Drones com Machine Learning Detectam Minas Terrestres 'Borboleta' em Zonas Pós-Conflito

Usando machine learning avançado, drones podem ser usados para detectar perigosas minas terrestres "borboleta" em regiões remotas de países pós-conflito. Pesquisadores desenvolveram anteriormente um método que permitia detecção altamente precisa de minas borboleta usando drones comerciais de baixo custo equipados com câmeras infravermelhas. Nova pesquisa foca na detecção automatizada de minas usando redes neurais convolucionais, o método padrão de machine learning para detecção e classificação de objetos no campo de sensoriamento remoto.

O trabalho anterior dependia de escaneamento visual humano do conjunto de dados. Mapeamento rápido assistido por drone e detecção automatizada de campos minados dispersos ajudariam a enfrentar o legado mortal do uso generalizado de pequenas minas terrestres dispersas em conflitos armados recentes e permitiriam o desenvolvimento de um quadro funcional para lidar efetivamente com 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 destes são minas terrestres plásticas de superfície com gatilhos de baixa pressão, como a mina borboleta produzida em massa. Apelidadas por seu pequeno tamanho e forma semelhante a borboleta, estas minas são extremamente difíceis de localizar e limpar devido ao seu pequeno tamanho, massa de gatilho baixa e, mais significativamente, um design que exclui principalmente componentes metálicos, tornando estes dispositivos virtualmente invisíveis a detectores de metal. O design da mina, combinado com baixo peso de gatilho, rendeu-lhe notoriedade como "mina brinquedo" devido a alta taxa de vítimas entre crianças pequenas que encontram estes dispositivos enquanto brincam.

Os pesquisadores acreditam que essas técnicas de detecção e mapeamento são generalizáveis e transferíveis para outras munições e explosivos de preocupação; por exemplo, poderiam ser adaptadas para detectar e mapear solo perturbado 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 minas manualmente a partir de uma ortoimagem (ou seja, uma imagem aérea que foi geometricamente corrigida). Segundo, é quantitativo e reprodutível, ao contrário da detecção visual subjetiva e propensa a erros humanos. E terceiro, métodos baseados em CNN são facilmente generalizáveis para detectar e mapear quaisquer objetos com tamanhos e formas distintos a partir de imagens raster sensoriadas remotamente.