Machine Learning-gedreven drones detecteren vlindermijnen in na-oorlogszones

Met behulp van geavanceerde machine learning, kunnen drones gebruikt worden om gevaarlijke "vlinder" mijnen in afgelegen regio's van na-oorlogsländer te detecteren. Onderzoekers hadden eerder een methode ontwikkeld die toeliet op zeer nauwkeurige detectie van vlindermijnen met behulp van goedkope commerciële drones uitgerust met infraroodcamera's. Nieuw onderzoek richt zich op geautomatiseerde detectie van mijnen met behulp van convolutional neural networks, de standaard machine learning methode voor objectdetectie en classificatie in het veld van remote sensing.

Het eerdere werk beruste op menselijke visuele scanning van de dataset. Snelle drone-ondersteunde mapping en geautomatiseerde detectie van strooi-mijnvelden zou helpen de dodelijke nalatenschap van wijdverspreid gebruik van kleine strooimijnen in recente gewapende conflicten aan te pakken en het ontwikkelen van een functioneel framework om hun mogelijke toekomstige gebruik effectief aan te pakken.

Het wordt geschat dat er ten minste 100 miljoen militaire munitie en explosieve apparaten in de wereld zijn van diverse grootte, vorm, en samenstelling. Miljoenen hiervan zijn oppervlakte plastic mijnen met lage-druk triggers, zoals de massaproducerde vlindermijn. Bijnamens voor hun kleine grootte en vlinderachtige vorm, zijn deze mijnen extreem moeilijk te lokaliseren en te ruimen vanwege hun kleine grootte, lage trigger-massa, en meest significant, een ontwerp dat grotendeels metaalcomponenten uitsloot, waardoor deze apparaten virtueel onzichtbaar zijn voor metaaldetectors. Het ontwerp van de mijn, gecombineerd met een lage trigger-gewicht, heeft het de notorieteit opgeleverd als "speelgoedmijn" vanwege een hoog slachtoffercijfer onder kleine kinderen die deze apparaten vinden tijdens spelen.

De onderzoekers geloven dat deze detectie- en mappingtechnieken generaliseerbaar en overdraagbaar zijn naar andere munitie en explosieven van belang; bijvoorbeeld, ze kunnen aangepast worden om gestoorde grond te detecteren en te mappen voor geïmproviseerde explosieve apparaten (IEDs).

Het gebruik van Convolutional Neural Network (CNN)-gebaseerde benaderingen om de detectie en mapping van mijnen te automatiseren, is belangrijk om diverse redenen. Ten eerste, het is veel sneller dan handmatig mijnen tellen vanuit een ortho-afbeelding (d.w.z. een luchtfoto die geometrisch gecorrigeerd is). Ten tweede, het is kwantitatief en reproduceerbaar, in tegenstelling tot subjectieve, menselijke-foutgevoelige visuele detectie. En derde, CNN-methoden zijn eenvoudig generaliseerbaar om elk object met duidelijke grootte en vorm te detecteren en te mappen vanuit elk remotelysensed rasterbeeld.