Улучшение безопасности в аэропортах с помощью IoT и методов глубокого обучения для обнаружения угроз и интеллектуальных систем рекомендаций

Почему более умные аэропорты важны для путешественников

Авиаперевозки как никогда загружены, и большинство пассажиров замечают службу безопасности лишь тогда, когда она медленная или вызывает стресс. В этом исследовании рассматривается, как новая комбинация «умных» сенсоров и искусственного интеллекта может сделать прохождение через аэропорт и безопаснее, и плавнее. Обучая компьютеры распознавать необычное поведение и опасные объекты в реальном времени, авторы стремятся сократить очереди, уменьшить количество ложных срабатываний и помочь персоналу сосредоточиться на действительно важных инцидентах.

От камер и датчиков к живой нервной системе

Авторы предлагают фреймворк безопасности аэропорта под названием ISODI, который рассматривает терминал как связанную нервную систему. Камеры, датчики движения, пропускные карточки и датчики окружающей среды — всё поступает в единый цифровой конвейер. Этот поток информации очищается и синхронизируется, чтобы случай, когда кто-то оставил сумку, скопление людей или открытие закрытой двери, воспринимался как взаимосвязанное событие, а не как отдельные эпизоды. Объединяя множество источников, система может наблюдать за большими пространствами более надежно, чем одни только охранники.

Как цифровой «надсмотрщик» учится замечать необычное

В основе ISODI — модели глубокого обучения, семейство программ, вдохновлённых работой мозга. Одна часть специализируется на изображениях, анализируя кадры видеонаблюдения и снимки сканирования тела в поисках оружия или других скрытых предметов. Другая часть работает с последовательностями чисел, такими как меняющиеся показания сенсоров или поток пассажиров во времени. В исследовании творчески использована техника, называемая многовидовым обучением: трёхмерные сканы тела преобразуются в несколько двумерных видов, чтобы проверенные нейросетевые архитектуры изображений могли эффективно их анализировать.

Обучение системы на реальных данных аэропорта

Чтобы оценить работоспособность подхода, исследователи обучали и тестировали свои модели на двух больших публично доступных наборах данных. Один из них содержит полные сканы тела, похожие на те, что используются во многих аэропортах, где под одеждой могут скрываться угрозы. Модель переносного обучения команды, которая повторно использует знания из существующих библиотек изображений, корректно обнаруживала угрозы на новых, невиденных ранее сканах с точностью более 99% по ключевым метрикам. Второй набор данных фиксирует миллионы коммерческих рейсов, включая задержки и отклонения. Здесь ISODI использовали для пометки необычных паттернов, связанных с проблемами вроде задержек по соображениям безопасности, и система превзошла распространённые методы, такие как деревья решений и алгоритмы ближайших соседей.

Превращение оповещений в умные решения

Обнаружить проблему — это лишь половина задачи; не менее важно и разумно на неё отреагировать. ISODI включает модуль интеллектуальных рекомендаций, который ранжирует риски и предлагает, как распределить силы безопасности. Когда система фиксирует аномалию, она может выделить участок, предложить направить туда сотрудников и снизить внимание в более спокойных зонах. Система учится на обратной связи: если оставленная без присмотра сумка оказывается безвредной, этот паттерн сохраняется, чтобы похожие случаи решались более мягко в будущем. Такой замкнутый цикл нацелен на сокращение ложных тревог, замедляющих пассажиров, при одновременном обеспечении того, чтобы реальные опасности не оставались незамеченными.

Баланс безопасности, скорости и приватности

Фреймворк разработан с учётом практических ограничений. Методы подбираются так, чтобы работать достаточно быстро для режима реального времени и справляться с шумными камерами, меняющимся освещением и случайными отказами сенсоров. Авторы также подчёркивают вопросы приватности: личные данные удаляются или превращаются в абстрактные признаки, а обработка данных следует строгим правилам, чтобы люди не были легко идентифицируемы. Вместе с тем они отмечают, что полевые испытания в реальных аэропортах необходимы для подтверждения эффективности, обработки редких, но серьёзных сценариев угроз и проверки действенности мер по защите приватности вне лабораторных условий.

Что это значит для вашего следующего рейса

Проще говоря, исследование показывает, как аэропорты могут использовать умные технологии, чтобы работать скорее как бдительная, хорошо натренированная команда, чем как разбросанный набор контрольных точек. Объединяя множество сенсоров, продвинутую распознающую аналитику и инструменты принятия решений, фреймворк ISODI значительно повышает способность выявлять реальные риски безопасности при одновременном снижении числа ложных тревог. При полном тестировании и аккуратном внедрении такие системы могут способствовать сохранению безопасности рейсов, сокращению задержек, связанных с вопросами безопасности, и сделать путь от бордюра до выхода на посадку менее похожим на узкое место и больше — на упорядоченный поток.

Цитирование: Basem, M., Zaki, J., Saraya, M.S. et al. Improving airport security with IoT-powered deep learning methods for threat detection and intelligent recommendation systems. Sci Rep 16, 16591 (2026). https://doi.org/10.1038/s41598-026-54104-z

Ключевые слова: безопасность аэропорта, искусственный интеллект, датчики IoT, обнаружение аномалий, глубокое обучение