[论文解读] C3PO: Database and Benchmark for Early-stage Malicious Activity Detection in 3D Printing

Zhe Li, Xiaolong Ma+6 more|arXiv (Cornell University)|Mar 20, 2018

Advanced Neural Network Applications参考文献 21被引用 3

一句话总结

本文介绍了C3PO，一个大规模的3D打印图像数据库，包含两个子集：62,200张3D模型在笛卡尔平面上的投影图像，以及671,677张模拟打印过程中相机捕捉的序列图像。基于C3PO的深度学习研究展示了在3D打印早期阶段有效检测恶意3D打印物体（尤其是非法武器）的能力，从而实现在3D打印工作流程中主动预防。

ABSTRACT

Increasing malicious users have sought practices to leverage 3D printing technology to produce unlawful tools in criminal activities. Current regulations are inadequate to deal with the rapid growth of 3D printers. It is of vital importance to enable 3D printers to identify the objects to be printed, so that the manufacturing procedure of an illegal weapon can be terminated at the early stage. Deep learning yields significant rises in performance in the object recognition tasks. However, the lack of large-scale databases in 3D printing domain stalls the advancement of automatic illegal weapon recognition. This paper presents a new 3D printing image database, namely C3PO, which compromises two subsets for the different system working scenarios. We extract images from the numerical control programming code files of 22 3D models, and then categorize the images into 10 distinct labels. The first set consists of 62,200 images which represent the object projections on the three planes in a Cartesian coordinate system. And the second sets consists of sequences of total 671,677 images to simulate the cameras' captures of the printed objects. Importantly, we demonstrate that the weapons can be recognized in either scenario using deep learning based approaches using our proposed database. % We also use the trained deep models to build a prototype of object-aware 3D printer. The quantitative results are promising, and the future exploration of the database and the crime prevention in 3D printing are demanding tasks.

研究动机与目标

• 为应对3D打印非法武器日益增长的威胁，实现在打印过程中的早期检测。
• 解决在3D打印安全领域训练深度学习模型时缺乏大规模、领域特定数据集的问题。
• 开发一个支持静态投影与动态打印模拟两种场景的基准数据库。
• 证明利用深度学习实现实时检测恶意3D打印物体的可行性。
• 构建一种具备物体感知能力的3D打印机原型，可在发现非法武器时自动中止生产。

提出的方法

• 作者提取22个3D模型的数控（G-code）文件，在X、Y和Z平面上生成2D投影，形成第一个数据子集，共62,200张图像。
• 通过模拟逐层打印过程中的相机捕捉，生成第二个数据子集，包含671,677张序列图像，用于表示实时视觉反馈。
• 图像被标注为10个不同类别，包括各种类型的非法武器和非恶意物体。
• 在两个图像子集上训练深度学习模型，以将物体分类为潜在恶意或良性。
• 将训练好的模型集成到原型系统中，实现实时物体感知的3D打印，并在检测到可疑打印时自动终止。
• 在两种不同的运行场景下对系统进行评估：静态投影和动态打印模拟。

实验结果

研究问题

• RQ1 深度学习模型能否利用3D模型的2D投影图像有效检测3D打印中的非法武器？
• RQ2 深度学习模型能否利用实际打印过程中相机捕获的序列图像检测恶意物体？
• RQ3 在静态投影与动态打印场景下，检测模型的性能表现有何差异？
• RQ4 训练好的深度学习模型在多大程度上可集成到3D打印机中，以实现实时检测并防止非法物体的制造？
• RQ5 所提出的数据库与检测框架在真实3D打印环境中的可扩展性与鲁棒性如何？

主要发现

• C3PO数据库成功提供了全面的基准，包含62,200张投影图像和671,677张序列打印图像，用于恶意活动检测。
• 在C3PO上训练的深度学习模型在静态投影和动态打印两种场景下均实现了高性能的非法武器检测。
• 研究表明，恶意3D打印物体可在打印过程早期被识别，从而实现及时干预。
• 原型物体感知3D打印机成功集成了训练好的模型，可在检测到可疑物体时自动中止制造。
• 定量结果表明检测准确率表现良好，但提供的文本中未报告具体的数值指标（如精确率或F1分数）。
• 该数据库与框架为未来3D打印安全与自动化犯罪预防研究开辟了新途径。