la exactitud y calidad de los datos de las imágenes. Este método resulta especialmente provechoso en conjuntos de datos reducidos y ofrece resultados altamente concluyentes que generalmente sólo se consiguen con detectores más complejos.

Costes

El coste inicial de un sistema de tomografía de muones para su uso por la Aduana en el ámbito de la inspección NII sería aproximadamente el doble de un sistema estándar de rayos X de alta energía. Quisiera puntualizar, no obstante, que el coste importante que se debe considerar es el coste total de la propiedad durante la vida útil del equipo. El sistema de tomografía de muones no tiene elementos móviles y no son necesarias paredes o muros de protección contra la radiación; su coste anual de mantenimiento es mínimo que, como muestra la experiencia, es por término medio, sólo un 30% de la de un sistema típico de rayos X de alta energía. Este coste anual significativamente reducido representa un considerable ahorro para la Administración de aduanas. Teniendo en cuenta los costes de funcionamiento y adquisición, el sistema de rayos X convencional y el sistema de tomografía de muones alcanzan un nivel de coste comparable en el quinto año de un promedio de vida útil prevista de 15 años, a partir de entonces, el sistema de tomografía de muones cuesta considerablemente menos en términos reales año tras año y lleva aparejadas todas estas ventajas : no emite radiaciones nocivas, genera imágenes en 3D y tiene una inigualable capacidad de penetración que garantiza la probabilidad de detección.

Estudios de caso

Las aplicaciones de los algoritmos de DL en el campo de la tomografía de muones son muy reales y están disponibles en la actualidad.

En la imagen de la izquierda se muestra un sencillo ejemplo de segmentación de imágenes aplicada a los datos de tomografía de muones, donde se ha entrenado a los modelos para identificar los vóxeles llenos de material frente a aquellos llenos solo de aire, lo que permite al sistema limpiar la mancha de la señal y producir una imagen mucho más nítida. Las imágenes muestran una vista lateral de la parte trasera de un contenedor de mercancías y de un remolque. Las dos ruedas y ejes del remolque son visibles al fondo de las imágenes, justo encima hay un palé de grava y delante un bloque de granito de tres toneladas. En la imagen sin procesar de la izquierda se aprecian zonas borrosas alrededor de los materiales, un efecto de los algoritmos de reconstrucción utilizados para producir la imagen. En la imagen segmentada, los materiales se han separado del aire circundante y se ha eliminado la mancha de la señal, lo que produce una imagen mucho más nítida para que el operador pueda examinarla.

En la imagen de la izquierda se muestra un ejemplo de aplicación de aceleración de imágenes a los datos de tomografía de muones. La imagen muestra dos palés de grava desde una perspectiva superior. El pale inferior está compuesto íntegramente de grava, mientras que el palé superior contiene un sustituto de fentanilo incrustado en su interior. La imagen sin procesar de la izquierda se creó a partir del análisis de datos de muones recopilados durante 60 segundos. Muestra una variación importante en cuanto a la intensidad de la señal, lo que le da ese aspecto “ruidoso”. La imagen acelerada de la derecha se creó aplicando modelos de aceleración de imágenes. La variación de la señal se reduce considerablemente, lo que proporciona al operador una imagen de calidad y claridad superiores.

Un ejemplo concreto de utilización de la aceleración de imágenes lo ofrecen los decomisos de más de dos toneladas de marihuana realizados por Aduanas y Protección de Fronteras de EE.UU (CBP) en Mariposa, el puerto de entrada con la frontera mexicana. En este caso, el método de contrabando utilizado consistió en ocultar la droga en el interior de contenedores de metal, soldarlos para después esconder estos contenedores dentro de grandes rollos de chapa de acero. Este complejo proceso genera grandes volúmenes interiores para ocultar el contrabando envuelto en metal y representa un problema importante para la detección mediante sistemas de rayos X.

El camión pasó a través de un sistema de rayos X 6 MeV que produce una imagen que muestra tan solo una densa zona negra. El camión pasó también a través de un sistema de tomografía de muones que generó la imagen de la derecha donde se observa claramente una anomalía en la estructura interna de los rollos de acero. La reconstrucción de la imagen tarda tan solo 30 segundos, y en tres minutos está disponible en el puesto de trabajo del operador.

En la izquierda se muestran dos imágenes de uno de esos rollos de acero. De nuevo, la imagen sin procesar del extremo izquierdo presenta una apariencia “ruidosa”, mientras que la imagen acelerada del extremo derecho es mucho más nítida. La estructura interna de los rollos de acero resulta claramente visible para un operador.

Los modelos de DL basados en el método conocido como Región de Interés / Volumen de interés tienen un campo de aplicación muy amplio, ya que existen muchos motivos para considerar una región “interesante.” Un volumen con un objeto identificable en su interior, u otra subestructura notable indicativa de una anomalía, puede considerarse de interés. Asimismo, se puede considerar de interés un volumen o región si es diferente de otros volúmenes en un contenedor. Una vez que los datos del manifiesto se encuentren disponibles y se integren en el análisis, será posible identificar los artículos o materiales que no se enumeran en el manifiesto.

La aplicación del método del volumen de interés para detectar la presencia de seres humanos resulta especialmente interesante. Las personas generan una firma reconocible cuando los muones y los electrones los atraviesan y se ha elaborado un modelo de aprendizaje automático para detectar su posible presencia en un envío de mercancías. La imagen de la izquierda muestra un ejemplo de esta función. Tres hombres están de pie en distintas posturas en un contenedor de mercancías lleno de palés de material diverso. Las imágenes reconstruidas del contenedor muestran claramente las tres figuras humanas en rojo.

Gracias a la utilización de modelos DL y técnicas avanzadas de procesamiento de imágenes, la tomografía de muones puede identificar de forma rápida y precisa las anomalías de una carga, reducir las falsas alarmas y aumentar la probabilidad de detección. A medida que la tecnología que los sustenta siga progresando y las autoridades faciliten el acceso a los datos pertinentes, estos sistemas pasivos que se ajustan al Marco normativo SAFE están destinados a desempeñar un cometido crucial en la salvaguardia del comercio mundial y a garantizar la seguridad de las personas y la integridad de las cadenas de suministro.

Para más información
www.DecisionSciences.com
info@DecisionSciences.com