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對公眾構成安全風險的槍支）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)報道后者涉及一把 3D 打印gun和消音器：槍殺美保險CEO槍支或為3D打印制造,，禁止“幽靈槍”槍支暴力已成各國共識-南極熊3D打印網(wǎng) - 平臺

△在開放網(wǎng)絡上找到的 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,，使這個問題變得更加緊迫,，因為任何擁有 3D 打印機和最低限度的技術知識的人都可以制造無法追蹤的武器。執(zhí)法機構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方法，并提出有關實際實施的問題。

技術背景

使用傳統(tǒng)算法處理 3D 數(shù)據(jù)非常復雜,，計算成本也非常高 — 任何使用過 CAD 軟件的人都明白這一點,。因此，采用基于變壓器的編碼器的機器學習方法從 3D 模型中提取重要特征,。這樣就可以對槍支部件進行準確分類,，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,，因為它們能夠?qū)W習 3D 空間中點之間的空間關系。與依賴像素的 2D 圖像分類不同,，3D 模型需要分析點云,、網(wǎng)格或體素數(shù)據(jù)，這些數(shù)據(jù)本質(zhì)上更為復雜,。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練期間利用數(shù)據(jù)增強來實現(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)進行分類,，這使其成為現(xiàn)實世界中完美 3D 模型罕見的可靠工具。

△槍支部件分類的基本模型架構（作者彼得·雷比津斯基提供）

所用的機器學習模型已在超過 1000 萬個 3D 模型的數(shù)據(jù)集上進行了訓練,，從而提供了一個能夠可靠地提取有意義特征的編碼器,。然后，這個預先訓練的模型在單個槍支部件的數(shù)據(jù)集上進行微調(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 個隨機 3D 模型作為測試數(shù)據(jù),，其中 400 個包含槍支部件，包括頂部滑套,、槍管,、底部框架和彈匣。我測試的第一個項目是gun的頂部滑套：

△頂部幻燈片分類結(jié)果（作者提供圖片）

頂部滑蓋被準確識別,，置信度高達約 98.4%,。我測試了不同代和不同型號gun的多個頂部滑蓋，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 打印技術打印出這個部件，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 10,000 個非槍支部件型號中的一個：

△隨機模型分類結(jié)果（作者提供圖片）

這個特定示例對于 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 個示例的結(jié)果：

△輸出10,000 個示例的對數(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)集較小子集進行初步訓練時，我在正確分類槍支部件方面取得了 96.4% 的準確率,。所有錯誤分類都來自彈匣或槍管等部件,，而不是槍支的下框架。單獨檢測下框架時,，該模型的準確率為 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）代表著一項獨特的挑戰(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,，但實際可行性和實施又是另一回事。實施這樣的人工智能系統(tǒng)帶來了一個主要挑戰(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？我將對這個問題持開放態(tài)度,，同時專注于實際應用的技術方面,。

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

將這款系統(tǒng)集成到 3D 打印流程中引發(fā)了道德責任問題,。一種方法是將模型直接嵌入到流行 3D 打印機的固件更新中，確保槍支組件在打印前得到標記,。然而,，這引起了 3D 打印愛好者的隱私擔憂，他們重視開源原則和設備自主權。行業(yè)領導者,、監(jiān)管機構和制造商社區(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重要,。此外，必須采取保護措施,，防止濫用這項技術,，例如錯誤地標記良性對象或針對特定用戶群。

文章來源：Peter Lebiedzinski