Drones usam aprendizado de máquina para detectar minas terrestres

Usando aprendizado de máquina avançado, os drones podem ser usados ​​para detectar perigosas minas terrestres “borboletas” em regiões remotas de países pós-conflito. Os pesquisadores haviam desenvolvido anteriormente um método que permitia a detecção altamente precisa de minas terrestres de borboletas usando drones comerciais de baixo custo equipados com câmeras infravermelhas. Novas pesquisas se concentram na detecção automatizada de minas terrestres usando redes neurais convolucionais, o método padrão de aprendizado de máquina para detecção e classificação de objetos no campo de sensoriamento remoto.

O trabalho anterior baseou-se na varredura do olho humano do conjunto de dados. O mapeamento rápido assistido por drones e a detecção automatizada de campos de minas dispersáveis ​​ajudariam a lidar com o legado mortal do uso generalizado de pequenas minas terrestres dispersáveis ​​em conflitos armados recentes e permitiriam o desenvolvimento de uma estrutura funcional para abordar efetivamente seu possível uso futuro.

Estima-se que existam pelo menos 100 milhões de munições militares e dispositivos explosivos no mundo de vários tamanhos, formas e composições. Milhões delas são minas terrestres de plástico de superfície com gatilhos de baixa pressão, como a mina terrestre borboleta produzida em massa. Apelidadas por seu tamanho pequeno e forma de borboleta, essas minas são extremamente difíceis de localizar e limpar devido ao seu tamanho pequeno, baixa massa de gatilho e, mais significativamente, um design que exclui principalmente componentes metálicos, tornando esses dispositivos praticamente invisíveis aos detectores de metais. . O desenho da mina, aliado ao baixo peso de acionamento, ganhou notoriedade como a “mina de brinquedo” devido ao alto índice de baixas entre crianças pequenas que encontram esses dispositivos enquanto brincam.

Os pesquisadores acreditam que essas técnicas de detecção e mapeamento são generalizáveis ​​e transferíveis para outras munições e explosivos de interesse; por exemplo, eles podem ser adaptados para detectar e mapear solos perturbados para dispositivos explosivos improvisados ​​(IEDs).

O uso de abordagens baseadas em Rede Neural Convolucional (CNN) para automatizar a detecção e mapeamento de minas terrestres é importante por várias razões. Primeiro, é muito mais rápido do que contar manualmente as minas terrestres a partir de uma orto-imagem (ou seja, uma imagem aérea corrigida geometricamente). Em segundo lugar, é quantitativo e reprodutível, ao contrário da detecção ocular subjetiva propensa a erros humanos. E terceiro, os métodos baseados em CNN são facilmente generalizáveis ​​para detectar e mapear quaisquer objetos com tamanhos e formas distintos de qualquer imagem raster de sensoriamento remoto.