探索使用人工智能檢測 3D 打印幽靈槍的可行性

幽靈槍（無法追蹤且如果用于傷害他人可能會(huì)對公眾構(gòu)成安全風(fēng)險(xiǎn)的槍支）在新聞中越來越引人注目。從 2022 年日本前首相安倍晉三遇刺到最近聯(lián)合健康保險(xiǎn)首席執(zhí)行官布萊恩·湯普森遇刺，兩起事件都涉及幽靈槍，據(jù)報(bào)道后者涉及一把 3D 打印gun和消音器：槍殺美保險(xiǎn)CEO槍支或?yàn)?D打印制造，禁止“幽靈槍”槍支暴力已成各國共識(shí)-南極熊3D打印網(wǎng) - 平臺(tái)

△在開放網(wǎng)絡(luò)上找到的 3D 打印槍支部件模型（圖片來自作者）

幽靈槍因其可獲得性和匿名性而大受歡迎。與需要背景調(diào)查和序列號(hào)的傳統(tǒng)槍支不同，幽靈槍可以使用套件或 3D 打印部件在家中組裝，從而繞過現(xiàn)有的槍支法規(guī)。槍支零件 3D 模型的在線資源激增，使這個(gè)問題變得更加緊迫，因?yàn)槿魏螕碛?3D 打印機(jī)和最低限度的技術(shù)知識(shí)的人都可以制造無法追蹤的武器。執(zhí)法機(jī)構(gòu)和政策制定者越來越受到這種新興威脅的挑戰(zhàn)。

在本期文章中，國外博主彼得·雷比津斯基（Peter Lebiedzinski）討論了解決 3D 打印幽靈槍部件問題的技術(shù)方法，并提出有關(guān)實(shí)際實(shí)施的問題。

技術(shù)背景

使用傳統(tǒng)算法處理 3D 數(shù)據(jù)非常復(fù)雜，計(jì)算成本也非常高 — 任何使用過 CAD 軟件的人都明白這一點(diǎn)。因此，采用基于變壓器的編碼器的機(jī)器學(xué)習(xí)方法從 3D 模型中提取重要特征。這樣就可以對槍支部件進(jìn)行準(zhǔn)確分類，而不必考慮 3D 模型的幾何形狀、旋轉(zhuǎn)或平移是否發(fā)生變化以逃避檢測。

基于 Transformer 的編碼器在處理 3D 數(shù)據(jù)方面表現(xiàn)出色，因?yàn)樗鼈兡軌驅(qū)W習(xí) 3D 空間中點(diǎn)之間的空間關(guān)系。與依賴像素的 2D 圖像分類不同，3D 模型需要分析點(diǎn)云、網(wǎng)格或體素?cái)?shù)據(jù)，這些數(shù)據(jù)本質(zhì)上更為復(fù)雜。該模型對旋轉(zhuǎn)和平移等對抗性變化的魯棒性是通過在訓(xùn)練期間利用數(shù)據(jù)增強(qiáng)來實(shí)現(xiàn)的，確保它能夠在各種輸入配置中很好地推廣。此外，該模型能夠?qū)︵须s或部分模糊的數(shù)據(jù)進(jìn)行分類，這使其成為現(xiàn)實(shí)世界中完美 3D 模型罕見的可靠工具。

△槍支部件分類的基本模型架構(gòu)（作者彼得·雷比津斯基提供）

所用的機(jī)器學(xué)習(xí)模型已在超過 1000 萬個(gè) 3D 模型的數(shù)據(jù)集上進(jìn)行了訓(xùn)練，從而提供了一個(gè)能夠可靠地提取有意義特征的編碼器。然后，這個(gè)預(yù)先訓(xùn)練的模型在單個(gè)槍支部件的數(shù)據(jù)集上進(jìn)行微調(diào)，以將 3D 模型分類為“槍支部件”或“非槍支部件”，置信度值為 0-100%。

結(jié)果

出于本文的目的，使用了 10,000 個(gè)隨機(jī) 3D 模型作為測試數(shù)據(jù)，其中 400 個(gè)包含槍支部件，包括頂部滑套、槍管、底部框架和彈匣。我測試的第一個(gè)項(xiàng)目是gun的頂部滑套：

△頂部幻燈片分類結(jié)果（作者提供圖片）

頂部滑蓋被準(zhǔn)確識(shí)別，置信度高達(dá)約 98.4%。我測試了不同代和不同型號(hào)gun的多個(gè)頂部滑蓋，其中一些包括出于功能和外觀目的的修改。接下來，我測試了gun的下部框架：

△底部框架分類結(jié)果（作者提供圖片）

槍支的底部框架是受管制的部件——這意味著如果有人用 3D 打印技術(shù)打印出這個(gè)部件，然后在商店或網(wǎng)上購買其他部件（例如頂部滑架、槍管和彈匣），他們實(shí)際上就擁有了一支功能齊全的槍支，但無法追蹤。最后，我檢查了隨機(jī) 10,000 個(gè)非槍支部件型號(hào)中的一個(gè)：

△隨機(jī)模型分類結(jié)果（作者提供圖片）

這個(gè)特定示例對于 ML 模型來說并不難正確分類。接下來，我分析了本文中包含的所有 10,000 個(gè)示例的結(jié)果：

△輸出10,000 個(gè)示例的對數(shù)（圖片來自作者）

如上圖所示，ML 模型生成的槍支部件值與非槍支部件值線性可分。在對數(shù)據(jù)集較小子集進(jìn)行初步訓(xùn)練時(shí)，我在正確分類槍支部件方面取得了 96.4% 的準(zhǔn)確率。所有錯(cuò)誤分類都來自彈匣或槍管等部件，而不是槍支的下框架。單獨(dú)檢測下框架時(shí)，該模型的準(zhǔn)確率為 100%。

對抗性案例（例如玩具槍或與槍支部件相似但無功能的 3D 模型）代表著一項(xiàng)獨(dú)特的挑戰(zhàn)。雖然該模型在區(qū)分功能性槍支部件方面非常有效，但它可能難以區(qū)分欺騙性輸入，例如 Nerf 槍架或無功能的道具槍。

合理性

用人工智能檢測槍支部件是一回事，但實(shí)際可行性和實(shí)施又是另一回事。實(shí)施這樣的人工智能系統(tǒng)帶來了一個(gè)主要挑戰(zhàn)：分布。也就是說，我們?nèi)绾我园踩�有效的方式將該系統(tǒng)集成到 3D 打印流程中？我將對這個(gè)問題持開放態(tài)度，同時(shí)專注于實(shí)際應(yīng)用的技術(shù)方面。

該 ML 模型既可以在云端（可通過API 訪問）運(yùn)行，也可以在 Raspberry Pi 4B 等邊緣設(shè)備上運(yùn)行。由于整個(gè)行業(yè)都在向 Klipper 和 RepRap 等固件系統(tǒng)過渡，Raspberry Pi 在 3D 打印機(jī) OEM 中越來越受歡迎。然而，在撰寫本文時(shí)，該模型還無法在 3D 打印機(jī)主板中常見的小型處理器上運(yùn)行。通過修改架構(gòu)、微調(diào)、修剪和量化，該模型最終可以在幾乎所有 3D 打印機(jī)的主板上運(yùn)行。

將這款系統(tǒng)集成到 3D 打印流程中引發(fā)了道德責(zé)任問題。一種方法是將模型直接嵌入到流行 3D 打印機(jī)的固件更新中，確保槍支組件在打印前得到標(biāo)記。然而，這引起了 3D 打印愛好者的隱私擔(dān)憂，他們重視開源原則和設(shè)備自主權(quán)。行業(yè)領(lǐng)導(dǎo)者、監(jiān)管機(jī)構(gòu)和制造商社區(qū)之間的協(xié)作努力對于在公共安全和用戶自由之間取得平衡至關(guān)重要。此外，必須采取保護(hù)措施，防止濫用這項(xiàng)技術(shù)，例如錯(cuò)誤地標(biāo)記良性對象或針對特定用戶群。

文章來源：Peter Lebiedzinski