Пасивний підхід до виявлення та класифікації мін із використанням магнітних полів і згорткових нейронних мереж
DOI:
https://doi.org/10.30837/bi.2024.1(100).02Ключові слова:
МАГНІТНІ АНОМАЛІЇ, КЛАСИФІКАЦІЯ МІН, ЗГОРТКОВІ НЕЙРОННІ МЕРЕЖІ (CNN), СЕНСОР FLC-100, БЕЗПЕЧНЕ РОЗМІНУВАННЯАнотація
В наш час для виявлення мін широко використовуються активні детектори, що забезпечують виявлення мін з високою точністю. Однак їхній принцип роботи може бути небезпечним, оскільки він має потенціал спричинити детонацію прихованих мін. Це дослідження представляє інноваційний метод виявлення та класифікації мін, виготовлених з різних матеріалів (металевих, напівметалевих, пластикових), за допомогою згорткової нейронної мережі. Мережа аналізує аномалії, отримані з унікально розробленої матриці ознак, досягаючи значної точності у класифікації. Процес класифікації базується на вхідному векторі ознак, який включає: показники напруги від магнітометричного датчика FLC-100, який виявляє магнітні аномалії біля мін із чутливістю в діапазоні від 10⁻¹⁰ до 10⁻⁴ Тесла; дані з шести типів ґрунту з урахуванням їх вологості; висоту розташування датчика над міною. Оскільки міни, виготовлені з різних матеріалів та мають унікальні магнітні властивості, використання даних про магнітні аномалії дозволяє ефективно класифікувати міни. Точність класифікації оцінювалась за допомогою різних показників, таких як F1, Precision, Accuracy, FPR, FNR, Recall та TNR.
Посилання
International Campaign to Ban Landmines, Landmine Monitor 2023 (ICBL-CMC: January 2023). [Online]. Available: www.the-monitor.org.
Ishchenko, A.V.; Kobets, M.V. “Means and Methods of Detecting Explosive Substances and Devices in the Fight against Terrorism: Training and Practice,” NAVSU Publishing House: Kyiv, Ukraine, 2005; p. 144.
Krausa, M.; Massong, H.; Rabenecker, P.; Ziegler, H. “Chemical methods for the detection of mines and explosives. In Detection of Explosives and Landmines,” Eds.; NATO Science Series; Springer: Dordrecht, The Netherlands, 2002; Volume 66. https://doi.org/10.1007/978-94-010-0397-1_1.
Masunaga, S.; Nonami, K. “Controlled metal detector mounted on mine detection robot,” Int. J. Adv. Robot. Syst. 2007, 4, pp. 237–245. https://doi.org/10.5772/5692
Yilmaz, C.; Kahraman, H.T.; Söyler, S. “Passive Mine Detection and Classification Method Based on Hybrid Model,” IEEE Access 2018, 6, 47870–47888. https://doi.org/10.1109/ACCESS.2018.2866538.
Peleshchak R.M., Lytvyn V.V., Nazarkevych M.A., Peleshchak I.R., Nazarkevych H.Y. “Influence of the Symmetry Neural Network Morphology on the Mine Detection Metric,” Symmetry. 2024; 16(4):485. https://doi.org/10.3390/sym16040485
Bestagini, P., Lombardi, F., Lualdi, M., Picetti, F., & Tubaro, S. “Landmine Detection Using Autoencoders on Multi-polarization GPR Volumetric Data,” 2018. [Online]. Available: https://arxiv.org/pdf/1810.01316.pdf
S. Gürkan, M. Karapinar and S. Doğan, "Classification of explosives materials detected by magnetic anomaly method," 2017 4th International Conference on Electrical and Electronic Engineering (ICEEE), Ankara, Turkey, 2017, pp. 347-350, doi: 10.1109/ICEEE2.2017.7935848.
Xiaohui Wei, Changbao Zhou, Hengshan Yue, Joey Tianyi Zhou. “TC-SEPM: Characterizing soft error resilience of CNNs on Tensor Cores from program and microarchitecture perspectives,” Journal of Systems Architecture, Volume 145, 2023, 103024, ISSN 1383-7621. https://doi.org/10.1016/j.sysarc.2023.103024.
Martin Tetard, Veronica Carlsson, Mathias Meunier, Taniel Danelian. “Merging databases for CNN image recognition, increasing bias or improving results?” Marine Micropaleontology, Volume 185, 2023, 102296, ISSN 0377-8398. https://doi.org/10.1016/j.marmicro.2023.102296.
Huanhua Liu, Wei Wang, Hanyu Liu, Shuheng Yi, Yonghao Yu, Xunwen Yao. “A Degradation Type Adaptive and Deep CNN-Based Image Classification Model for Degraded Images,” CMES - Computer Modeling in Engineering and Sciences, Volume 138, Issue 1, 2023, Pages 459-472, ISSN 1526-1492. https://doi.org/10.32604/cmes.2023.029084.
Dataset Land Mines - UCI Machine Learning Repository, 2022. [Online]. Available: https://archive.ics.uci.edu/dataset/763/land+mines-1
C. Yılmaz, Y. Sönmez, H. T. Kahraman, S. Soyler, and U. Güvenç, ‘‘Developing of decision support system for land mine classification by metaheuristic classifier,’’ in Proc. Int. Symp. Innov. Intell. Syst. Appl. (INISTA), Aug. 2016, pp. 1–5.
A. Barnawi, K. Kumar, N. Kumar, B. Alzahrani, and A. Almansour “A Deep Learning Approach for Landmines Detection Based on Airborne Magnetometry Imaging and Edge Computing,” Comput. Model. Eng. Sci., vol. 139, no. 2, pp. 2117-2137. 2024. https://doi.org/10.32604/cmes.2023.044184
