Drones gebruiken machine learning om landmijnen te detecteren

Met behulp van geavanceerde machine learning kunnen drones worden gebruikt om gevaarlijke 'vlinder'-landmijnen te detecteren in afgelegen regio's van post-conflictlanden. Onderzoekers hadden eerder een methode ontwikkeld die een zeer nauwkeurige detectie van vlinderlandmijnen mogelijk maakte met behulp van goedkope commerciële drones uitgerust met infraroodcamera's. Nieuw onderzoek richt zich op geautomatiseerde detectie van landmijnen met behulp van convolutionele neurale netwerken, de standaard machine learning-methode voor objectdetectie en classificatie op het gebied van remote sensing.

Het vorige werk was gebaseerd op het scannen met het menselijk oog van de dataset. Snelle, door drones geassisteerde kartering en geautomatiseerde detectie van verstrooibare mijnenvelden zou helpen bij het aanpakken van de dodelijke erfenis van wijdverbreid gebruik van kleine verspreide landmijnen in recente gewapende conflicten en zou de ontwikkeling mogelijk maken van een functioneel raamwerk om hun mogelijke toekomstige gebruik effectief aan te pakken.

Naar schatting zijn er minstens 100 miljoen militaire munitie en explosieven in de wereld van verschillende grootte, vorm en samenstelling. Miljoenen hiervan zijn plastic landmijnen aan de oppervlakte met lagedruktriggers, zoals de in massa geproduceerde vlinderlandmijn. Deze mijnen, die de bijnaam hebben gekregen vanwege hun kleine formaat en vlinderachtige vorm, zijn extreem moeilijk te lokaliseren en te ontruimen vanwege hun kleine formaat, lage triggermassa en vooral een ontwerp dat meestal metalen componenten uitsluit, waardoor deze apparaten vrijwel onzichtbaar zijn voor metaaldetectoren . Het ontwerp van de mijn, gecombineerd met een laag startgewicht, zorgde ervoor dat het bekend werd als de "speelgoedmijn" vanwege een hoog aantal slachtoffers onder kleine kinderen die deze apparaten tijdens het spelen vinden.

De onderzoekers zijn van mening dat deze detectie- en karteringstechnieken generaliseerbaar zijn en overdraagbaar zijn naar andere zorgwekkende munitie en explosieven; ze kunnen bijvoorbeeld worden aangepast om verstoorde grond te detecteren en in kaart te brengen voor geïmproviseerde explosieven (IED's).

Het gebruik van op het Convolutional Neural Network (CNN) gebaseerde benaderingen om de detectie en het in kaart brengen van landmijnen te automatiseren, is om verschillende redenen belangrijk. Ten eerste is het veel sneller dan handmatig landmijnen tellen vanaf een ortho-afbeelding (d.w.z. een luchtfoto die geometrisch is gecorrigeerd). Ten tweede is het kwantitatief en reproduceerbaar, in tegenstelling tot subjectieve menselijke foutgevoelige oculaire detectie. En ten derde zijn op CNN gebaseerde methoden gemakkelijk te generaliseren voor het detecteren en in kaart brengen van objecten met verschillende afmetingen en vormen van op afstand gedetecteerde rasterafbeeldingen.