Дроны на базе машинного обучения обнаруживают бабочковые мины в постконфликтных зонах

Используя передовое машинное обучение, дроны могут использоваться для обнаружения опасных «бабочковых» мин в отдаленных регионах постконфликтных стран. Ранее исследователи разработали метод, позволяющий с высокой точностью обнаруживать бабочковые мины с помощью дешевых коммерческих дронов с инфракрасными камерами. Новые исследования фокусируются на автоматизированном обнаружении мин с помощью сверточных нейронных сетей, стандартного метода машинного обучения для детекции и классификации объектов в дистанционном зондировании.

Предыдущая работа опиралась на визуальный сканирование датасета человеческим глазом. Быстрое дроно-картирование и автоматизированное обнаружение рассеянных минных полей помогут решить смерственное наследие массового применения мелких рассеянных мин в недавних вооруженных конфликтах и позволят разработать функциональную структуру для эффективного решения их возможного будущего применения.

Оценка: в мире существует как минимум 100 миллионов военных боеприпасов и взрывных устройств различных размеров, форм и состава. Миллионы из них — поверхностные пластиковые мины с низкими порогами срабатывания, такие как массово производимая бабочковаямина. Названная так за малый размер и форму бабочки, эти мины крайне трудно обнаружить и обезвредить из-за малого размера, низкой массы срабатывания и, что самое важное, конструкции, в основном исключающей металлические компоненты, делающей эти устройства практически невидимыми для металлоискателей. Конструкция мины в сочетании с низким весом срабатывания принесла ей злую славу «игрушечной мины» из-за высокого уровня жертв среди детей, находящих эти устройства во время игр.

Исследователи считают, что эти методы обнаружения и картирования обобщаемы и переносимы на другие боеприпасы и взрывные устройства; например, их можно адаптировать для обнаружения и картирования нарушенной почвы для самодельных взрывных устройств (IED).

Использование подходов на основе сверточных нейронных сетей (CNN) для автоматизации обнаружения и картирования мин важно по нескольким причинам. Во-первых, это намного быстрее, чем ручной подсчет мин из ортоизображения (геометрически исправленного аэроснимка). Во-вторых, это количественно и воспроизводимо, в отличие от субъективного очного обнаружения, подверженного человеческим ошибкам. В-третьих, методы на базе CNN легко обобщаются для обнаружения и картирования любых объектов с четкими размерами и формами из любых дистанционно зондируемых растровых изображений.